云，雾，边缘，以及它们对机器视觉的意义

图片来源Winsystems.com

机器视觉传统上处于工业网络的边缘。一般来说，这意味着机器视觉解决方案是独立运行的。它们可以从工厂网络接收数据来完成任务，并与网络或下游设备共享结果，但除此之外，这些系统是独立的。即使工厂网络消失了，他们也能完成工作。

当然，云指的是数据的远程存储或处理(例如，服务器场)。它需要高带宽和安全的数据管道来从云的边缘传输数据，反之亦然。

正如你所料，雾位于边缘和云之间。有时被称为混合解决方案，雾通常是指位于制造工厂内部的DIY“云”服务器群，提供集中处理和存储来自机器视觉系统和其他生产数据的图像的机会。

但雾也可以指制造商在尝试采用机器视觉时所面临的不确定性——他们并不完全了解这种技术;云计算、深度学习(DL)和人工智能等技术的炒作，进一步混淆了公众对该技术的认识。188金宝搏下载界面的利弊说明保存数据接近,和发送它作为云集成的一部分,本文希望能拨开云雾,围绕当今最热的制造技术,给机器视觉客户选择最好的愿景的坚实基础和数据存储解决方案。

通向云端的三条路

机器愿景长期以来一直是云技术的支持者，特别是当制造产品对公众（例如食品和药物）构成危险时或代表大量投资（例如，电子和航空航天组分）。在这些情况下，制造商定期使用自动检查来提高产品质量，并在召回或其他一些责任问题中提供视觉记录。存储云中的数据为公司提供了一种简单的方法来保护自己，而无需额外的IT人员以及硬件和软件支出。

如今，云计算和机器视觉之间的关系并不那么清晰。随着DL的出现，计算密集型分析是在云中执行的，而不是在网络的边缘，云讨论已经转向云可以做什么，而不仅仅是它可以存储什么。所以今天，当机器视觉设计师问他们在过去10年里一直问自己的问题时，人们对正确答案更感兴趣。简而言之，主要的问题仍然是:连接它的网络是否能够实时传输数据，以及云是否足够安全，能够保护我的业务数据，从而保护我的业务?

就在五年前，这个问题的答案是肯定的“不”。如今，答案是“视情况而定”。虽然这个答案仍然不能让工程师和高管满意，但它确实描述了几个重要的机遇。

“基本上，有三种原因是公司来到我们要求将云技术与分布式视觉系统集成的原因，”系统集成商天系统的首席执行官安迪龙表示。“第一个是因为检查在远程网站上发生，这已经提出了安全风险，因此集中数据收集和处理可以帮助消除将人们发送到远程位置以维护系统的需要。第二个原因是将云作为改善模型和算法性能的工作空间;这是深度学习所在的地方。第三个原因是一般来说云集成。通过收集云中的数据而不是专用的SCADA系统，云成为定位监督和控制功能的有用场所。“

虽然将云引入工厂会带来新的安全风险，但它也提供了更好的方法来监控和响应安全威胁。嵌入式系统集成商Prolucid的首席执行官Darcy Bachert解释说:“安全一直是一个问题，特别是在一个受监管的行业。Prolucid经常出现如何部署具有高可用性和易于管理界面的安全云解决方案的问题，因此Bachert的团队开发了devicestream™，这是一个打包的云解决方案，解决了这些问题。“拥有一个云系统并不意味着它是可扩展的。这并不意味着它是多余的。仍然是硬件和计算机会出现故障。我们看到很多自己动手的应用程序，人们忽略了关键因素，只是把应用程序放在服务器上，这并没有真正使用云计算可以提供的真正原则，”Bachert说。

大应用？大福利

对于大多数离散机器视觉应用来说，云计算的好处是处理成本更低;集中监控、维护和安全;冗余和可伸缩性——几乎没有带来任何好处。大多数机器视觉解决方案的计算负载可以很容易地由今天的PC技术处理，图像可以在本地或工厂的远程服务器上存档。

机器视觉集成商Integro Technologies的首席视觉系统架构师David Dechow说:“如今，本地服务器群肯定比云更适合存档图像。”“我并不是说它会一直保持这种状态，但今天就是这样。主要原因是安全。虽然现在每个人都想要远程技术支持，但我们的客户更喜欢使用随需应变的支持访问，而不是到云的开放过程连接。然而，随着我们的客户对工业4.0的了解越来越多，他们逐渐认识到机器视觉是一种能够生成有价值数据的工具，这些数据不应该只是被收集起来，而应该被用来改进流程。”

DL是机器愿景在工业4.0中作用的海报儿童，这是通过自动数据挖掘和分析的机器通信和改进过程的前提。与传统的机器视觉不同，分析基于数学定义的特征和图像数据的图像，DL学习良好或不良部分是基于大图像集的统计分析。专家程序或技术人员通过将每个图像标记为好或坏，找到缺陷来创建培训图像集。使用统计分析，DL软件程序可以像人们学习一样学习 - “俯瞰专家的肩膀”。以这种方式，基于训练图像集的统计分析，DL程序构建了良好和坏部件的加权模型。

“这是一个黑匣子，人们仍然对黑盒解决方案并不总是舒服，”浅谈。

然而，DL应用程序的最大好处是，通过评估经过更专业训练的图像，系统总是可以在它的工作上做得更好。通过将存档的图像存储在云中，DL系统设计师可以通过向软件输入更多的图像来调整DL模型——例如，图像是专门为适应新发现的缺陷而选择的，或者根据制造商的需要将错误的拒绝按下或按上推。

“作为我们正在努力的应用程序的一部分，通过消除或减少废物减少1％的错误拒绝为公司增加了超过200,000美元，”Pallucid的Bachert解释说。“所以它可能是非常重要的和非常有价值的问题，以及我们可以获得额外优化的唯一方法是通过拥有更大的数据集，我们可以进行调整。那就是云，从存储的角度和计算的角度来看，可能会变得非常有价值。“

考虑到大多数云提供商允许客户端免费将数据传输到云，但带宽充电以从云中提取数据，移动“到云”将永远不会成为最终目标。效率是最终目标。以及有关产品和利润率的公司，可以持续提高效率和质量，机器视觉和云的组合为今天提供了竞争优势和当公司找到新的方法来将其生产数据中的新方法找到新的方法。