AI质检的应用场景广泛，可涵盖95%以上的工业场景检测需求，目前在多个工业细分领域均有落地，例如 液晶面板，半导体，晶圆加工，芯片加工，汽车制造、 汽车电子 、新能源等场景； 当前工业行业质量控制的主要障碍主要包含：A、 产品迭代周期快， dummy 期短，换型效率与模型精度要求高；B、 细...

应用场景很多，我从几个方面说明，并举一些例子，如下：1、助力企业质量提升方面有：产品在线外观质量检测产品组装后的防错检查品牌商多工厂统一质检标准2、助力企业效率提升方面有：生产过程物品智能分拣生产过程瓶颈节拍分析3、助力企业安全管理方面有：生产现场生产安全巡检环境监...

我们可以通过端 + 5G 网络 + 边缘云 + 云服务的协作，基于计算机视觉模型、算法库及样本图像，结合深度学习 AI 算法，完成数据预处理、数据标注及训练生成数据模型，与这些模型不匹配的则可能是我们关心的问题发生点。我们再通过 5G 网络连接，可以使得汽车制造产线上每个工业视觉...

我们可以通过端 + 5G 网络 + 边缘云 + 云服务的协作，基于计算机视觉模型、算法库及样本图像，结合深度学习 AI 算法，完成数据预处理、数据标注及训练生成数据模型。然后再通过 5G 网络连接，可以使得汽车制造产线上每个工业视觉应用不再是独立的数据孤岛，并让工厂中央生产控制系...

要实现从数据的采集、数据存储、数据分析等一系列关键技术，并串成一起实现制造的智能化，一般会在云端进行。我们以 AI 视觉云平台为例：解决方案包括实现训练功能的 AI 视觉云平台解决方案及实现推理预测功能的云端解决方案两部分：1、工业视觉 AI 云平台：主要是支持 AI 应用工...

边缘计算平台其实就是为了解决边缘侧业务的稳定性的，比如在边缘侧的某个节点挂了后，可以将其上的应用通过云侧控制，再次调度到与该节点相邻或同区域的另外的节点上的，甚至可以将一些核心的业务同时部署多份到本地的不同节点上，实现服务的高可用。目前边缘计算社区，比如 kubeedg...

智能制造首先是从状态感知开始的，要做到真正的智能制造，必须要先具备三个基本条件：一是便宜的传感器二是数字化，一切可数字化之物三是网络化，一切可连接之物新技术创新应用要素条件有如下两种。一、工业互联网1.建立工业互联网工厂内网，采用、工业pon、工业无线、ipv6等技术，实...

目前高端的存储都自带底层存储灾备技术，比如数据级别的flash copy、remote copy。站点级别的mirror copy甚至第三方的存储灾备技术。当然也可以结合软件定义存储实现跨站点的存储高可用。

其实个人感觉。现在钢铁行业中的二级别。三级。就如同你说的中间细细的树干。上层的ERP系统已经发展成了一定的规模。底层的现场数据采集也都基本形成了自动化。但是。要吧底层的数据传送给上层erp，因为重重原因而受限，所以我想对于最终的智能制造项目来说。这种分级结构或...

机器人的使用会越来越多，需要做好数据收集与分析。能够从日志分析出出现故障隐患，生命周期等各个维度来分析数据。做好预防性的工作才能减少生产设备的故障时间。