1. 引言：工业机器视觉与边缘计算的融合

随着工业数字化转型与智能化升级的不断深入，以及智能制造的全面推进，市场对工业机器视觉的需求呈现出显著增长，该领域已逐步发展成为一个成熟的规模化产业。机器视觉的核心在于借助计算机模拟人类的视觉功能，即从客观事物的图像中提取、处理并理解信息，最终应用于实际的检测、测量与控制环节。机器视觉具备高度自动化、高效率、高精度以及适应复杂恶劣环境等突出优势，将在我国工业自动化的实现过程中扮演至关重要的角色。

在工业应用场景中，机器视觉对计算的高效性有着极为严格的要求。若将所有数据传输至云端进行计算，往往难以满足高效实时的处理需求。同时，工业现场存在大量异构的总线连接，设备间的通信标准不统一，增加了系统集成的复杂性。因此，将计算资源部署在工业现场附近——边缘计算成为了关键技术节点，发挥着不可或缺的作用。目前，工业机器视觉在智能制造中的应用主要集中于四个方面：识别、检测、定位和测量。

传统机器学习算法依赖于人工输入的特征提取代码来训练模型，而深度学习算法则通过现代技术自动提取特征。深度学习在视觉图像分类、语义分割、目标检测、显著性检测等任务上取得了极高的准确性，甚至在某些方面超越了人类的认知水平。引入深度学习后，人工调试的工作量大大减少，因为它能有效解决视觉图像轮廓影像检测等复杂问题。尽管深度学习尚无法保证100%的可靠性，但通过持续的技术优化，已经能够实现相当高的可靠性。

2. 边缘计算在工业制造中的应用

近年来，随着大数据、云计算和人工智能技术的快速发展，互联网产业正经历着深刻变革。大数据时代每天产生的数据量极为庞大，而物联网环境因地理位置分散，对响应时间和数据安全性提出了更高要求。目前，云计算为大数据处理提供了强大的平台支持，但网络速度的提升远远赶不上数据增长的速度，网络带宽瓶颈需要硬件层面的跨时代突破才能解决。在云计算难以满足边缘端实时性和带宽需求的背景下，边缘计算应运而生，成为解决这一问题的关键方案。

边缘计算是指在互联网边缘侧提供计算和存储资源，并可以选择性接入互联网。这个网络边缘在地理位置和网络拓扑上都更接近终端用户。边缘计算能在数据源附近完成处理，从而有效保护数据安全性，同时显著提高响应实时性。通过将复杂的算法模型从云端下沉到边缘节点，边缘计算可以对生产现场数据进行实时分析和反馈控制，即使在没有网络连接的情况下也能独立处理数据。终端设备无需将所有收集到的数据传输到网络边缘，而是在本地或更靠近数据源的地方完成处理，这有助于避免严重的“最后一公里”延迟问题。对于需要快速决策的工业终端，本地处理数据能让它们做出更快的响应。此外，通过本地分析，可以只将相关数据发送回云服务器，从而减轻网络负载。云平台则负责实现海量工业数据的统一集成管理，提供信息模型、数据治理机制、数据共享、数据标识以及数据可视化等全流程操作与服务。

图1 边缘计算架构图

边缘计算架构解析（如图1所示）：

• 在云端定义基础数据模型，并将模型下发至各边缘服务器。
• 边缘服务器通过业务接口将数据模型下发至工业视觉终端。
• 终端收到数据模型后，根据模型对采集的本地图像数据进行识别、检测和测量，获取信息特征，并将特征值及加工后的数据上传至边缘服务器。
• 边缘服务器对所管理的工业视觉终端数据进行汇总，再将加工后的数据及信息发送至云端服务平台。
• 云端服务平台通过对数据进行提纯，包括移动终端相关的硬件信息、状态信息、软件信息、关联的用户信息以及生产数据等，将流程问题抽象成领域模型问题，再将领域模型抽象成数据模型。

2.1 在电子制造行业中的应用

工业视觉识别系统在电子制造行业中应用广泛。电子制造生产线多样，工艺复杂，工业视觉主要应用于3C电子检测、显示屏检测与线路板检测，形成从部件模组到整机的闭环检测体系。其中，3C电子检测的复杂度更高。通过预先在边缘端部署训练好的缺陷识别模型，在流水线上利用机器视觉进行缺陷检测，可以实时计算并匹配出贴装过程中产生的元器件装反、漏装、装错、位置不准确等常见问题。

图2 PCB板缺陷类型

2.2 在钢铁工业中的应用

工业视觉识别系统在钢铁工业中的应用同样至关重要，例如钢筋数量统计（计数）是钢材生产中的重要环节。钢筋经过打捆后，现场的计数工人通常使用不同颜色的彩笔多次标记，以区分已计数和未计数的钢筋。长时间高强度的工作容易导致视觉和大脑疲劳，计数误差因此大大增加。人工计数已无法满足钢筋生产厂家自动化生产的需求。因此，研发基于机器视觉的钢筋数量统计（计数）多目标检测方法显得十分迫切，这对于减轻工人劳动强度、提高计数效率和准确性具有重要作用。具体实现中，将工业视觉系统固定在生产线上，当信号触发时拍摄图像并直接输出到边缘端，控制器进行识别计算后直接输出钢筋数量结果。