2同行回答
如图所示，工控视觉是生产制造中非常重要的一个应用场景，它需要进行大量的图像建模，利用3D或者现实图像流进行生产线上的图像收集，但这些数据，有些是需要在边缘端直接处理掉的，这个时候就是利用GPU加速的好时机，因为这种一般是需要近实时的，如果采用传统的CPU来处理，则速度会比较慢，影响到实时性。
收起感觉您提到的应该是-工业视觉
从行业发展来看，QA及质量将会是目前企业面临的一个很大的挑战，尤其在当今劳动成本的不断提升，传统目检工作越来越不被新一代工人所接受的前提下，计算机视觉可以起到一个很好降本增效的助推器，提到计算机视觉就不能忽视已经很成熟的机器视觉，其在测量，定位，识别等场景已经有超过10年的发展历程，并持续在帮助制造业提效降本，但是机器视觉始终无法解决相对复杂的视觉问题，譬如对缺陷程度的判定，更多缺陷种类的划分，高亮度甚至极小瑕疵的检测等等，伴随人工智能的发展，基于AI的计算机视觉被越来越关注，近年来，开始有越来越多的玩家，从BAT到众多的Startup公司，包括大型企业内部自身孵化，都可以看到这个方向活跃的参与者，目前提及很多的工业4.0或智能制造中，智能化的一个重要场景体现，也会在计算机视觉-工业检测这个场景中。反观整个工业检测，对于精密制程或高节拍的生产环节往往都是一个复杂的系统工程，会包括图像采集，光源，运动配合，预处理，数据准备，模型训练及迭代，模型推理，后处理追踪，MES集成等众多环节，AI算法只是其中很重要的一个部分，整个项目在企业内部也应该是一个从上到下，多部门协作的项目，包括生产制造对于AI的预期，譬如漏检率，过检率有一个充分的预期和沟通。从目前落地的情况看，半导体，面板，新能源，高端3C，汽车等行业接受和落地的程度 较好，特别是先进制程和精密制造方向，对于企业QA的提升和成本优化，都可以起到明显的提升，另外一个感受就是，解决方案的复制性不强，定制化内容居多， 这也是成本居高的一个原因。
关于GPU加速的部分，主要集中在上面提到的AI算法部分，在模型训练的部分，可以参考英伟达的迁移学习工具TLT（ Transfer Learning Toolkit ）利用我们提供的预训练模型，加快模型训练的效率，在推理加速部分，可以参考DeepStream SDK快速构建推理pipeline并加速视频分析类业务场景，建议关注TensorRT，特别是近期发布的TRT8，特别是稀疏性（Sparsity）与量化感知训练（Quantization aware training，QAT），可以极大加速模型的推理速度及INT8在边缘推理中的适配。developer.nvidia.com/tensorrt/
收起