机器学习算法作为OEM的智能决策支持系统，适用于各种制造应用，例如：预测性维护、产品质量控制改进、机器异常检测、生产线监控、供应链管理等。智能工厂和仓库通过连接设备和分布式基础设施不断收集和共享海量数据。使用复杂的机器学习算法分析大量数据需要强大的计算能力。现有的本地和集中式云基础设施是有能力的，但它们在延迟、巨大的带宽消耗、安全相关问题等方面都有其自身的局限性。一些智能工业应用程序需要低延迟才能实时访问数据。为了减少延迟和带宽使用，边缘机器学习是解决方案。智能工厂边缘的机器学习边缘机器学习是一种使用机器学习或深度学习算法在设备级别或网络“边缘”的本地基础设施上进行数据处理的技术，减少对云网络的依赖.边缘计算允许计算密集型机器学习算法在边缘运行。这有助于生成更多的实时分析，因此，各种类型的应用程序现在可用于各个行业。在大多数情况下，机器学习模型是在Tensorflow、Keras、Caffe等框架中编程的。使用这些框架，编程模型在计算机系统（PC或笔记本电脑）等高端平台或MicrosoftAzure、GoogleCloud等云平台上进行训练,AmazonAWS等。模型训练好后，保存并部署到云平台，或者更多相关的嵌入式平台进行实时推理（预测），比如NXPIMX8Mbaseddevices。人工智能或机器学习，尤其是边缘机器学习，已经成为推动工业4.0发展的重要技术。在智能工厂中，提高产品质量起着非常重要的作用。机器学习模型在各种制造操作中的应用表面检测：对于电子制造，表面检测包括焊点检测、完整性检测、连接器引脚检测、外观外壳检测等。纹理检测：在不同类型的物体中，其质量反映在它们的表面纹理。因此，基于视觉的纹理检测在确定物体质量方面起着重要作用。在胶合板制造中，木材是原材料。木头上结节的存在会削弱木材并增加破损的可能性。这种弱点取决于它的大小、位置、数量和状况。使用基于深度学习的视觉模型，可以检测、计算木材中的结节并测量它们的大小。缺陷检测：有许多示例可以使用基于视觉的算法来检测产品中的缺陷。例如，在药品制造中，基于视觉的模型可以帮助检测各种缺陷，例如颜色偏差、胶囊中的凹痕或孔洞、形状不规则或损坏的边缘或药丸中的裂纹等。它可以识别生产中的异物线。随着半导体技术的进步，这些计算密集型算法可以部署在边缘平台上。通过在各种SoC中集成图形处理单元、数字信号处理和神经处理单元，可以在低功耗、低成本平台上实现实时性能。智能工厂如何保证产品质量？在保持智能工厂生产的产品质量方面发挥非常重要作用的一些关键因素是：机器的一致操作为了使制造的产品质量一致，所有机器都处于最佳状态非常重要以最高效率和最短停机时间运行。基于机器学习的预测性维护使用异常检测等各种技术来及早发现机器故障并及时维护。监测各种物理参数，即振动、噪音、温度、功耗等，并根据它们的异常行为预测维护。对于制造商而言，预测性维护是游戏规则的改变者。它帮助他们为智能制造做出数据驱动的决策。借助范围广泛的低成本、低功耗MCU，可以以极具成本效益的方式将其部署在工厂中。传感器为各种物理属性生成大量数据，将所有这些原始数据发送到云端用于机器学习用例是不切实际的。利用边缘设备的处理能力非常重要。过程质量控制在传统的制造过程中，目视检查和质量控制相关的活动是手动执行的。人工检查产品质量可能不准确。这会导致产品有缺陷、不合规和收入损失。为了克服这个问题，智能工厂中使用了基于视觉的深度学习模型。基于视觉的深度学习模型分类如下：图像分类：识别图像中物体的存在，即木材、药品、水果/蔬菜等物体定位：在识别物体时，确定边界框以准确定位对象在图像中的位置。语义分割：这是指将图像的每个像素链接到特定的类标签。实例分割：与语义分割非常相似，但它处理同一类的多个对象。机器学习模型有望改变制造业，使用图像分类来监控装配线上的机器磨损并对在制品和成品进行质量检查。
