日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

★ 上海道客網絡科技有限公司

 1　目標和概述 

近年來，國家提出“中國制造2025計劃”，期望中國的制造業能從低端制造往高端制造與智能化生產發展，因此各企業爭相利用高科技手段來提升產品質量， 改進產品研發與制造。部分企業嘗試利用IoT+AI技術 來解決生產過程中的質量問題，但目前智能質量缺陷檢 測手段往往存在以下問題：

 （1）為了提高AI檢測缺陷的準確率，需要不斷人 工介入提取并標記缺陷特征，而人工審片存在誤檢、漏 檢等問題，且人工處理效率低下，增加了企業人力資源 成本，限制了生產效率及質量提升。 

（2）產品檢測基于IoT技術，數據需要傳送到云 端進行推理分析，對網絡時延要求高，工廠現場容易受 到網絡影響，從而導致識別延時較高。 

（3）產線檢測設備雖然已經連接了網絡，但更新 模型所需的運維工作量巨大，并且存在現場維護成本較 高、遠程維護網絡限制等問題，無法快速更新訓練模 型，提升檢測效率。 

企業亟需一套更為優越的智能缺陷檢測平臺解決方案，滿足以下目標： 

（1）先進性：采用先進的架構設計與成熟的開發 框架，支撐企業未來整體架構優化和升級。 

（2）靈活性：部署靈活，不強依賴底層硬件環 境，實現異構設備的兼容及復用，幫助企業有效控制成 本。 

（3）開放性：通過標準化的開發與設計以及完備 的安全體系，將企業生產數據作為數字資源進行沉淀并 復用，加速企業數字化轉型。 

（4）實用性：貼合實際應用場景，幫助企業有效 降低人工成本，提高生產效率 。 

道客基于工業互聯網標準層次架構，以人工智能 與邊緣計算技術結合為基礎，研發一套面向工業互聯網 智能工廠質量智能分析的云邊協同智能缺陷檢測平臺， 實現質量缺陷檢測模型一站式開發與運用、提升工作效 率、加速企業智能化數字工廠場景落地，促進智能邊緣 處理技術成果轉化和產品研發與推廣。

 業務流程如圖1所示。 

 圖1 業務流程圖 

 該方案對比其他以往傳統的智能缺陷檢測系統有三 大改進特點： 

（1）基于云原生的邊緣計算資源管理技術。 

（2）基于云邊協同的模型訓練及推理的全生命周期 管理技術。 

（3）基于云原生的容器化部署及生產力管理技術。 

2　方案介紹 

2.1　系統架構 

 此云邊協同智能缺陷檢測平臺的系統架構如圖2所示。

 圖2 系統架構圖 

以下各軟硬件子系統基于云邊協同，共同完成智能缺陷檢測的業務流程： 

（1）終端設備：采集工廠生產數據（圖片、視 頻、時序數據）。 

（2）邊緣節點：

 · 承擔邊緣算力進行AI推理。通過云邊協同能力，實現邊端數據上傳給云端。

 · 通過邊緣管理平臺自動化運維能力，實現將模型以容器化方式自動更新到邊緣端，完成AI推理能力的更新。

 （3）AI PaaS平臺：迭代訓練，提高推理模型的識別精度和準確度。 

 （4）業務云平臺：實現缺陷檢測分析的服務化能力。

 2.2　云邊協同平臺功能架構 

云邊協同平臺的具體功能架構如圖3所示。

 圖3 功能架構圖 

該云邊協同平臺主要功能包括： 

（1）邊緣節點統一管理：支持批量接入海量的 邊緣節點，兼容X86、ARM32、ARM64等芯片異構硬 件；相同類型的節點通過預安裝證書和配置文件，開機 聯網后即可完成節點的納管，提高節點管理效率并降低 運維成本。 

（2）應用全生命周期管理：支持云端以鏡像的方 式將模型、應用下發到邊緣節點；聲明式API配置規則 策略，自動化批量部署應用到邊緣節點；云端統一對應 用進行全生命周期管理、監控和運維。 

（3）邊緣設備管理：支持MQTT、Modbus協議 的設備接入；支持通過孿生屬性對設備進行控制；并可 以監控設備運行狀態。 

（4）邊緣自治：當應用實例出現異常或節點故障 時，能夠快速將應用實例調度到節點組中其它可用的節 點上運行；即使在節點處于離線狀態時仍然能夠自動調 度，確保應用的自主運行，保障業務的持續性；云邊重 連后，支持邊緣側數據斷點續傳，減輕網絡傳輸壓力。 

（5）邊緣智能管理：通過云端AI PaaS平臺進行 迭代訓練，提高推理模型的識別精度和準確度；通過邊 端算力進行AI推理，減少對云邊網絡依賴及云端資源占 用。支持云端監控模型驗證情況，通知用戶進行模型下 發部署、增量更新，減少運維工作量。 

（6）數據協同管理：邊緣端采集的工廠設備數據可通過云邊數據通道，自動同步至云端；邊端數據經過數 據路由組件處理后，可轉發到云端或第三方應用，實現 邊端數據共享與開放，實現對各業務場景的決策支撐。

 2.3　技術設計方案 

（1）數據采集（模塊技術設計如圖4所示）

 · 通過定制化設備Mapper，實現端設備與邊緣節 點的控制/數據平面打通。

 · 通過邊緣消息組件實現設備與設備、設備與應用 的邊-端的控制/數據協同。 

 圖4 數據采集設計圖 

（2）數據協同（模塊技術設計如圖5所示）

 · 通過云邊數據通道，實現云-邊數據協同，將邊端產生的實時數據自動同步云端。

 · 通過數據路由組件，對邊端數據在云端共享與開放，實現對各個云端業務場景的決策支撐。

圖5 數據協同設計圖 

（3）模型協同（模塊技術設計如圖6所示）

 · 對邊端采集的圖片數據實時分析，通過難例算法 評估出需回傳云端數據，減少云端模型標注/訓練的工 作量。

 · 通過云端AI任務協調管理，觸發云端訓練任務， 并監控模型驗證情況，通知用戶進行模型的部署管理， 實現模型增量更新，減少人工運維工作量。

  圖6 模型協同設計圖

（4）模型部署（模塊技術設計如圖5所示）

 · 通過DevOps實現無基礎設施相關性的AI模型部署；

 · 通過建立云邊消息通道實現邊緣模型的部署控制；

 · 通過建立云邊數據通道實現模型的下載及增量更新。  

圖7 模型部署設計圖 

（5）數據安全

 · 支持云邊雙向TLS加密通信，實現數據加密傳 輸；

 · 支持多租戶管理，實現租戶間數據隔離；

 · 提供審計日志，保障用戶操作可追溯。

 3　代表性及推廣價值 

幫助電力行業某大型企業搭建了一套服務于集團內 部的云邊協同智能缺陷檢測平臺，協助企業采集各產線 的生產數據，通過云邊協同技術提升AI模型的精度與準 確度，沉淀出各類高技術含量的數字資產，并向云端其 他應用開放共享，幫助企業提高整體生產效率及生產質 量，實現降本增效。

 3.1　企業收益 

（1）通過邊緣AI推理，提高評片效率與準確率， 降低企業成本。 

（2）極大地減少人工介入，自動審片效率成倍提 高。 

（3）根據數據的難例分析，實現模型的云邊協同 訓練，使得模型不斷迭代更新，提高識別精度。 

（4）平臺與其他系統互聯互通，實現數據同享、 信息互通，可以根據結論報告進行溯源，實現檢測閉環。

 3.2　創新性 

（1）基于云原生實現模型DevOps管理：基于云 原生技術支撐模型的標注、訓練、構建、部署全生命周 期流程，提高模型開發效率。

（2）基于云邊協同調度實現模型的自動化AI增量 學習：通過云邊協同框架實現數據自動化上傳，從而實 現模型的自動化增量訓練學習，減少AI模型開發工作 量。 

（3）通過邊緣應用容器化改造降低AI運行環境運 維難度：在邊緣端使用容器封裝技術，將AI模型依賴運 行時庫封裝到獨立環境中，減少每次模型更新部署的運 維難度。 

（4）通過邊緣容器管理引擎實現邊端應用的高可 用：使用邊緣資源管理引擎，實現邊緣應用高可用及離 線自治能力，從而減少邊端業務故障發生概率。

 3.3　方案價值 

（1）推動技術或商業模式創新 

依托云原生技術體系，將企業數字化基礎設施下沉 至生產活動現場，圍繞邊緣節點自治、應用&模型一體 化管理以及生產活動數據對接三個核心維度，加強云邊-端的聯系，消除技術棧的不一致性。

 （2）賦能產業高質量發展 

在工業視覺、工業AI檢測等業務場景中，能夠為 這些客戶提供與云端技術棧保持一致的邊緣數字化基礎 設施，提高云邊協同的效率，并且降低運維管理成本。 將數據處理、業務應用、AI模型等下沉到邊緣端執行， 解決物聯網落地時響應實時性、數據隱私性、維護便利 性等問題，從而滿足行業數字化在敏捷聯接、實時業 務、數據優化、應用智能、安全與隱私保護等方面的關 鍵需求。

摘自《自動化博覽》2023年第2期暨《邊緣計算2023專輯》