云，雾，边缘以及它们对机器视觉的意思

图片来源Winsystems.com

机器愿景传统上位于工业网络的边缘。通常，这意味着机器视觉解决方案独立运行。它们可以从工厂网络接收数据，以完成任务并与网络或下游设备共享结果，但其他系统独立。即使工厂网络消失，他们也可以做到他们的工作。

当然，云指的是远程存储或处理数据（例如，服务器场）。它需要高带宽和安全数据流水线，以从云边缘传输数据，反之亦然。

如你所料，雾位于边缘和云之间。雾霾有时被称为混合解决方案，通常指的是位于制造工厂内的DIY“云”服务器场，它提供了集中处理和存储机器视觉系统图像以及其他生产数据的机会。

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——一种他们并不完全了解的技术;云计算、深度学习(DL)和人工智能等技术的大肆宣传进一步模糊了公众的意识。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。

三条路径到云端

机器视觉长期以来一直是云技术的支持者，特别是当制造的产品对公众构成威胁(如食品和药品)或代表重大投资(如电子和航空航天部件)时。在这些情况下，制造商定期使用自动检测来提高产品质量，并在发生召回或其他责任问题时提供可视记录。将数据存储在云中，为公司提供了一种简单的保护自己的方法，而无需额外的IT人员以及硬件和软件支出。

如今，云和机器视觉之间的关系不太清晰。随着DL的出现，在云中执行计算密集分析而不是在网络的边缘，云讨论转向云可以做的事情，而不仅仅是它可以存储的东西。所以今天，当机器视觉设计师问他们在过去10年中提出同样的问题时，他们对正确答案有很多兴趣。简而言之，初级问题仍然存在：网络是将其连接到能够实时数据传输的边缘的网络，并且是云安全，无法保护我的业务数据，因此，我的业务通常？

就在五年前，这个问题的答案是一个坚实的“不”。今天，答案是“这取决于”。虽然答案对工程师和高管仍然不满意，但它确实描述了几个重要的机会。

系统集成商Cyth systems的首席执行官Andy Long表示:“基本上，有三个原因促使企业来找我们，要求将云技术与分布式视觉系统集成。“首先，因为检查是在远程站点进行的，这已经构成了安全风险，所以集中数据收集和处理可以帮助消除派遣人员到远程位置维护系统的需要。第二个原因是将云作为改进模型和算法性能的工作区;这就是深度学习的所在。第三个原因是云集成。通过云而不是专用的SCADA系统来收集数据，云成为定位监控功能的有用场所。”

在将云引入工厂的同时提出了新的安全风险，它还提供更好的方法来监控和响应安全威胁。“安全始终是一个令人担忧的，特别是如果它在受监管的行业中，”嵌入式系统集成剂全身都有群体达西巴瓦尔特解释道。如何通过高可用性和易于管理的界面部署安全云解决方案的问题通常在Bachert的团队开发DeviceStream™，这是一种封装的云解决方案，该解决方案可以解决这些问题。“云中的系统并不意味着它是可扩展的。这并不意味着它是多余的。它仍然是可能失败的硬件和计算机。我们看到了很多人自己的应用程序，人们都忽略了关键元素并简单地将应用程序放在服务器上，这不是真正使用云计算可以提供的真正原则，“Bachert说。

大的应用程序?大的好处

对于大多数谨慎的机器视觉应用来说，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通过今天的PC技术来处理，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:“今天，本地服务器群无疑比云更适合存档图像。”“我并不是说它将永远如此，但这就是今天的情况。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，而不是一个到云的开放流程连接。然而，随着我们的客户对工业4.0了解的越来越多，他们逐渐认识到，机器视觉是一种工具，可以生成有价值的数据，这些数据不应该只是被收集起来，而是用来改进流程。”

工业4.0以机器对机器通信为前提，通过自动数据挖掘和分析改进流程，DL是机器视觉在工业4.0中发挥作用的典型代表。与传统的基于数学定义的特征和图像数据分析图像的机器视觉不同，DL基于对大图像集的统计分析来学习什么是好的或坏的部分。专家程序或技术人员通过标记每个图像的好坏和定位缺陷来创建训练图像集。使用统计分析，DL软件程序可以像人们学习一样学习——通过专家的“观察”。DL程序通过对训练图像集的统计分析，建立良、坏零件的加权模型。

Cyth的Long解释道:“这是一个黑盒子，人们仍然不习惯使用黑盒子解决方案。

然而，DL应用程序的巨大好处是系统可以通过评估更专业培训的图像来始终更好地变得更好。通过将存档的图像存储在云中，DL系统设计器可以通过馈送软件来调整DL模型更多图像 - 专门选择图像以适应新识别的缺陷，例如，或者根据基于的错误拒绝虚假拒绝或向上拒绝manufacturer’s needs.

“作为我们正在研究的一项申请的一部分，通过消除或减少浪费，将误拒率降低1%，为公司增加了20多万美元，”Prolucid的巴谢特解释说。“因此，这可能是一个非常重要和非常有价值的问题，而我们获得额外优化的唯一方法是通过拥有一个更大的数据集，然后我们可以进行调整。从存储和计算的角度来看，这就是云的价值所在。”

考虑到大多数云服务提供商允许客户免费向云传输数据，但从云中提取数据的带宽要收费，“向云”本身永远不会是一个最终目标。效率是最终目标。对于那些产品和利润足以证明持续提高效率和质量的公司来说，机器视觉和云技术的结合为他们提供了当今的竞争优势和明天，公司将找到将生产数据货币化的新方法。