1. 工业视觉概述与边缘计算基础

大家好，我是老张。在工业视觉这行摸爬滚打了十几年，从最早的板卡式采集到现在的边缘盒子，我算是亲眼见证了技术的变迁。今天咱们聊的这门课，核心就一句话：怎么让工业视觉系统跑得更快、更稳、更省钱。

第一章节，我们先搭个底子。把工业视觉系统长什么样、边缘计算是什么、为什么非要用边缘推理这几个问题讲清楚。嗯，别急，咱们一步步来。

1.1 工业视觉系统：不只是相机加算法

很多人以为工业视觉就是“一个相机拍张照，然后算法判断好坏”。其实没那么简单。我见过不少项目，算法在实验室跑得飞起，一上产线就崩了。为什么？因为工业视觉是一个系统工程。

一个典型的工业视觉系统，包含这几个部分：

组件	作用	我踩过的坑
光源	打光，让缺陷“现形”	曾经用环形光打反光件，结果把划痕照没了
镜头	成像，决定视野和景深	远心镜头选错倍率，整个视野装不下一个零件
相机	采集图像，分面阵/线阵	面阵相机拍高速运动件，拖影严重
采集卡/接口	传输数据，Camera Link、GigE、USB3	GigE带宽不够，多相机同时触发丢帧
处理单元	跑算法，工控机/边缘设备	工控机放产线旁，散热不行死机
执行机构	剔除/报警，PLC/机器人	算法结果传PLC延迟，剔除位错过

你看，每个环节都可能掉链子。我个人习惯是，做项目前先画一张系统拓扑图，把数据流、控制流、时序关系全标清楚。这比直接调算法重要得多。

1.2 边缘计算：把算力搬到产线旁

传统方案是什么？相机拍完图，通过网络传到服务器，服务器跑完算法再返回结果。听起来合理，但实际产线上，延迟是硬伤。

我记得有个项目，检测速度要求每件200毫秒。用服务器方案，网络传输加排队，动不动就300毫秒以上。后来换成边缘盒子，直接放在产线旁边，延迟降到50毫秒以内。

边缘计算，说白了就是在数据产生的地方就近处理。它有几个关键特征：

• 低延迟：数据不用绕远路，实时性有保障
• 高带宽：不用把所有图像都传到云端，节省网络资源
• 数据安全：敏感图像不出厂区，合规性更好
• 离线可用：网络断了，产线照样跑

1.3 为什么需要边缘推理？三个真实场景

光讲概念太虚。我举三个亲身经历的项目，你就明白了。

场景一：高速产线缺陷检测

某电子厂，每分钟检测1200个手机中框。每个中框拍4张图，每张图要跑一个分割模型。如果用云端，单张图传输加推理要150ms，4张就是600ms，产线根本跑不动。换成边缘盒子（Jetson Orin），单张推理只要15ms，4张60ms，完美卡进节拍。

场景二：多相机协同定位

一个焊接机器人，需要6个相机同时拍照，实时计算焊点位置。数据量巨大，传云端不现实。边缘设备本地融合6路图像，直接输出坐标给机器人。延迟从200ms降到5ms。

场景三：老旧产线改造

很多工厂的工控机还是Windows 7，跑不了深度学习。加一个边缘盒子，走RTSP拉流，本地推理，结果通过Modbus TCP传给PLC。不改原有系统，成本低、见效快。

1.4 课程整体架构：从理论到实战

这门课一共30章，我把它分成四个阶段。你想想看，就像盖房子：

• 第一阶段（第1-5章）：打地基。讲清楚硬件选型、模型压缩、推理引擎这些基础。
• 第二阶段（第6-15章）：搭框架。深入TensorRT、ONNX Runtime、OpenVINO这些主流引擎的优化技巧。
• 第三阶段（第16-25章）：精装修。多路并发、流水线设计、异构计算这些高级玩法。
• 第四阶段（第26-30章）：验收交付。讲部署、监控、运维，以及怎么跟PLC、MES系统对接。

每一章我都会放一个真实项目案例，代码可跑、可复现。你跟着做一遍，基本就能应对80%的工业场景。

下面这张图，是整个课程的知识体系。我建议你保存下来，学完一章回来对照一下，看看自己到了哪个阶段。

1.5 本章小结：你该带走什么

这一章的内容，说白了就是帮大家建立全局视角。我总结三个要点：

1. 工业视觉是系统工程，光源、镜头、相机、处理单元、执行机构，哪个环节弱都不行。
2. 边缘计算解决的是实时性问题，不是所有场景都需要，但需要的时候它就是救星。
3. 这门课从基础到实战，层层递进。你跟着走，一定能掌握工业视觉性能优化的核心技能。