图书：《工业机器视觉：基于灵闪平台的开发及应用》（节选）

作者：刘东

1.3 机器视觉的发展与应用

第1章　机器视觉的发展与应用

机器视觉技术经过不断发展，已成为一门新兴的综合技术，在社会诸多领域得到了广泛应用。它的发展大大提高了装备的智能化、自动化水平，提高了装备的使用效率、可靠性等性能。随着新技术、新理论在机器视觉系统中的应用，机器视觉正在国民经济的各个领域发挥着重要作用。

本章对机器视觉进行了系统的介绍。首先概述了机器视觉的概念和特点，然后介绍了一个机器视觉系统的基本组成，同时介绍了机器视觉的常见应用领域，最后介绍了机器视觉的发展并对其未来进行了展望。

1.1　机器视觉概述

1.1.1　概述

视觉（vision）是人类获取外界信息最主要的方式。科学研究表明，人类从外界接收的各种信息中，超过80%是通过视觉获得的。通过视觉，我们可以感知外界物体的大小、明暗、颜色、动静等信息，这使我们可以在不需要进行身体接触的情况下，直接和周围环境进行交互。正因为如此，自从数字计算机出现以后，人们就不断地尝试将视觉感知赋予机器，让机器可以更直接地“观察”世界。在不断尝试的过程中，人类取得了巨大的成功。如今，机器视觉系统已经能够在各种不同环境下工作，成为很多“机器”的重要组成部分。

机器视觉（Machine Vision）技术是一门涉及计算机科学、图像处理、模式识别、人工智能，以及信号处理、光学、机械等诸多领域的交叉学科，主要涉及在工业环境下，如何对输入的图像信息进行自动提取，进而对图像内容给予解释，信息的内容包括三维模型、照相机位置、目标检测与识别，以及图像内容的分组与搜索等。其实现的路径包括模拟人类视觉、使用数据和统计方法，或者利用几何关系解决问题等。简单来说，机器视觉就是用机器代替人眼来做各种测量和判断。在生产线上，人工的测量和判断会产生疲劳和错误，而个体之间的差异等也会导致误差，但机器却不知疲倦，一直稳定地运行，能得到精确且具有重复性的结果。

近年来，在算法方面，计算机视觉的算法发展迅速（详见本章的1.4小节）；在硬件方面，工业摄像机和智能相机等传感技术、ARM和FPGA等嵌入式硬件技术也得到了很大提升；随着工业自动化的推广，机器视觉的功能及应用范围逐渐得到完善。

1.1.2　机器视觉的特点

近年来，由于机器视觉系统不仅应用于各种生产线上的测量和判断，在科学研究、航空航天、数字医疗、物联网、现代农业、视觉机器人以及工业4.0等行业领域也都展现出巨大的应用前景。机器视觉的众多优点中，较为突出的有以下几个方面。

①非接触无损测量：一般情况下对观测者与被观测者都不会产生任何损伤，从而提高了系统的可靠性。

②光谱响应范围广：可以使用人眼看不见的紫外、红外等波段测量，扩展了人眼的视觉范围。

③长时间稳定工作：人类难以长时间对同一对象进行重复观察，机器视觉却可以长时间稳定地从事测量、分析和识别等工作。

④重复性好：人类容易受主观因素影响，而机器视觉检测则依据设定好的评判标准进行工作，具有很好的重复性。

如图1-1所示，一套典型的机器视觉系统工作过程如下：

图1-1　典型的机器视觉系统工作过程

①工件定位传感器探测到物体运动至接近相机视野的中心时，向图像采集卡发送触发脉冲。

②图像采集卡按事先设定的程序和时延，分别向相机和照明设备发出启动脉冲。

③工业相机停止目前的扫描，重新开始新的一帧采集；或者相机在启动脉冲来到之前处于等待状态，启动脉冲来到后启动一帧扫描。

④工业相机开始新的一帧扫描之前，打开曝光机构或开启电子快门，曝光时间可以事先设定。

⑤另一个启动脉冲打开灯光照明，灯光开启时间应与相机曝光时间匹配。

⑥工业相机曝光后，正式开始一帧图像的扫描和输出。

⑦图像采集卡接收模拟视频信号并通过模数转换（A／D）将其数字化，或者直接接收工业相机数字化之后的图像数据。

⑧图像采集卡将数字图像传递到处理器或者计算机的内存中。

⑨视觉处理软件对图像进行处理、分析、识别，获得测量结果或逻辑控制值。

⑩根据处理结果，控制流水线的动作或进行定位，纠正运动的误差等。

从上述的工作流程可以看出，机器视觉系统是一种相对复杂的系统。系统与物体的匹配和运动协调显得尤为重要，同时这也给系统各部分的动作时间和处理速度提出了严格的要求。在一些应用领域，如机器人、飞行物制导等，对整个系统或者系统部件的重量、体积和耗电量都会有严格的要求。所以，在机器视觉系统的开发和设计中需要投入大量的精力。

1.2　机器视觉系统的组成

机器视觉系统的硬件构成大致分为计算机和图像采集设备。如图1-2所示，其中图像采集设备承担了机器视觉系统里“眼球”的角色，用于采集图像；而计算机硬件和软件部分则组成了机器视觉系统中的“大脑”，根据采集到的图像进行识别和测量。以下将对计算机、图像采集设备以及软件编程工具三个方面进行详细的说明。

图1-2　机器视觉简易硬件组成

1.2.1　计算机

计算机的种类很多，如台式计算机、笔记本计算机、平板电脑、工控机等，它们的核心部件都是中央处理器、内存、硬盘和显示器等。然而，对于不同类型的计算机，其核心部件的形状、大小和性能具有较大的差异。

（1）中央处理器

中央处理器，即CPU（Central Processing Unit）。如图1-3所示，CPU属于计算机的最核心部件，相当于人的大脑组织，主要功能是执行计算机指令和处理计算机软件中的数据。CPU的发展非常迅速，现在个人计算机的计算速度早已经超过了早期的超级计算机。

图1-3　中央处理器

（2）硬盘

硬盘（Hard Disk）是电脑的主要存储媒介，主要用于存放文件、程序、数据等。如图1-4所示，硬盘大多由覆盖铁磁性材料的一个或者多个铝制或玻璃制的碟片组成。

图1-4　硬盘

硬盘的种类有固态硬盘（Solid State Drives，SSD）、机械硬盘（Hard Disk Drive，HDD）和混合硬盘（Hybrid Hard Disk，H HD）等。其中SSD采用闪存颗粒来存储，HDD采用磁性碟片来存储，H HD则是把磁性硬盘和闪存集成到一起的一种硬盘。绝大多数硬盘都是固定硬盘，被永久性地密封固定在硬盘驱动器中。

数字化的图像数据与计算机的程序数据相同，都被存储在计算机的硬盘中，通过计算机处理，最后将图像显示在显示器上或者重新保存在硬盘中以备使用。除了计算机本身配置的硬盘之外，还有通过USB（Universal Serial Bus）连接的移动硬盘以及U盘等。并且，随着计算机性能的不断提升，硬盘的容量也在不断扩大，目前计算机硬盘容量通常都是TB容量级（1TB＝1024GB）。

（3）内存

内存（memory）也被称为内存储器，如图1-5所示，主要用于暂时存放CPU中的运算数据，以及与硬盘等外部存储器交换的数据。计算机在运行时，CPU就会将需要进行运算的数据调到内存中进行运算，当完成运算后CPU再将结果传送出来。因此，内存的性能优劣对计算机的影响非常大。

图1-5　内存

当下的数字图像一般都比较大。例如，900万像素的照相机，拍摄的最大图像可以是3 456×2 592＝8 957 952像素，其中一个像素包括红绿蓝（RGB）3个字节，所以总共是8 957 952×3＝26 873 856字节，也就是大约占用25.63MB内存。而实际查看拍摄的图像文件一般在几MB左右，这是因为在图像数据存储成JPG文件时进行了数据压缩。但在进行图像处理时必须首先进行解压缩处理，然后再将解压缩后的图像数据读取到计算机内存里。因此，图像数据非常占用计算机的内存资源，而内存越大越有利于计算机的工作。目前，32位计算机的内存一般最小是1GB，最大是4GB；64位计算机的内存，一般最小是8G，最大可以达到128GB。

（4）显示器

显示器（display）通常也被称为监视器，如图1-6所示。显示器是电脑的I／O设备，即输入输出设备，也具有不同的外形和种类。根据制造材料的不同，可分为阴极射线管显示器CRT（Cathode Ray Tube）、等离子显示器PDP（Plasma Display Panel）、液晶显示器LCD（Liquid Crystal Display）等。显示器有多种像素及色彩的显示方式可以选择，比如从640×480像素的256色到1 600×1 200像素以及更多像素的32位的真彩色。

图1-6　显示器

1.2.3　软件及编程工具

即使将上述机器视觉的硬件连接在一起通上电，如果缺少对应的软件，系统也无法正常运行。软件的主要作用是协同工作人员进行工作、生产等活动，提高效率，记录数据并进行智能分析和决策等。

计算机软件的开发语言包括C、C＋＋、Visual C＋＋、C＃、Java、BASIC、FORTRAN等。由于图像处理与分析的数据量很大，而且需要编写复杂的运算程序，从运算速度和编程的灵活性来考虑，C和C＋＋是最佳的图像处理与分析编程语言。其中C＋＋是C的升级，C＋＋将C从面向过程的单纯语言升级成为面向对象的复杂语言。C＋＋语言完全包容C语言，也就是说C语言的程序在C＋＋环境下可以正常运行。还有一些提供通用图像处理算法的软件，例如，国外的OpenCV 和MATLAB等开发平台，这些都可以在Visual C＋＋环境下使用。

1.3　机器视觉技术的应用领域

近年来，随着人工智能技术与工业自动化技术的突破，融合使用了这两种技术的机器视觉技术也取得了迅猛发展。如图1-10所示，机器视觉技术已经广泛地应用于工业、农业、医疗、汽车辅助驾驶等各个领域。

图1-10　机器视觉的应用领域

1.3.1　机器视觉在工业领域中的应用

在工业领域，机器视觉技术已经成功应用于产品质量的检测中。例如：制作电路板时，可以使用机器视觉系统实现对元器件的精确定位；制造机械产品时，可以使用机器视觉技术对产品瑕疵进行捕捉，提高产品的质量和成品率；在食品饮料领域，可以使用机器视觉技术完成包装检测和分类识别；在纸产品领域，可以使用机器视觉技术实现纸张表面均匀度的检测；等等。此外，机器视觉配合其他自动化技术可以完成无人物流、零件装配等任务。

图1-11中给出了机器视觉技术应用于商品包装盒检测的实例。通过图像采集系统实时采集包装盒的信息，采集到的信息与预先提取的合格信息做对比，由此判断当前检测的包装盒是否合格，从而实现包装盒的实时在线检测。

图1-11　机器视觉在工业领域中的应用

总的来说，机器视觉技术能够有效减少某些高强度工作中人力的投入，从而降低产品生产成本，提高社会生产力。

1.3.2　机器视觉在农业领域中的应用

机器视觉技术在农业生产上的研究与应用最早始于20世纪70年代末期，这方面的研究主要集中于农产品的品质检测和分级。由于受到当时计算机硬件发展水平的制约，检测速度达不到实时的要求，故机器视觉技术在农业领域的应用一直处于实验研究阶段。

近些年来，随着电子技术、计算机软硬件技术、图像处理技术及仿生技术的迅速发展，机器视觉技术本身在理论与实践上都取得了重大突破。目前，在农业领域，机器视觉技术已渗透到农产品收获、农田作业、农产品品质识别以及植物生长检测等各个方面。农作物收获自动化是机器视觉技术在农业领域中最常见的应用之一。其基本原理是利用收获机械上配备的摄像系统，采集田间或果树上作业区域的图像，运用图像处理与分析的方法判别图像中是否有目标，如水果、蔬菜等，在发现目标后，引导机械手完成采摘，如图1-12所示。

图1-12　机器视觉在农业领域中的应用

1.3.4　机器视觉在汽车辅助驾驶领域中的应用

随着人民生活水平的提高，我国道路汽车运行的数量逐年递增，道路交通事故发生的频率也不断增加，对人民的生命和财产安全构成的威胁不断上升。为了改善道路交通安全状况，国内外众多科研机构、高校以及汽车厂商均在汽车安全防护系统的研究和开发上投入了大量的人力和财力。研发内容从最早的机电装置，发展到今天的汽车辅助驾驶系统。

机器视觉技术在汽车辅助驾驶系统中的应用主要有车道线检测技术、交通标志识别技术、车辆识别技术、行人检测技术以及驾驶员状态检测技术等。由于实际驾驶过程中，驾驶员主要依靠人眼获取道路安全信息，如路面状况、交通标志、交通提示牌、障碍物、其他车辆和行人等。因此，使用机器视觉技术对实现车辆智能化有着非常重要的作用，可以有效降低驾驶员的劳动强度，从而减少交通事故的发生，提高车辆行驶的安全性。如图1-14所示，应用机器视觉技术实时检测道路车辆信息，并对可能发生安全事故的车辆提前预警，为驾驶员提供实时安全驾驶信息，有效减少交通事故的发生。

图1-14　机器视觉在汽车辅助驾驶领域的应用

机器视觉技术在为驾驶员提供决策建议的过程中有着以下优点：第一，机器视觉技术可以兼顾多方面信息，包括周围物体的距离、形状、纹理等；第二，视觉图像采用非接触式的获取方式，不会破坏周围环境，也不需要大规模的道路工程配套设施；第三，视觉信息的获取过程中不会出现车辆相互干扰的情况。

1.3.5　机器视觉在其他领域中的应用

机器视觉技术在其他众多领域中也有着广泛的应用。例如：在卫星遥感系统中，机器视觉技术被用于分析各种遥感图像，进行环境监测、地理测量，根据地形、地貌的图像和图形特征，对地面目标进行自动识别、理解和分类等工作；在交通管理系统中，机器视觉技术被用于车辆识别、调度，向交通管理与指挥系统提供相关信息；在闭路电视监控系统中，机器视觉技术被用于增强图像质量、捕捉突发事件、监控复杂场景、识别身份、跟踪可疑目标等。

综上所述，虽然机器视觉技术在工业、农业、医学、汽车辅助驾驶等相关领域有着越来越多的应用，但由于其在我国的发展时间还比较短，因此对该技术的研究与应用并没有达到成熟的地步。随着相关技术以及产业化的发展，未来我国各行各业对机器视觉技术的需求将会不断增加，实时在线、智能化、高精度检测与控制将是我国机器视觉技术的重要发展方向。

期刊：《工业场景下AI质检关键技术及平台架构研究》

周华，郑荣，肖荣

（上海理想信息产业（集团）有限公司，上海 201315）

摘 要：文章阐述了制造型企业在工业4.0时期所面临的智能化挑战，以产品质量检验环节为切入点，详细分析了工业场景下智能化质检场景涉及的关键技术，并提出了基于云边协同的智能质检平台架构。该平台架构结合云端算法训练能力和MEC边缘计算推理能力，面向工业质检场景，能够快速实现AI推理能力的边缘化部署，推动了工业智能化场景的广泛应用。

关键词：计算机视觉；机器学习；深度神经网络；工业质检；MEC；容器化

0 引 言

工业4.0是以智能制造为主导的第四次工业革命，目标是工业制造过程中各个环节尽可能通过智能系统自动化进行，通过智能技术将工业生产运作效率提高到一个新的高度。从国家层面来说，《中国制造2025》是国家战略，“十四五”规划纲要也明确提出了要推动我国制造行业的数字化改造，通过建设智能制造示范工厂，完善智能制造的标准体系，加快数字化发展，加强关键数字技术创新应用。从企业角度来讲，智能化也是提升企业效率、强化产品质量的有效途径。但是，随着制造企业产线的生产自动化程度越来越高，对产品质量以及生产效率的要求也越来越严格，传统人工和相对简单的质量检测手段已不能够满足企业对产品质量控制的需要。不过令人振奋的是，随着计算机技术和基础理论的发展，基于计算机视觉[1]的智能质量检测技术也得到了迅猛发展。尤其是机器学习/深度学习技术的跨越式发展，令以前大部分人眼难以直接量化的特征问题，都得到了很好的技术解决方案。特别是在图像分类、目标检测这些问题上，深度学习技术取得了非常显著的效果。

1 智能质检关键技术

1.1 卷积神经网络技术

深度神经网络[2]是机器学习（Machine Learning, ML）领域中一种技术，2006年，“深度学习三巨头”之一的Hinton教授提出了在非监督数据上建立多层神经网络的方法，证明了深度神经网络拥有强大的特征提取能力，从此进入了深度学习时代。当前最流行的神经网络是深度卷积神经网络（Deep Convolutional Neural Networks, CNNs）。因为准确率和泛化能力等原因，目前提到的卷积神经网络，一般都指深层结构的卷积神经网络，根据网络设计，层数通常在数十上百层左右。CNNs可以自动从大规模数据中自动学习特征，并具备很强的泛化能力，因此在很多技术研究领域都取得了很好的应用效果，例如：语音识别、自然语言处理（NLP）以及包括图像识别、图像分割在内的计算机视觉领域。

通常一个深度卷积网络会由多个卷积层、池化层以及全连接层组成，如图1所示。卷积层与池化层相互配合可组成卷积组，用于逐层提取原始图像数据的特征（Feature）。最后，深度卷积网络会通过一个或多个全连接层完成原始数据的分类。可以说卷积层主要对输入图片数据进行特征提取，而池化层，主要是为了降低数据维度。卷积神经网络具有局部感知和参数共享两个特点，降低了网络模型的复杂度，减少了权值的数量，可以有效地从大量样本中学习到相应地特征，避免了复杂的特征提取过程。

图1 深度卷积网络

卷积网络在本质上是对Input数据到Output的映射，在此过程中神经网络通过前向传播、后向传播及梯度下降等方式，学习大量Input数据与Output之间的映射关系，用已知的模式对卷积神经网络加以训练，网络就具有输入数据和输出数据之间的映射能力。

从最早的LeNet5，到确立深度学习在计算机视觉的统治地位的AlexNet，以及后来发扬光大的VGG、GoogleNet、ResNets等模型，这些重大的技术突破都是基于深度卷积神经网络。CNNs及衍生出来的网络模型直接将图像数据作为输入，不仅无须人工对图像进行耗时耗力的特征抽取等复杂操作，而且以强大的特征提取能力，使得对图像的识别结果在某些方面甚至超过人类水平。

1.2 MEC边缘计算技术

随着物联网系统及工业智能制造的发展，边缘计算等相关技术也开始发挥出越来越重要作用。现阶段国家政策背景下，大量制造型企业对高质量发展的需求不断增加，对业务及时性和数据隐私等要求力度进一步升级，呈现出智能化、柔性化和精细化的发展趋势，因此边缘计算（MEC）技术得到了大量推进与应用。

在工业制造领域，边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端，是在设备及数据生产源侧，部署融合基础设施（算力、存储、网络）及智能应用能力的分布式架构体系，从而形成全新的业务模式，就近提供边缘算力及智能化的服务，满足制造型企业在对业务实时性、数据安全性、业务隐私性以及应用智能化等方面的关键性需求，从数据采集归集、知识模型化、管理柔性化以及端到端的产业协作等方面来推动制造行业的数字化发展。

边缘计算在制造业中的物理架构实现形式主要以边缘网关、边缘云为主，企业可根据自身需求选择相应的架构。边缘网关及边缘云基于云原生的云边协同架构，采用容器、虚拟化等基础设施管理技术，构建边缘数据采集分发集成平台/网关，主要实现边缘测的设备数据采集，人员、设备、物料、环境、业务管理等数据的统一接入、集中存储以及智能分析处理等功能。

此外，随着边缘计算在制造型企业中的广泛应用，云端计算与边缘计算的协同效应也在快速增强，云边协同成为制造业数字化改造的主要手段。这主要是由于一方面边缘计算在工业产线上作用巨大，可以实现业务数据本地处理及生产现场的实时控制反馈；另一方面，企业也需要云端平台的能力，聚焦于长周期、大数据的处理。

1.3 微服务容器化部署技术

随着微服务架构的出现，业界很多平台架构都从单体服务转变成微服务化，尤其是一些架构复杂，业务比较广泛的项目，微服务化是大势所趋，可以解决独立构建、更新、运维等一系列问题，从而解放生产力，促进交付效率和质量。容器化[3]技术也是微服务架构中不可或缺的关键技术之一。在工业场景下，由于各种条件限制导致本地环境和云上环境存在较大差异，通过云端直接部署到本地的应用需要各种修改配置和参数来做兼容，导致无法快速本地发布。面对此类问题，容器化部署是个很好的解决方案。

容器（container）是指隔离开的一系列进程，由镜像提供支持进程所需的全部文件。容器提供的镜像包含了应用的所有依赖项，因而在从开发到测试再到生产的整个过程中，它都具有可移植性和一致性。虚拟化使得多个操作系统可同时运行在单个系统上，而容器则可共享同一个操作系统的内核，将应用程序与系统其他部分隔离开，容器化的最大优势在于对于相同的硬件占用空间更小，可以比虚拟机运行更多的实例，如图2所示。

图2 虚拟化和容器

容器提供了一个打包和运行应用的隔离环境，其隔离和安全特性允许你在一个主机同时运行多个容器。容器化技术以其独特的优势，被广泛应用应用的自动化打包和发布、自动化测试和持续集成、发布以及构建PaaS平台环境。

采用容器化部署的优势有：

（1）轻量化，系统开销小：与KVM之类的虚拟化方案相比，能够更加快速和占用更少资源；

（2）安全隔离与高利用率：有较好的资源隔离限制能力，确保应用安全；容器服务与底层共享操作系统，资源利用率高；

（3）快速部署：无须重新启动操作系统，秒级实现开启/关闭；

（4）运行环境标准化：基于容器镜像实现环境一致性和标准化。

2 工业智能质检能力平台架构

工业智能质检能力平台总体架构如图3所示，总体分为应用前台、运营中台、数据后台和能力网关。应用前台主要面向工业领域客户提供具体的应用服务，主要包括企业生产流程中涉及安全生产、工业质检、日常巡检等各类场景的机器视觉智能算法应用服务，一定程度上实现通用场景能力的跨行业横向复制；运营中台负责平台的运营、运维管理，主要包括配置服务门户、日常监控管理、算法管理、调度管理等功能；数据后台负责客户数据接入、AI算法生产、模型发布、容器管理及模型适配等功能；能力网关主要负责平台AI检测能力的开放和边缘侧平台及工业网关设备的对接。平台核心的功能界面如图4和图5所示。

图3 工业智能质检能力平台总体架构

图4 平台门户首页

图5 算法生产管理

此外，为了实现工业场景下的快速发布与部署，平台可采用5G MEC[4]或边缘智能终端实现云边协同，5G MEC和工业网关用于提供边缘测的算力。通过云边协同实现工业视觉应用与5G网络紧密融合，利用5G高带宽、低时延、大连接的特性，便于快速赋能产线业务，同时也满足移动化智能应用场景需求。通过5G MEC能力，一方面可实现工业视觉平台AI能力的快速边缘化部署，为工业产线提供各种不同的产线AI质检能力；另一方面可实现产线推理结果的数据反馈，用于AI检测模型的优化提升，进一步形成线上与线下的正向循环[5，6]。

3 结 论

工业质检是每个制造型企业提升生产效率及产品质量必须关注的环节，尽管目前工业场景下很多质检环节受制于基础设施等条件，尚无法实现完全智能化、自动化，但随着算力芯片技术高速发展、智能算法的逐步优化以及基础网络设施的完善，智能质检是大势所趋，智能质检平台会有更大的普适性。最后，随着国家“十四五”规划对制造业技术智能化的要求以及中国制造2025战略的持续推进，必将推动整个工业智能化的整体进程高速发展。

参考文献：

[1] 李东.计算机视觉技术在工业领域中的应用 [J].电子技术与软件工程，2017（16）：147.

[2] 赵永强，饶元，董世鹏，等.深度学习目标检测方法综述 [J].中国图象图形学报，2020，25（4）：629-654.

[3] 彭勇，谢剑，童遥，等.一种基于Docker的数据中心云平台实现方法及系统 [J].中兴通讯技术，2017，23（2）：60-62.

[4] 孔令义.“5G+MEC”为智能制造赋能的部署应用 [J].电信科学，2019，35（10）：137-145

[5] 吕华章，张忠皓，李福昌，等.5G MEC边缘云组网研究与业务使能 [J].邮电设计技术，2019（8）：20-25.

[6] 李杰，李响，许元铭，等.工业人工智能及应用研究现状及展望 [J].自动化学报，2020，46（10）：2031-2044.

Research on Key Technology and Platform Architecture of AI Quality Inspection under Industrial Scene

ZHOU Hua, ZHENG Rong, XIAO Rong

(Shanghai Ideal Information Industry (Group) Co., Ltd., Shanghai 201315, China)

Abstract: This paper expounds the intelligent challenges faced by manufacturing enterprises in the period of industry 4.0. It takes the product quality inspection link as the pointcut, analyzes the key technologies of intelligent quality inspection scene in the industrial scene in detail, and proposes an intelligent quality inspection platform architecture based on cloud edge collaboration.The platform architecture combines the cloud algorithm training ability and MEC edge computing and reasoning ability. It can quickly realize the edge deployment of AI reasoning ability in the face of industrial quality inspection scene, and promote the wide application of industrial intelligent scenes.

Keywords: Computer Vision; Machine Learning; Deep Neural Network; industrial quality inspection; MEC; container

中图分类号：TP391.4

文献标识码：A

文章编号：2096-4706（2022）05-0149-04

DOI:10.19850/j.cnki.2096-4706.2022.05.039

收稿日期：2022-02-01

作者简介：周华（1979—），女，汉族，江苏无锡人，中级工程师，本科，研究方向：AI能力、工业智能化场景、大数据挖掘与分析；郑荣（1981—），男，汉族，江苏无锡人，高级工程师，硕士，研究方向：AI能力、工业智能化场景、大数据挖掘与分析；肖荣（1975—），男，畲族，江西赣州人，教授级工程师，博士，研究方向：AI能力、工业智能化场景、大数据挖掘与分析。