如果把人工智能看作是一段從A到B的旅途，云計算服務(wù)是旅途中機(jī)場或者高鐵站，邊緣計算就是出租車或者共享單車，邊緣計算在靠近人、物或數(shù)據(jù)源頭的一側(cè)，采用融合存儲、計算、網(wǎng)絡(luò) 接入、應(yīng)用核心能力為一體的開放平臺，就近為使用者提供服務(wù)。相比于集中部署的云計算服務(wù)， 邊緣計算解決了時延過長、匯聚流量大等問題，為實(shí)時性和帶寬要求較高的業(yè)務(wù)提供更好的支持。
ChatGPT的火爆掀起人工智能發(fā)展的新浪潮，加快AI向工業(yè)、零售、智能家居、智慧城市等更多應(yīng)用領(lǐng)域下沉，在應(yīng)用端大量的數(shù)據(jù)需要存儲計算，單單依靠云端，已經(jīng)無法滿足實(shí)際需求，邊緣計算完善AI應(yīng)用的最后一公里。在大力發(fā)展數(shù)字經(jīng)濟(jì)的國策下，我國云計算進(jìn)入普惠發(fā)展期，邊緣計算需求激增，云邊端一體化成為未來重要演進(jìn)方向。
邊緣計算行業(yè)應(yīng)用計算落地
在智慧城市領(lǐng)域
城市物業(yè)的綜合巡查目前普遍采用人工巡查的模式，人工巡查模式存在耗時費(fèi)力成本高、過程依賴個人、覆蓋面和巡檢頻率不佳、質(zhì)量管控不嚴(yán)的問題。同時在巡查過程中記錄了海量的數(shù)據(jù)，這些數(shù)據(jù)資源未轉(zhuǎn)變成數(shù)據(jù)資產(chǎn)為業(yè)務(wù)賦能。通過將AI技術(shù)應(yīng)用于移動巡檢場景，企業(yè)打造了城市治理AI智能巡檢車，該車采用物聯(lián)網(wǎng)、云計算、AI算法等技術(shù)，搭載高清攝像頭、車載顯示屏、AI邊端服務(wù)器等專業(yè)設(shè)備，結(jié)合“智慧系統(tǒng)+智能機(jī)器+員工輔助”的巡查機(jī)制，推動城市治理由人員密集型向機(jī)械智能化轉(zhuǎn)變，由經(jīng)驗(yàn)判斷型向數(shù)據(jù)分析型轉(zhuǎn)變，從被動應(yīng)對型向主動發(fā)現(xiàn)型轉(zhuǎn)變。
在智慧工地領(lǐng)域
基于邊緣計算的智慧工地解決方案將AI技術(shù)深度融合應(yīng)用于傳統(tǒng)建筑行業(yè)安全監(jiān)控工作，通過在工地放置一個邊緣AI分析終端，完成基于智能視頻分析技術(shù)自主研發(fā)視覺AI算法，全時偵測待測事件（如檢測是否佩戴安全帽），提供人員、環(huán)境、安保等安全風(fēng)險點(diǎn)識別及報警提醒服務(wù)，主動識別不安全因素，AI智能值守，節(jié)約人力成本，滿足工地的人員、財產(chǎn)安全管理需求。
在智能交通領(lǐng)域
云邊端架構(gòu)已成為智能交通行業(yè)應(yīng)用部署的基本范式，云側(cè)負(fù)責(zé)集中式管理以及部分?jǐn)?shù)據(jù)處理，邊側(cè)主要提供邊緣端數(shù)據(jù)分析計算決策處理，端側(cè)主要負(fù)責(zé)業(yè)務(wù)數(shù)據(jù)采集。
在車路協(xié)同、全息路口、自動駕駛、軌道交通等具體場景中，有大量的異構(gòu)設(shè)備接入，這些設(shè)備需要進(jìn)行接入管理、退出管理、告警處理、運(yùn)維處理。邊緣計算可以分而治之、化大為小，提供跨層協(xié)議轉(zhuǎn)換功能，實(shí)現(xiàn)異構(gòu)數(shù)據(jù)的統(tǒng)一和穩(wěn)定接入乃至協(xié)同控制。
在工業(yè)制造領(lǐng)域
生產(chǎn)流程優(yōu)化場景：當(dāng)前大量離散制造系統(tǒng)受限于數(shù)據(jù)的不完備性，整體設(shè)備效率等指標(biāo)數(shù)據(jù)計算比較粗放，難以用于效率優(yōu)化。邊緣計算平臺基于設(shè)備信息模型實(shí)現(xiàn)語義級別的制造系統(tǒng)橫向通信和縱向通信，基于實(shí)時數(shù)據(jù)流處理機(jī)制匯聚和分析大量現(xiàn)場實(shí)時數(shù)據(jù)，實(shí)現(xiàn)基于模型的生產(chǎn)線多數(shù)據(jù)源信息融合，為離散制造系統(tǒng)的決策提供強(qiáng)大的數(shù)據(jù)支持。
設(shè)備預(yù)測性維護(hù)場景：工業(yè)設(shè)備的維護(hù)分為三種：修復(fù)性維護(hù)、預(yù)防性維護(hù)和預(yù)測性維護(hù)。修復(fù)性維護(hù)屬于事后維護(hù)，預(yù)防性維護(hù)和預(yù)測性維護(hù)均屬于事前維護(hù)，前者基于時間、設(shè)備性能、現(xiàn)場使用工況等綜合因素對設(shè)備進(jìn)行定期維修，更多還是憑人的經(jīng)驗(yàn)，后者則通過采集傳感數(shù)據(jù)，實(shí)時監(jiān)控設(shè)備的運(yùn)行狀態(tài)，基于工業(yè)模型進(jìn)行數(shù)據(jù)分析，準(zhǔn)確預(yù)測故障何時發(fā)生。
工業(yè)質(zhì)檢場景：工業(yè)視覺檢測領(lǐng)域首先是以傳統(tǒng)的自動光學(xué)檢測（AOI）形態(tài)進(jìn)入質(zhì)檢領(lǐng)域，但AOI發(fā)展至今，在諸多缺陷檢測等復(fù)雜場景中，由于缺陷種類繁雜，特征提取不全，適配算法延展性差，產(chǎn)線更新頻繁，算法遷移不靈活等多種因素，傳統(tǒng)AOI系統(tǒng)已難以滿足產(chǎn)線發(fā)展的需求。因此，以深度學(xué)習(xí)+小樣本學(xué)習(xí)為代表的AI工業(yè)質(zhì)檢算法平臺正在逐步取代傳統(tǒng)的視覺檢測方案，AI工業(yè)質(zhì)檢平臺經(jīng)歷了經(jīng)典機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)檢測算法兩個階段。
滬公網(wǎng)安備 31011202001934號
建議使用最新版瀏覽器,以獲得最佳瀏覽效果。
