随着中国工业数字化升级的深入和人工智能（AI）技术的蓬勃发展，越来越多的企业开始利用AI改善产品质量、提升生产效率。多年来，日立在坚持推行数字化技术和解决方案的过程中发现，虽然如今AI技术备受青睐，但许多问题一直困扰着广大用户，例如：项目早期缺乏实际演示工具来展示解决方案的价值、缺乏现场数据（尤其是负面数据样本）、现场开发测试成本高昂等等。

针对前述课题，日立中国研究院开发了基于数字模拟的现场场景创建技术，并将其应用于工业领域人工智能解决方案的各个阶段，支持数字解决方案落地。

基于数字模拟的现场场景创建技术：解决数据困境

定制AI解决方案往往需要大量现场数据用于模型的训练、测试和现场部署，如果缺乏数据和现场环境支持，项目推行往往举步维艰。

日立的基于数字模拟的现场场景创建技术整合了3D扫描、AI生成内容、数字孪生和数字模拟等技术，可以生成逼真的现场数据、创建合理的现场环境，为AI模型的训练和开发提供数据基础和过程模拟，很好地解决了数据困境难题。同时，该技术在可视化展示AI解决方案这点上也能发挥强大作用，可以为AI解决方案提供全流程的辅助。

我们通过3个案例来了解现场场景创建技术如何在不同阶段发挥作用。

案例1-利用低成本高效率的场景创建，向客户生动地展示方案效果

向客户介绍解决方案时，利用日立的场景创建技术可以直观生动地展示方案效果，降低客户理解成本，让提案效果事半功倍。

在一个提升仓库运营效率的解决方案项目的早期，由于方案和技术点比较抽象，客户并非技术人员，无法完全理解方案的技术点，也很难想象其效果。研究院团队经过简短的现场调查，迅速创建了一个模拟仓库场景，用可视化的图像动画向客户生动地展示了日立的解决方案，帮助客户理解方案价值，最终获得客户认可。此模拟场景不需要实际仓库数据，建立成本低效率高，此模拟还被用来辅助在随后的实际概念验证阶段收集数据，可谓一举多得。

案例2-通过生成大量逼真的样本数据，降低数据采集难度、削减数据成本

训练AI系统需要庞大的数据，利用基于数据模拟的场景生成技术可以在短时间生成大量逼真的数据样本，降低收集负面样本的难度，削减采集真实数据的高昂成本。

为了控制产品质量，产品质量检验是必不可少的工序。许多工厂的产品质量检验系统通过视觉发现产品缺陷，前期需要大量产品外观数据用于训练AI模型，采集数据成本昂贵，收集负面样本数据（残次品）的成本则更高。

面对这一难题，日立中国研究院在解决方案的系统开发阶段，利用基于数字模拟的现场场景创建技术生成无限逼真的数据样本，并以此增强AI算法的功效。如下图所示，生成数据的视觉效果相当逼真，以此替代真实数据可以大大节约数据成本。训练完成后的模型能快速、高精度地识别残次品，保证出厂产品质量稳定。

上排为生成数据，下排为真实数据。左侧的真实图像来自NEU-DET数据集^*1，右侧的真实图像来自MvTEC数据集^*2

案例3-模拟生成极端场景和数据，帮助全面优化系统效果

利用日立基于数字模拟的场景创建技术，可以克服极端情况下无法采集数据的困难，保证数据的全面和有效，帮助系统全面优化效果。

生产安全是企业顺利运行的基础，日立为国内一家知名食品饮料企业开发了“工厂安全提升解决方案”，通过AI视频技术检测工人是否违规操作。客户工厂中有部分工人需要在高处进行作业，事关人身安全不容出错，因此方案必须在极端个别的情况下依然可以精准检测出安全隐患。然而，此解决方案难以通过实际的违规操作收集负面样本数据，此时基于数字模拟的现场场景创建技术就能发挥关键性作用。

首先我们依靠场景创建技术3D模拟创建出符合要求的现场环境，并模拟生成各种危险操作（即负面样本），随后将负面样本应用到模型训练中提高系统精度、改进AI算法，最终通过视觉化的方式向客户演示整个解决方案的效果。在此案例中，场景创建技术全流程参与了解决方案的开发和优化。

模拟展示极端情况下的安全检测效果

基于数字模拟的现场场景创建技术为工业领域人工智能解决方案的研究和开发提供了全新视角。随着AIGC等技术的成熟，日立中国研究院将进一步提升该技术生成内容的质量，扩展内容形式，拓宽技术应用场景，未来为国内客户的工业数字化升级创造更多价值。

*1 Y. He et al., “An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features,” IEEE Transactions on Instrumentation and Measurement, 69 (4), pp. 1493–1504 (Apr. 2020)
*2 P. Bergmann et al., “MVTec AD — A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection,” 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2019), pp. 9584–9592 (Jun. 2019)