常见问题：边缘 AI 部署、芯片选型与视觉检测定制

边缘 AI 部署一般怎么落地？需要联网吗？

边缘 AI 部署的核心是把推理放在设备侧，而不是把图像回传服务器。典型形态是一台带 NPU 的边缘计算单元就近接入相机，单帧只输出结论（合格/缺陷类型/坐标），中心只接收结构化结果用于统计与追溯。这条路径的好处是延迟可控、带宽需求低，而且数据不出厂——对食品、医药、军工等对数据外流敏感的场景尤其重要。整套系统可以完全运行在厂内局域网，不依赖公网；只有需要远程看板或总部汇总时才接入外网。

RK3588 和 RK3399 怎么选？我们的场景该用哪个？

主要看三件事：分辨率、帧率、模型规模。RK3399 是较早期的方案，没有独立 NPU（靠 GPU/CPU 推理），适合分辨率不高、帧率要求宽松、模型很小的场合，成本更低。RK3588 集成 NPU（标称 6 TOPS INT8），能支撑多路相机的中小模型实时推理，是目前工业视觉检测更常见的选择。如果现场是 4K 以上分辨率、或需要大型分割网络逐帧处理，两者都不够，应选带独立显卡的工控机方案。我们的做法是先按「分辨率 × 帧率 × 路数」算出实际吞吐需求，再反推芯片，而不是先定芯片。

目标检测（YOLO 系列）能不能直接用于工业质检？

可以用，但要先明确一点：通用 YOLO 模型解决的是「通用物体在哪」，而工业质检要的是「这个既定工件有没有特定缺陷」——两者目标不同。直接用预训练模型通常不够，需要在你的产线图像上重新标注与训练。实践中我们更常把 YOLO 系列用于定位与粗分类（找到工件、判断大致类别），再用专门的分类或分割网络判断细微缺陷。另外 YOLO 各版本在精度与速度上的取舍不同，较新的版本精度更好但对算力要求也更高，需要按边缘平台的算力实际标定。关键指标不是训练集上的 mAP，而是现场连续运行时的误剔率与漏检率。

工业视觉检测项目从对接到上线一般要多久？

取决于打光难度与样本积累。经验上可以分三段：① 打光与可行性验证（1–2 周）——这一步最关键，很多项目在这一步就能判断方案是否成立；② 模型训练与调优（2–4 周）——前提是拿到足够覆盖实际工况的样本；③ 现场联调与试运行（2–4 周）——包括节拍匹配、剔除机构联动、阈值标定。整体通常 1.5–3 个月。如果打光方案复杂、或缺陷样本稀少（不良品本来就少），周期会更长。我们的建议是先做打光验证再做模型选型，顺序反了会反复返工。

你们既能做软件也能做硬件，视觉检测项目里具体各自负责什么？

这正是我们区别于纯软件或纯硬件厂商的地方。一个完整的视觉检测项目需要四层能力：① 算法层——缺陷识别模型、成熟度/类别判定；② 硬件层——边缘计算单元、相机与光源的选型与电路设计；③ 控制层——与 PLC、执行机构（气吹/机械臂/拨杆）的对接；④ 软件层——结果统计、追溯看板、报警与数据留存。很多项目失败的原因不是算法不行，而是这几层由不同供应商负责、接口没对齐（尤其是延迟匹配与触发同步）。我们提供从算法到硬件的整体交付，避免了这种责任分割。

目标检测 / 视觉检测的定制开发流程是怎样的？

标准流程是：需求确认 → 现场勘查与打光试验 → 方案与报价 → 样本采集与标注 → 模型开发 → 边缘部署与联调 → 试运行与阈值标定 → 验收交付。其中「现场勘查与打光试验」是必须做的，不能远程拍脑袋定方案——现场的光照、粉尘、振动、供电都会影响最终效果。我们通常会在方案阶段就明确验收指标（识别率、误剔率、节拍），避免交付时对「效果好不好」产生分歧。

影响视觉检测项目成本的主要因素是什么？

按影响从大到小：① 相机与光源方案——高分辨率、高帧率、特殊波段（如近红外）会显著提价；② 缺陷检测难度——缺陷与背景的对比度越低，需要的打光与算法投入越高；③ 节拍与路数——路数越多，边缘算力需求越大；④ 剔除机构——气吹简单，机械臂分拣成本高得多；⑤ 是否需要与现有 MES/WMS 对接。反过来说，如果能在前期确认「哪些缺陷必须检、哪些可以放宽」，往往能省下可观的成本——不是所有缺陷都值得用视觉去检。

小批量、多品种的生产场景适合上视觉检测吗？

适合，但方案要变。多品种混线的难点在于：每个品种的缺陷形态不同，如果每个品种单独训一个模型，切换品种时的维护成本会很高。可行做法是：先用分类网络识别品种，再调用该品种对应的检测模型；或者训练一个多任务模型，把品种作为条件输入。另外相机与光源方案要能兼容所有品种，如果某个品种需要完全不同的打光，应考虑工位分离而不是硬塞在一条线上。

检测出来了，怎么保证剔除不剔错位置？

这是最容易被低估的环节。从相机拍照位置到剔除执行位置有固定距离，需要按当前线速换算延迟时间——线速变化时这个参数必须联动，否则会出现「检测对了、剔错了位置」，看起来像误判，实际是时序问题。我们的做法是把延迟匹配参数做成随线速自动联动的配置项，并支持编码器信号接入；同时在调试阶段用实际物料做时序标定。

生产数据会不会外传？能不能只在厂内运行？

可以，而且这是我们推荐的部署方式。边缘推理意味着图像不需要离开产线，只有结论数据（合格/缺陷类型/时间戳）在厂内网络传输。整套系统可以部署在完全隔离的内网中，不依赖公网；缺陷图像归档保存在厂内服务器，用于追溯与模型迭代。如果确实需要总部汇总，也可以在厂内做聚合后再单向传出统计结果，原始图像不出厂。

设备交付后你们提供哪些支持？

交付包含：现场安装调试、操作培训、验收指标共同确认。交付后提供质保期内的技术支持，包括阈值重新标定指导（换批次、换供应商后图像分布会变，阈值往往需要调整）、模型迭代建议与故障排查。我们也会把误判原图的留存与分析方法一并交付，让现场人员能自己先按「打光→触发→标定→节拍→模型」的顺序做初步排查。

除了工业检测，你们在其他方向还能做什么？

公司业务覆盖四个方向：① 展览展示软件开发——互动交互、智能中控、AI 数字人与 AR/VR 展项；② 电子硬件开发——智能 IO 控制器、电机控制系统、电子文创产品；③ 视觉识别系统开发——视觉定位、无人机导航、工业机器视觉；④ 智慧农业机械开发——智能采摘机器人等。这四个方向的共同底座是 AI 视觉与嵌入式控制，所以从工业检测迁移到农业采摘或展项互动，底层能力是复用的。