4、边缘AI硬件选型：GPU、NPU、工业相机、镜头、光源、工控机等选型要点
边缘AI智慧工厂的落地效果，70%取决于硬件选型是否合理。视觉质检、PLC联动、MES数据上报和看板实时刷新，每一个环节都对算力类型、成像质量、接口协议和工业环境适应性提出严苛要求。选型不是堆料，而是基于检测精度、节拍时间、产线空间、预算约束和运维能力的多目标权衡。本章从算力、成像、光学、光源和工控平台五个维度，给出可落地的选型方法论与工程判断依据。
4.1 算力选型：GPU与NPU的边界与协同
核心原理：边缘AI推理的算力需求由模型复杂度、输入分辨率、帧率和并发路数共同决定。GPU（NVIDIA Jetson Orin、RTX系列）擅长并行浮点运算，适合训练和复杂模型（如YOLOv8-large、分割模型）；NPU（如瑞芯微RK3588、算能BM1684、地平线旭日X5）以INT8量化推理见长，功耗低、性价比高，但算子兼容性受限。选型时需先明确：是跑预训练模型还是自研模型？是否接受量化精度损失？产线是否有24小时连续运行要求？
判断方法：以视觉质检为例，若检测节拍为2秒/件，单张图像推理时间需控制在1.5秒以内（含前后处理）。可先用以下公式估算算力需求：
所需TOPS = 模型MACs × 帧率 × 2 / 0.7（考虑利用率）
例：YOLOv8s（约8.7 GMACs），帧率0.5 FPS
所需算力 = 8.7e9 × 0.5 × 2 / 0.7 ≈ 12.4 GOPS
实际选型需留3-5倍余量，即约40-60 GOPS对于多数2D质检场景，NPU已足够；若涉及3D点云、多光谱融合或需频繁更新模型，则优先选择GPU平台。
| 对比维度 | GPU（Jetson Orin NX） | NPU（RK3588） | 适用场景 |
|---|---|---|---|
| INT8算力 | 100 TOPS | 6 TOPS | GPU适合大模型，NPU适合轻量模型 |
| 功耗 | 15-25W | 5-8W | NPU适合无风扇/电池供电 |
| 算子支持 | 全面（CUDA生态） | 受限（需适配RKNN） | GPU适合快速迭代，NPU适合量产 |
| 价格 | 3000-6000元 | 800-1500元 | NPU适合成本敏感项目 |
| 典型部署 | 复杂缺陷检测、多路视频 | 单一工位、固定缺陷类型 | 根据产线复杂度选择 |
4.2 工业相机选型：分辨率、帧率与接口
核心原理：工业相机的核心参数是传感器类型（CCD/CMOS）、分辨率、帧率、像元尺寸和接口协议。对于边缘AI质检，CMOS全局快门是主流选择，因为卷帘快门在运动物体拍摄时会产生果冻效应。分辨率需根据最小缺陷尺寸计算：若视场为100mm×80mm，需检测0.1mm的划痕，则单方向像素数至少为100/0.1=1000像素，考虑2倍冗余，建议选500万像素（2448×2048）以上。
操作流程：
- 确定视场（FOV）和最小缺陷物理尺寸；
- 计算所需分辨率：
分辨率 = FOV / 最小缺陷尺寸 × 2； - 根据产线节拍确定帧率：
帧率 ≥ 节拍时间 × 1.5； - 选择接口：GigE（100米内稳定）、USB3.0（5米内）、CameraLink（高带宽但需采集卡）；
- 确认镜头接口（C/CS口）与相机匹配。
案例拆解：某3C电子厂检测手机中框划痕，产线节拍3秒/件，视场120mm×90mm，最小缺陷0.08mm。计算得分辨率需1500×1125，实际选用海康MV-CA050-10GM（500万像素，2448×2048），帧率10fps，GigE接口。部署后发现，由于产线振动导致图像模糊，最终将曝光时间从2000μs降至500μs，并增加频闪光源，缺陷检出率从92%提升至98.5%。
4.3 镜头与光源：成像质量的隐形决定因素
核心原理：镜头决定图像的清晰度和畸变程度，光源决定缺陷与背景的对比度。镜头选型核心是焦距计算：焦距 = 工作距离 × 传感器尺寸 / 视场宽度。例如传感器1/1.8英寸（7.2mm宽），工作距离300mm，视场100mm，则焦距=300×7.2/100=21.6mm，选25mm定焦镜头。光源选型需根据缺陷类型：划痕用低角度环形光，凹凸用同轴光，透明物体用背光，金属反光面用多角度穹顶光。
判断方法：光源颜色选择遵循“互补色增强对比”原则：红色光增强蓝色物体对比，蓝色光增强黄色物体，白色光用于彩色检测。对于金属表面，建议用蓝色光（波长450nm）减少环境光干扰。光源控制器需支持频闪模式，以配合相机触发，降低发热和功耗。
| 光源类型 | 适用场景 | 典型角度 | 注意事项 |
|---|---|---|---|
| 环形光源 | PCB焊点、字符识别 | 0°-45° | 均匀性好，但反光表面易产生光斑 |
| 条形光源 | 大视场、表面划痕 | 10°-30° | 需调整角度避免反光 |
| 同轴光源 | 高反光表面、镜面 | 90° | 消除反光，但亮度损失较大 |
| 背光源 | 轮廓检测、尺寸测量 | 180° | 对比度最高，但无法检测表面纹理 |
4.4 工控机与集成接口：稳定性的最后防线
核心原理：工控机是边缘AI系统的“身体”，承载相机采集卡、GPU/NPU加速卡、PLC通信模块和MES网络接口。选型需关注：CPU性能（至少4核以上）、内存（16GB起步）、存储（SSD+HDD组合）、扩展槽位（PCIe x16用于GPU）、工业级宽温（-20℃~60℃）、无风扇设计（避免粉尘堵塞）。同时，需预留串口（RS232/485）用于PLC通信，双网口用于隔离MES网络和相机网络。
操作流程：
- 列出所有外设接口需求：相机数量×接口类型、PLC协议（Modbus TCP/Profinet）、MES数据库连接；
- 计算总带宽：相机数据量 + PLC轮询数据量 + MES上报数据量；
- 选择工控机型号，确认PCIe通道数足够（GPU需x16，采集卡需x4）；
- 验证散热方案：GPU满载时工控机内部温度需低于85℃；
- 测试7×24小时稳定性，记录死机率和重启恢复时间。
案例拆解：某汽车零部件厂部署6套视觉检测工位，每套工位配1台500万相机、1块Jetson Orin NX、1台PLC（西门子S7-1200）。初期选用普通台式机，运行3天后出现蓝屏，排查发现是GPU散热不良导致。更换为研华IPC-510工控机（i5-12500E，16GB，2个PCIe x16槽），并增加机箱风扇后，连续运行30天无故障。同时，通过Modbus TCP将检测结果写入PLC数据块，MES每5秒轮询一次，看板刷新延迟小于1秒。
4.5 选型验证与复盘：从实验室到产线的完整闭环
核心原理：硬件选型不是一次性决策，而是需要经过“实验室验证→小批量试产→产线压力测试”三个阶段。实验室验证关注成像质量和推理精度；小批量试产关注节拍达成率和误检率；压力测试关注长时间运行的稳定性和故障恢复能力。
验证清单：
- 成像质量：用标准缺陷样件测试，计算检出率（≥99%）和误检率（≤0.5%）；
- 节拍验证：连续运行1000次，统计平均节拍和最大延迟；
- 温度测试：GPU满载运行2小时，记录外壳温度和降频情况；
- 网络稳定性：断网重连测试，确认MES数据不丢失；
- 抗干扰测试：模拟产线电机启停，观察图像是否有条纹干扰。
复盘经验：某食品包装项目，选型时未考虑光源衰减，运行3个月后检出率下降5%。复盘发现是LED光源亮度衰减至初始值的80%。解决方案是增加光源亮度自动校准功能，每次开机时用标准白板校准曝光时间。另一个教训是：不要为了节省成本选择非工业级相机，某项目用工业相机替代方案，半年内返修率高达15%，最终整体更换。