西安思华与上海交通大学开展工业领域人工智能研发合作

近日，西安思华与上海交通大学完成了合作研发协议签署，校企双方强强联手，聚焦于先进制造领域的人工智能方向，在技术研发、科研攻关、平台建设、人才培养、成果转化与应用等方面建立深层次的合作，携手推动制造行业智能化、高质量发展。

随着5G、人工智能等新一代信息技术与制造业的不断融合，制造业智能化发展成为制造业升级转型的重要方向。“十四五”规划提出，到2025年，70%的规模以上制造业企业基本实现数字化网络化，建成500个以上引领行业发展的智能制造示范工厂。西安思华作为领先的AIoT产品和解决方案供应商，长期以来在“数智工厂”领域不断发力。

人工智能AI技术应用于智慧工厂，可以大范围改善工作条件，提高生产过程中生产线工人的工作效率，借助于AI技术实现工厂生产环节各类数据的采集、检测，实现每个操作步骤、操作流程的可视化管理。目前智慧工厂管理平台在各大制造业的工厂中被广泛使用，按照“数据+视频+管理”的模式被大量地推广实施，AI人工智能之所以成为制造业核心竞争力的一部分最主要的原因在于：目前制造业的工厂面临着由于发展较快而管理难度提升，现有的管理技术和水平无法完成精细化管理。

国内大多数制造业企业还在采用人工方法来检测物料与产品质量、计算产能数据，长期面临着对人员经验和人力成本的巨大投入以及由此带来的换产效率低下、生产数据滞后等问题，已经不适用于未来智能制造对高柔性化、全过程质检的需求。自上世纪90年代初，国内开始从事应用计算机视觉的方法进行工业生产检测与识别，取得了一定成果。近年来随着物联网与AI机器视觉等高新技术的突破，各类服务于生产的新型AI算法层出不穷，为降低人力成本，提高生产效率，促进高柔性化智能制造及全过程质检提供了新的思路。因而开发基于机器视觉的AI算法模型，为各类制造业企业提供物料识别、质量检测、产能统计等业务应用基础数据，实现制造业企业生产数据的实时采集，推进生产制造全过程质量检测，提升制造业企业面向未来多批次、小批量、短周期市场需求的柔性化制造能力具有重大意义。

当前国内大多数工业AI算法在训练样本极少的情况下普遍无法取得良好的样本外表现，用小样本训练的模型很容易陷入对小样本的过拟合以及对目标任务的欠拟合。但基于小样本的模型训练又在工业界有着广泛的需求，本次合作拟提出更合理的损失函数来应对这一挑战，并将在推进Few-ShotLearning（低样本学习）通过将有限的监督信息（小样本）与先验知识（无标记或弱标记样本、其他数据集和标签、其他模型等）结合，使得模型可以有效的学习小样本中的信息。

深度学习框架作为人工智能时代的操作系统，一直被 Google 的 TensorFlow 和 Facebook 的 PyTorch所统治，在全球深度学习领域，国外开发者主要基于TensorFlow、PyTorch、MxNet等国外深度学习框架进行人工智能算法、模型的开发、训练与部署。因此深度学习框架的国产化替代也成为了政产学研界关注的焦点。本次合作拟采用国产化识别模型，在国产深度学习框架下进行算法的实现和轻量化部署。

上海交通大学严峻驰教授领衔负责本次科研合作，严峻驰教授团队是国内领先的AI机器视觉算法研究团队，严教授是上海交通大学计算机科学与工程系特别研究员、上海交通大学博士，曾任IBM中国研究院工业视觉首席科学家，主管研究员，现任ICLR/ICML/NeurIPS地区主席、人工智能SJTU教育部重点实验室副主任、中国图像图形学学会视觉大数据专委会副秘书长，在国际期刊发表CCFA类论文40余篇，授权美国发明专利20余项。

西安思华与严峻驰教授团队此次合作，将在AI机器视觉基础技术领域不断深入探索，打造低样本、国产化、高准确率的工业人工智能底层算法模型，并结合西安思华AIoT场景化应用实现产品化、服务化，帮助制造业企业提升管理效率、降低人工成本，促进制造业企业在信息化、数字化、智能化转型升级过程中获得更大收益。