12月30日新京报：智能元素向边缘推进。随着数据采集速度的提升，更靠近边缘的计算迁移解决方案可以在减少延迟和降低基础设施成本的前提下更有效地利用数据资源。另一方面，计算机视觉是人工智能的一个分支，旨在通过训练帮助机器解释和理解视觉内容。计算机视觉的目标之一是让机器以与人类相同的方式查看和处理图像。通过机器学习的一类计算机视觉采用所谓的监督学习方法，其中使用大量带注释的图像来构建计算模型。虽然模型训练往往耗时耗资源，但一旦训练完成，模型可以快速高效地执行各种识别任务。图像和视频分析的具体例子包括：识别、分类、计数和评估物体姿态；压缩和编码视觉信息以供传输或匹配；估计相机视角；前景和背景的二维分割；估计深度并执行3D分割；恢复图像中的遮挡区域或推断视觉数据等。随着边缘AI的最新进展，我们现在能够处理和分析来自本地摄像头的数据，而不是将数据流式传输到云端。而这种新兴的、极其强大的处理能力，也让计算机视觉在木框行业发挥作用成为可能。目前有三种计算机视觉架构：视频或图像发送到云端进行计算；边缘部分计算，只有少量的模式信息被发送到云端进行搜索、排序和计算；edgeAI，其中所有图像都是在边缘数据上计算的。最后一种方法比较困难，需要训练一个可以安装在边缘设备上并且可以经常更新的模型。这些架构各有优缺点，但随着计算机视觉研究机构的不断发展，相信未来可能会出现适合各种场景的应用模型。木托盘是全球货物运输，乃至供应链物流行业不可或缺的组成部分。欧洲木托盘和包装制造商联合会（FEFPEB）报告称，目前欧盟有超过30亿个木托盘在流通，而美国每天使用超过20亿个托盘，其中大部分是资源储备。大师们。客户从共享资源池租用货架，从而降低供应链产品管理厂商在采购、管理、回收等方面的复杂度。当然，这些巨头公司希望能够监控整个供应链，了解其中货架的流动趋势，及时发现损耗和回收点，准确计算货架的损坏和使用寿命。为了进行全面监控，可以在每个机架上附加独特的标记或跟踪设备。如果货架具有唯一ID（例如条形码或二维码），那么制造商可以使用计算机视觉来跟踪货架在供应链中流动时的移动。如果在其上安装跟踪设备，系统还可以在货架流经服务中心分拣线时，利用计算机视觉检测货架是否需要更换或维护。木板有多种木材，包括山毛榉、白蜡木、杨木、松木和云杉。框架木材的选择决定了纹理轮廓和纹理特征，这不仅使我们能够评估单个框架的强度和耐用性，而且还为框架提供了独特的可追溯标记。此外，用于固定面板的钉子形成了一种拓扑结构，反映了有关面板使用寿命的信息——例如，面板架进入供应链多长时间后需要进行检查和维修。使用训练有素的计算机视觉模型，我们可以在货架完成后立即识别其独特的纹理图案，并以此为依据在其整个生命周期中对其进行标记和管理。当面板在供应链过程中出现破损和修复时，我们还可以进一步记录这些环节对面板质地和结构的影响。计算机视觉不仅可以在此基础上跟踪货架，还可以判断货架的强度和耐用性。有了这种低成本的解决方案，货架制造商将能够在货架制造或长期使用时采取措施对其进行筛选。此外，机架供应商还可以从客户和垂直行业收集有关损坏数量和类型的见解，从而增加业务模型和改进设计，从而显着提高自身服务的可靠性。目前，95%的受访组织表示，未来木托盘将继续主导供应链市场。木材是目前唯一一种100%可再生、可回收、可重复使用且可安全承载多种商品的包装材料。此外，计算机视觉还可以在维护仓库中货架的准确库存方面发挥关键作用。使用包含许多货架的单个图像，经过训练的神经网络可以提供可靠的货架计数结果，其速度和准确性远远超过专业人类工作者。除了供应链关键绩效指标（KPI），计算机视觉还可以应用于货架存储、检查和维护，以帮助服务中心的工作人员提高安全性和工作效率。可以将各种重复性任务，包括打钉和固定，输入到神经模型中，从实时视频中判断工人的准确性、疲劳度等状态特征。此外，该技术还可以通过实时视频判断工人是否进入未经授权的区域、从事危险行为、是否穿戴了适当的个人防护装备。这只会显着降低工作事故的风险，并帮助相关公司保持其生产过程的可靠运行。
