随着深度学习技术的不断突破和产业应用门槛的不断降低，越来越多企业希望通过AI技术实现产业升级。但是在AI落地过程中往往会遇到如下问题：

 为了帮助企业解决AI产业应用的难题，加快推进AI应用节奏，近期百度飞桨与企业伙伴合作，联合开发了产业实践教程。实践教程内容覆盖AI落地全流程，包括：数据处理、模型选择、模型优化的详细代码和和图形化的模型部署demo，手把手指导用户操作，是不是超级棒！

此外，案例教程的覆盖场景与真实的AI产业应用紧密结合，根据目前企业AI落地高频需求选取，包括：板缺陷检测、钢筋计数、2D视觉辅助机械手抓取、表计检测。

感兴趣的小伙伴可以直接访问github链接：

https://github.com/PaddlePaddle/awesome-DeepLearning/tree/master/Paddle_Enterprise_CaseBook

1. 钢板缺陷检测（合作企业：中国机械总院）

作为生产制造过程中必不可少的一步，表面缺陷检测广泛应用于工业领域，如：3C、半导体及电子、汽车、化工、医药、轻工、军工等行业。而钢材作为基础的工业材料，在出厂之前的检测更加严格。

机械总院根据在以往项目的经验，在钢板缺陷检测的场景中，设计了相应的解决方案。

结合不同工厂的生产节拍和部署硬件的情况，设计了轻量化和高精度两种模型选择方式，提供了UNet和HRNet的模型优化方式，满足不同场景需求。

根据数据分布情况给出了优化方式，提供了可视化的脚本，更直观的观察数据变化情况。

提供了工业级别的部署Demo，支持用户输入单帧、文件夹、视频流的输入，满足工业级别部署需求。

2. 钢筋计数（合作企业：上海天覆科技）

商品出库或者到货后都会进行盘点计数，防止因遗漏造成的财产损失。传统盘点方式无非是手工逐一数，应用深度学习的目标检测技术，可以自动化的实现如：药品计数、工件计数、钢筋、圆木计数、牛羊计数等。目前“XX串串香”已经应用此方案实现自动『数签签』。

在工业生产中，钢筋、圆木计数的场景非常多见，它们有个共性特点：产品密集、环境不固定、模型端侧部署。

为了解决如上诉求，飞桨与企业伙伴合作，联合设计和实施了如下方案。

项目中应用了模型错误分析法则（paddlex.det.coco_error_analysis），可以直观了解到当前模型的精度，进而指导模型优化方向。如下图中黄色区域表示漏检，该处面积越大，漏检越严重，指导用户从漏检方向（如增强主干网络）优化模型。

在本次与企业伙伴联合开发案例时，不仅总结了成功经验，同时也把项目落地时常遇到的问题和解决方案进行了总结，帮助大家对优化方式有更全面的了解。

提供手机端部署Demo（通过Paddle Lite推理），满足移动端部署需求。

3. 2D视觉辅助机械手定位（合作企业：遨博机器人）

随着制造业的产线自动化、智能化需求的不断提升，机器人和AI视觉技术的结合越来越广泛，如：视觉引导的涂装、焊接或机械手抓取等。在项目落地中，目标物体轮廓的精准定位非常关键。在视觉定位过程中，需要通过对相机的标定，来求取相机和实际物体的坐标关系，进而转化成机械手可以识别的坐标空间。但在实际场景中，目标所处的环境非常复杂，遨博机器人公司结合自身经验，总结出了一套深度学习抓取方案。

在方案中给出了深度学习进行机械手视觉定位的方式，提供了基于实例分割获取目标坐标的处理方式，极大的简化了视觉导视流程。

4. 工业表计读数（合作企业：苏州中兴克拉）

在电力能源厂区需要定期监测表计读数，以保证设备正常运行及厂区安全。但厂区分布分散，人工巡检耗时长，无法实时监测表计，且部分工作环境危险导致人工巡检无法触达。针对上述问题，希望通过摄像头拍照+智能读数的方式高效地完成此任务。

针对这样复杂的场景，苏州中兴克拉公司工程师，提供了新的解决思路，针对复杂场景，提供了模型串联的方案，利用目标检测的方式对表盘进行检测，并从图片截取出来，在对表盘利用语义分割模型将指针和刻度分割，结合传统图像处理算法，实现表计读数的获取。