1 范围
本文件主要规定了基于边缘计算的机器视觉的典型应用场景与业务需求，包括机器视觉典型应用场景梳理、各类业务对于技术能力的要求、规范性描述等。
止痒水本文件适用于基于边缘计算的机器视觉的应用场景和业务需求梳理，明确了不同场景下各类业务对于网络、计算、存储等方面的需求，为行业市场发展提供参考。
2 术语和定义
下列术语和定义适用于本文件。
工业视觉industrial Vision
满足工业智能化发展需求，是用于自动检验、工件加工和装配自动化以及生产过程的控制和监视的图像识别应用。
机器视觉machine vision
边缘计算edge computing
在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。
3 缩略语
下列缩略语适用于本文件。
AGV Automated Guided Vehicle自动导引运输车
AI Artificial Intelligence人工智能
DPM Direct Part Mark标签与元件标记
MES Manufacturing Execution System工厂制造执行系统
OCR Optical Character Recognition光学字符识别
OCV Optical Character Verification光学字符验证
USB Universal Serial Bus通用串行总线
4 典型应用场景分类
典型应用场景概述
边缘计算是一种将主要处理和数据存储放在网络的边缘节点的分布式计算形式。随着各行业数字化、智能化的持续发展，各行业纷纷意识到边缘计算在提高机器视觉应用的用户实时性体验，提供差异性服务以及分担云计算负荷等多个方面具备先天优势。
本文件提到的边缘计算是指可与云端协同的边缘计算场景，本文件定义的基于边缘计算的机器视觉，其最大特点就是可以与云端协同，从而提高机器视觉的灵活性，能够使整体计算效能达到最大化，且部署更加方便。基于边缘计算的机器视觉，与普通机器视觉主要有几个差异点：
a)云侧与边缘机器视觉设备可进行算法、应用、资源等多方面的协同，边缘机器视觉设备与算法
及应用松耦合，可按需实现多场景应用，可定制性较高；
b)通过边云协同训练可实现机器视觉算法模型准确度迭代提高，边缘侧支持自动部署执行，随着
技术的进步，机器视觉应用可更替、可演进；
c)基于边缘计算的机器视觉应用可脱离云平台自主运行，即发生现场设备与视觉云平台断网情
况后不影响其视觉业务，网络恢复后该节点状态、缓存数据可自动上传到云中心，并接受云中心的管理调度。网络课堂系统
机器视觉在边缘侧的典型场景如图1所示。机器视觉在边缘侧的部署已经被广泛应用到多个行业场景，本文件选取工业、交通、安防、医疗典型应用场景，以业务为核心，分行业梳理场景及对应的业务需求。
图1 机器视觉在边缘侧的典型场景概览
工业领域
本文件工业视觉主要聚焦于工业生产领域，其应用可分为提高工业生产效率及保障工业生产安全两大类。提高工业生产效率主要聚焦于装配定位、产品质量检测、产品识别、产品尺寸测量等方面；保障工业生产安全主要是对人员、环境、设备的监测，人员、环境的监控更多的与安防相关，因此工业视觉在工业安全生产方向主要聚焦于机器设备生产过程的监视及控制。
交通领域
本文件交通领域主要实现路口机动车、非机动车、人等全量数据采集分析及存储，支持将元数据（车牌、车辆属性、是否违法等）汇聚到微边缘设备进行业务指标汇聚分析，并最终经过多个边缘设备分析后汇聚到智慧交通治理中心平台。场景上主要聚焦在交通参与者识别与定位、静态道路环境识别、驾驶行为分析、辅助驾驶、交通管控等方面。
安防领域
安防即安全防护，做好准备和保护以应付攻击或者避免受害，从而使被保护对象处于没有危险、不受侵害、不出现事故的安全状态。现阶段，实时高清视频监控是机器视觉在安防领域的重要实现手段。
本文件中基于边缘计算的智能视频监控可分为损失性预防、破坏性预防两大类。损失性预防主要聚焦在自然属性或准自然属性的安全破坏，主要是没有人为目的参与而造成的，例如意外起火。破坏性预防主要聚焦在社会人文性破坏，主要是由于人的有目的参与而造成的，例如人为犯罪纵火。
医疗领域
机器视觉在医疗领域的应用已经从传统的药品包装、药瓶、标签等视觉检测到目前对生物芯片的检测，放射科的X放射等，通过引入机器视觉系统，完成对图像信息的采集、存储、管理、处理及传输等功能。典型场景：医学影像分析。
医学影像可作为一种医疗辅助手段用于诊断和，诊断主要包括透视、放射线片、CT、MRI、超声、数字减影、血管造影等。
5 工业领域生产效率型机器视觉应用场景和业务需求
产品识别与检测
5.1.1 场景描述
产品识别与检测是工业视觉应用最广的场景之一，用来识别、检测产品及产品标签的各种特征信息与缺陷。典型场景如下：
a)产品缺陷识别：在现代工业自动化生产中，连续大批量生产中每个制程都有一定的次品率，单
独看虽然比率很小，但相乘后却成为企业提高良品率的瓶颈。同时，经过完整制程后再剔除次品成本会高很多，因此及时检测及次品剔除对质量控制和成本控制非常重要。利用传感器（如工业相机、X光等）可将工业产品内外部的瑕疵、缺陷、尺寸等外观进行成像，通过机器学习技术可对这些产品图片进行检测识别，确定瑕疵的种类、位置，甚至对这些不良产生的原因进行分析。这些广泛应用于机械加工的自动化检测、制药行业的药丸检测、电子元器件等的生产
检测、轴承检测、表面检测、产品正反检测等众多领域。图像外检技术还可以运用到一些危险环境和人工视觉难以满足要求的场合。
b)字符读取识别：如OCR（光学字符识别）/OCV（光学字符验证），及条码的读取，如DPM（标签
铝合金切削液配方与元件标记）等。通过工业相机、工业镜头拍摄文字图像，运用机器视觉软件进行相应处理以获取信息，广泛应用于检测条码/字符印刷缺陷及完整度、检测条码/字符的对错及是否漏印、检测物体的方向是否正确，静态或动态检测并输出相应控制信号。
5.1.2 业务需求
产品识别与检测的业务需求包括：
a)相机/计算智能自定义。一是相机宜支持智能化定义，即可按需定义运行识别程序，并支持应
用进行云边协同更新。二是相机可对接边缘计算模块，该模块可按需完成识别处理功能，同样
需支持算法在线优化更新。相机应支持GigE、USB等一种或多种数据传输接口。这两种均需支持与数据执行系统对接；
b)工业相机宜支持有线/无线数据传输，可按不同场景所需测量精度来确定图像大小、质量，以
及相机与边缘计算处理单元的对接方式。如一些高精度的测量，时延要求苛刻且不能有图像质量损失需支持有线直连到边缘计算模块进行高速处理；
c)云端需支持产品识别检测算法的AI训练并生成识别模型，该类模型支持在云端或边缘侧运行，
对工业相机拍摄的具有复杂纹理及背景干扰的产品图像进行多角度精确检测，并按需实时反
馈结果，宜支持云边协同实现图像数据模型高效快速迭代闭环，不断提升检测模型的准确率。
装配定位/引导
5.2.1 场景描述
定位/引导是使用工业视觉确定目标的位置和方向。工业视觉系统可以定位目标的位置和方向，并可将目标与规定的公差进行比较，确认目标处于正确的位置，并验证目标装配、抓取、放置等动作是否正确，典型场景如下：
a)机械手精准校正：实现视觉系统与机械手位置系统的统一及稳定运用，配备高精度校正功能，
液压静力压桩机
借助自动校正功能节省时间并提高精度，实现无需依赖主观感觉的稳定校正，广泛应用于码垛、堆叠对位等场景；
b)运料机器人：通过将工业视觉系统与机器人结合，基于实时监测的数据反馈，实现机器人的导
航、导引、路径选择、车辆驱动、装卸操作等，完成入库、存储、拣选、搬运、上料、下料等一系列自动化运作。减少物流流程周期、减少物流消耗、减少人工成本、提高搬运系统效率，提升企业仓储体系的智能化；
c)AGV视觉导航：目前的AGV视觉导航主要采用磁导、二维码、激光等方式，磁导和二维码需要
预先布置场景，灵活性较差，激光导航灵活性较强，但成本较高。直接采用视觉计算导航，灵活性高，成本可低于激光，但技术难度加高，数据计算量大；
d)生产车间组装：机器人在机器视觉技术的作用下，可以精确地按照视觉技术使机械手臂拥有3D
视觉能力，靠视觉导引、定位，成为夹取物件的要件。除了视觉定位，手眼力协调机器人的关键技术还有矩阵的感测器，可以协助机器人知道抓取的位置与力量大小；
e)电子焊接制造：在焊线技术中，因为芯片维度的缩小，高质量的成像镜头系统及高可靠、高精
准度的视觉定位算法可帮助解决芯片焊接过程中的诸多问题。
5.2.2 业务需求
装配定位/引导的业务需求包括：
a)边缘图像处理。相机/摄像头通过GigE、USB等高速数据接口或5G、WIFI等高速网络与边缘计算
单元对接。边缘计算单元按照业务需求完成图像预处理及识别，并输出结果到执行系统；
b)云边协同图像处理。对于计算量较高的工业视觉应用，在满足时延要求的基础上，工业视觉系
统应支持本地与云端协同对图像运算处理，比如AGV视觉导航等应用。工业视觉系统应能按需返回计算结果到执行系统，边缘侧可按需对图像进行压缩或其他处理后上传信息到云端，帮助算法在线优化更新。
生产效率型工业视觉应用共性需求
生产效率型工业视觉应用共性需求包括：
a)边缘计算单元部署：用于机器视觉处理的边缘计算单元可部署于产线与相机通过有线/无线连
接，也可以部署于更高的位置比如车间机架、工厂机房，与相机通过无线进行连接，按照工厂、
产线对机器视觉处理时延要求来确定位置及部署方式；
b)时延要求：提高生产效率型的工业视觉应用，对图像处理及传输反馈的时延都有一定的要求，
需根据各个业务应用特点及该产线业务流程整体时序要求，来确定机器视觉业务时延；
c)管理要求：相机、摄像头及边缘计算模块应支持远程管理，终端算法应能够远程部署，建议支
滤纸片法
持与云端协同；
d)网络要求：工厂整体向着柔性化的方向发展，工业视觉系统宜尽量减少布线，使用大容量高带
宽的无线系统来承载，对带宽的要求主要是上行。工业视觉对网络传输有极高的可靠性要求，与场景及图像质量要求相关；
e)系统对接要求：工业视觉系统需要能够与工厂生产系统灵活对接，比如与MES系统对接，并根
据系统要求自动调用相应算法进行视觉处理；
f)设备要求：相机、边缘计算模块、通信模块等设备需要能够在可能的高温、高湿、粉尘、噪音
等复杂的工业生产环境中稳定运行。
6 工业领域安全生产型机器视觉应用场景和业务需求
仪表盘分析
6.1.1 场景描述
厂区里很多老的设备没有报警回传功能，对于远程监测现场故障多有不利。利用摄像头实时监测各种仪表盘指针读数，确定各项指标是否合格，如：液化气罐异常指示器报警、厂区粉尘浓度监测等，能够有效的及时发现异常情况，防止安全事故的发生。
6.1.2 业务需求
利用智能摄像机和边缘计算模块即可完成仪表盘检测，需要不受室内外光线影响，按需准确识别仪表
读数、指示灯情况，并与预定义的阈值比较，输出结果，识别准确率应满足工厂指标。
设备运行动态检测
6.2.1 场景描述
工业生产中各种设备运行情况需要实时监测，一方面避免设备停机造成的生产损失，另方面在一些高危行业中，一些设备的故障可能会引起人员伤亡。通过图像监测的方式，可以不接触设备来分析其运行状况，在一些未带安全监测预报警的设备运行中，能及时发现问题，并在故障前发出报警，从而预防生产停工、设备破坏和人员伤亡，为企业减少损失。
在一些工业生产中，设备故障的发生是渐进的，可以从设备外观体现出来。比如输送系统中皮带撕裂，发生的过程较长，且可能有各种迹象，比如划伤、裂痕、异物、钢丝绳芯突出、严重跑偏等等，类似这些设备渐进发生故障的场景可以通过图像分析的方式来检测识别，及时发现隐患；即使皮带已经开始撕裂也能够通过图像分析及时发现，从而停止运行，避免发生安全事故。
6.2.2 业务需求
设备运行动态检测的业务需求包括：
a)能够准确判断故障发生的真实性，不受光线、污痕等干扰因素的影响，准确率应在90%以上；
b)智能分析服务需要秒级检测故障发生并反馈。
工序控制检测
6.3.1 场景描述
工序控制是生产过程中管理的重要任务之一，工序控制可以确保生产过程处于稳定状态，预防次品的发生。在生产流水线，对于机器臂的标准动作进行监控，通过图像对比分析，一旦动作发生偏移则通知相关责任人，进而能提升产品质量，避免设备故障，减低事故发生隐患。
6.3.2 业务需求
工序控制检测的业务需求包括：
a)通过专用的摄像机+边缘计算模块完成对特定工位的操作工人的操作工序的正确性做出判断，
对流水线生产设备进行实时监控，与标准动作进行比较分析，自动识别出工序的顺序是否正确，是否有漏掉的工序等，检测到不符合标准动作要求需秒级反馈；
可控硅调压电路b)不受室内外光线等干扰因素的影响，能够准确判断设备故障发生的真实性，准确率应在90%以
上。
工厂参与人违禁行为分析
6.4.1 场景描述
在一些智能化的工厂中，基于严格的生产要求和保密性需求，通常会禁止员工在厂区内抽烟、打电话和拍照等。为了防止此类行为的出现，传统的方式是由安保人员定时巡逻或者观看监控视频，对违禁行文做出处罚。这种方式不足之处在于效率低、无法做到24小时无间断的监控，因此仍然会导致此类禁止行为的发生。
6.4.2 业务需求
通过监控摄像机+边缘计算模块即可完成厂区内的所有参与人的行为分析，自动识别抽烟、打电话和拍照等违禁行为，同时可以实现24小时无间断的厂区监控，准确率应在90%以上。
安全生产型工业视觉应用共用需求
安全生产型工业视觉应用共用需求包括：
a)安全生产型工业视觉应用主要对可能发生的危险情况进行识别提醒，很少涉及机器的精密控
制及移动的场景，对时延要求并不高，一般要求秒级响应。业务计算可以根据厂区内网络条件、计算节点部署位置及计算资源利用率等因素，放在离产线最近的边侧或工厂机房等位置更高
些的边缘侧；
b)各场景中对于视频分析的准确度、误报率、漏报率等指标，宜按各企业安全防控的需求来满足，
按需投入资源来提升算法的精度。一些复杂场景需要AI分析，边缘侧计算要求较高，且需要云端训练，可以考虑使用公有云进行训练，降低识别成本。
7 交通领域机器视觉应用场景和业务需求
交通参与者识别和定位
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议