文章由LF Edge成员Wipro撰写。有关Wipro的更多信息，请访问其__网站__。
用例是一个生产“活塞杆”的制造工厂的“自动表面质量检查”，这些活塞杆用于不同的应用，如公用事业、采矿、建筑和土方运输。
在制造工厂，活塞杆的生产经过了感应淬火、摩擦焊、螺纹和抛光等多个阶段。每个阶段都有一个质量检查点来检测早期阶段的缺陷，以确保生产的棒材符合设计规范和功能正常。经过严格的多级工艺流程，最终到达地面质量检测的终点站。在这一阶段，质量检查是手工进行的，需要熟练和有经验的人工检查人员来寻找不同类型的缺陷，如表面的划痕、材料缺陷和棒处理缺陷。根据最终的质量检验结果，它将进入包装和装运区，或返工或报废区。
每一阶段的质量检查对于防止质量问题导致召回和声誉损害至关重要。人工检查的问题是——它们昂贵、耗时，而且严重依赖人类的智力和判断。“自动表面质量检测”是一个基于AI/ML的图像分析解决方案，帮助克服这些挑战。该解决方案基于图像分析识别和分类缺陷，以实现质量评估，并通过仪表板提供实时可见的关键性能指标，以监控工厂的性能。
EdgeX的架构宗旨，易于使用的生产级边缘软件堆栈，具有一年两次发布路线图的长期支持可见性，以及商业部署的用户友好许可，使我们采用EdgeX作为基本软件堆栈。
现成的物联网网关功能，帮助我们更多地关注于构建业务应用程序特定组件，而不是边缘网关所需的核心软件堆栈。这有助于我们快速开发我们预想的用例的概念证明。
解决方案的关键组成部分包括：
边缘网关硬件，工业级相机和传感器检测活塞杆放置在最终的质量检验站
软件组件：
网关由EdgeX软件栈赋能，增强作用例支持
深度学习模型，接受了之前分析和分类缺陷的训练
英特尔OpenVino工具包，用于最大化边缘网关的推理性能
EdgeX设备服务层的增强，以启用缺少的南向连接
利用EdgeX提供的本地分析能力，在边缘进行自动决策
EdgeX AppSDK定制，用于连接托管在云上的业务应用程序
制造性能仪表板，以定义、创建和监控关键性能指标
杆到达检测站后，网关触发相机进行表面拍摄。将采集到的图像输入到网关上运行的推理引擎中，搜索各种表面缺陷的存在。推理输出被输入到托管在云上的业务应用程序中，以提供具有丰富视觉帮助的可操作的洞察力。
对类似缺陷模式的历史数据的分析，将来自OT系统的数据与给定时间段的推理输出相关联，并为OT系统提供潜在纠正措施的反馈，这些都是未来可能的增强功能。
好处：
降低检验成本：自动化质量检验，减少人工检验
集中管理：对工厂操作的实时可见，从遥远的位置
一致的表现：较少依赖人与人之间不同的判断
减少检查时间：在更短的时间内得到一致可靠的结果
不断学习：深度学习模型的持续再培训使自动检查更加准确和接近现实
24x7可用
点击【阅读原文】阅读英文原文。
为边缘计算构建一个开源框架。
LF Edge是一个伞形组织，旨在建立一个开放的、可互操作的框架，用于独立于硬件、硅、云或操作系统的边缘计算。通过将业界领袖聚集在一起，LF Edge将为硬件和软件标准以及最佳实践创建一个共同的框架，这对维持当前和未来几代物联网和边缘计算设备至关重要。
我们正在促进工业制造、城市和政府、能源、交通、零售、家庭和建筑自动化、汽车、物流和医疗保健等多个行业的合作和创新，所有这些都将通过边缘计算得到改变。
联系关于LF Edge
_Linux基金会是非营利性组织，是技术生态系统的重要组成部分。_
Linux基金会通过提供财务和智力资源、基础设施、服务、活动以及培训来支持创建永续开源生态系统。在共享技术的创建中，Linux基金会及其项目通过共同努力形成了非凡成功的投资。****请长按以下二维码进行关注。
本文分享自微信公众号 - LFAPAC（gh_8442c14fe49e）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
