一、边缘计算概述

各位同学，欢迎来到《边缘端部署与工业相机SDK调用实战》的第一章。

咱们今天聊边缘计算。说实话，这词儿这几年被炒得有点烂了。但真正在产线上摸爬滚打过的工程师都知道——边缘计算不是概念，是刚需。

我最早接触边缘计算，是在一个汽车零部件检测项目里。当时客户要求每秒钟检测30个零件，每个零件拍4张图，数据量算下来吓死人。要是全往云端送，网络先崩了。嗯，那会儿我就意识到：计算这件事，不能全指望云端。

1.1 边缘计算到底是什么？

边缘计算，说白了就是在靠近数据源头的地方做计算。

你想想看，传统模式是：摄像头拍一张图 → 通过网络传到云端 → 云端算完再返回结果。这一来一回，少说几百毫秒。对于工业场景，几百毫秒意味着什么？意味着产线得停下来等结果。

边缘计算的做法是：摄像头拍一张图 → 直接在旁边的边缘设备上处理 → 毫秒级出结果。

我个人习惯把边缘计算理解成「本地大脑」。它不需要什么事都问云端，自己能处理大部分任务。只有遇到特别复杂的情况，或者需要做全局统计时，才把数据上传。

1.2 边缘计算 vs 云计算

很多同学会问：有了云计算，为什么还要搞边缘计算？

我拿一个真实项目来对比。之前做半导体晶圆检测，一张2000万像素的图片，原始数据大概50MB。如果每秒拍10张，就是500MB/s的数据量。你算算，这带宽得多少钱？

下面这张表，是我在实际项目中总结的差异：

对比维度	边缘计算	云计算
响应延迟	毫秒级（1-10ms）	百毫秒级（50-500ms）
网络依赖	低（可离线运行）	高（必须联网）
数据带宽	本地处理，带宽需求低	需上传大量数据，带宽成本高
隐私安全	数据不出厂区，安全性高	数据上传云端，有泄露风险
算力规模	受限（嵌入式设备）	几乎无限（集群）
维护成本	设备分散，维护较复杂	集中管理，运维方便
适用场景	实时控制、在线检测	大数据分析、模型训练

1.3 边缘计算在工业视觉中的应用场景

工业视觉是边缘计算最典型的落地场景之一。我做了这么多年，总结下来主要有这么几类：

1.3.1 在线质量检测

这是最常见的应用。产品在流水线上高速运动，相机抓拍后立即判断是否合格。

• 表面缺陷检测：划痕、凹陷、脏污、色差
• 尺寸测量：长宽高、孔径、间距是否在公差范围内
• 装配验证：螺丝是否拧紧、卡扣是否到位、标签是否贴正

我曾经遇到过一个案例：某电子厂做手机中框检测，要求检测节拍是0.5秒/件。如果用云端方案，网络延迟加上排队时间，根本跑不动。后来换成边缘方案，直接在工位旁边的Jetson设备上跑推理，0.3秒出结果，还富余0.2秒做剔除动作。

1.3.2 条码/二维码读取

别小看扫码这件事。在物流分拣、药品追溯、电子元器件追踪这些场景里，条码读取的准确率和速度直接影响产能。

• 传统扫码枪对反光、脏污、变形条码的识别率有限
• 边缘设备配合深度学习模型，可以处理复杂背景下的条码识别
• 本地解码，不依赖云端数据库，响应更快

1.3.3 机器人视觉引导

机械臂抓取、AGV导航、焊接路径规划，这些都需要视觉系统提供实时位置信息。

• 边缘设备处理相机图像，提取目标物体的位姿信息
• 通过EtherCAT或Profinet等工业协议，直接给机器人发送控制指令
• 整个闭环控制在10ms以内完成

1.3.4 设备状态监测

工业相机不光能拍产品，也能「看」设备本身。

• 监测传送带是否跑偏
• 检测刀具磨损程度
• 观察润滑液是否充足
• 通过热成像相机检测设备温度异常

这些数据在边缘端做初步分析，只有异常时才报警或上传，大大减少了中央监控系统的压力。

1.4 边缘计算的核心技术栈

为了让大家对后续课程有个整体认知，我画了一张技术栈图：

1.5 为什么选择边缘端部署？

我总结三个最核心的理由：

1. 实时性：工业产线对延迟零容忍。边缘计算能把响应时间从秒级降到毫秒级。
2. 可靠性：网络断连时，边缘设备依然能独立运行。云端挂了，产线不能停。
3. 成本：省带宽就是省钱。一张工业相机图片几十MB，一天拍几万张，云带宽费用够买好几台边缘设备了。