边缘学习在物流行业的用例及优点

近年来，物流业向自动化和数字化方向发生了重大转变。随着电子商务的兴起，以及对更快、更高效交付的需求日益增长，物流企业纷纷采用边缘学习等先进技术来优化其运营。

边缘学习是人工智能的一个子集，能够在网络“边缘”进行实时数据分析、预测和决策，已成为物流行业变革利器。

利用边缘学习创新应对疫情挑战

在疫情肆虐的艰难时期，物流在满足高生产需求方面发挥了重要作用。在此期间，我们非常关注如何减少人工接触点，即实际接触包裹的次数。当新冠疫情蔓延时，我们推出了固定式读码器和手持式条码扫描器，以帮助我们的客户保证操作员的安全。我们与客户携手合作，应用创新技术，有力应对关键时刻的挑战，实现了重要影响。 

边缘学习对物流行业的价值：相关洞察 

我们采访了物流视觉解决方案产品营销经理 Bart Piela，了解他对边缘学习如何变革物流行业及其带来核心价值的看法。

Bart 在康耐视工作了六年，从事物流工作两年多。他服务过诸多物流客户，包括初涉自动化的小企业、OEM 制造商和经验丰富的行业领导者。凭借这些经验，Bart 对物流的运营细节及其在生产中的重要性了如指掌。

边缘学习能如何帮助物流业？

Bart：工厂自动化环境通常可精确控制。在这些环境生产的产品往往是同类的重复性产品，如牙膏或机械零件等。但在物流业中，每个箱子或包裹外观都各不相同。

在零售、电子商务配送，甚至包裹邮政配送中，每天、每小时、每季度对包裹进行检测时，都会发现包裹之间都会有很多不同之处。

物流行业在自动化领域起步相对较晚。目前约有 80% 的仓储企业尚未实现自动化。这是我们提供自动化解决方案的一大机遇，能让无数物流供应商从中受益。解决方案指的正是康耐视的一站式、开箱即用、预构建、易设置的成套系统。

相比依赖人工完成自动化任务，购买一台价格昂贵且操作复杂的大型设备往往令人望而却步。有些客户因不愿投入高昂成本，仍然选择依靠人工，以传统方式完成任务。

而简单定制化、集成多种功能的智能方案，满足客户的需求，对客户来说更加易用、无压力。将自动化和边缘 AI 技术逐步集成到制造中渐进式引入，也便于用户循序渐进走上智能化之路，尤其适合刚迈出自动化第一步的用户。

这就是边缘学习发挥作用的地方。

边缘学习是什么？

边缘学习是一种检测技术，可以轻松检测出包装盒、塑料袋或自封袋的外观变化，尤其适用于物流业。

由于采用了预先训练的算法，边缘学习只需要少量训练图像就能“习得”，大大简化了部署。它能够快速学习并适应生产线的需求，优化流程。用户也无需具备机器视觉或编程知识，既适合初学者，也适合视觉专家。

归根结底，我们利用边缘学习技术以各种独特的方式为供应商提供支持。我们的用户从视觉系统中获得了比以往更好的性能、准确性和速度。

边缘学习适用于哪类应用？

Bart：对于我们的边缘学习工具，我们设想的应用范围没有任何限制。我们的目标应用包括物品检测、物品分拣和流程问题检测。

物品检测类应用用于判断分拣机上有无物品。物品分拣则是按商品特征做区分。例如，将包装盒与塑料袋区分。

流程问题检测应用则涵盖如预防性维护或检测，例如卫生问题、卡滞物品或输送机阻塞等。

​​这种技术最能为哪些用户带来价值？

Bart： 在 In-Sight 2800 检测器应用中，我们发现其对仓库各个环节都有帮助，尤其是在需要增加流程智能或替换陈旧、性能不佳的硬件（如基于规则的机器视觉系统）时。

在流程分拣领域，我们确实看到了其优势，因为客户希望保持运营效率和高处理量，以有效履行订单。

我还认为，在分拣准确性和分拣机性能方面，该产品可以为行业带来根本性变革。这项技术可以带来丰厚的投资回报率，因为提高分拣准确性可以减少与返工、损坏或手动处理导致的额外成本。

它能解决那些过去成本高昂且需要大量专业知识的问题。而现在借助边缘机器学习，人们能够以经济实惠的成本简化工作，让所有人都有机会使用这一技术。

如何在 In-Sight 2800 上部署边缘学习？

Bart：只需三个简单快捷的步骤即可部署 In-Sight 2800。将设备开箱取出并接通电源后：

步骤 1：一键优化图像，优化对焦和曝光，从而捕捉到优质图像。

步骤 2：收集您实际流程或应用的样本，使用少量图像进行训练。

例如，对于物品检测应用，您需要收集几张空托盘和放有物体的托盘的图像。之后，您就可以在几秒钟内对系统进行训练。

如果是物品分拣应用，则需要收集数个纸盒、自封袋、塑料袋等样本的图像，然后在几秒钟内对这些图像进行训练。

步骤 3：部署、设置离散 IO 或工业通信，然后即可开始运行！

边缘机器学习内置的创新预先训练算法，让系统部署轻松快捷，在 10 到 15 分钟内即可轻松、直接、快速地完成设置，无需视觉专家或额外的硬件。

与过去相比，边缘学习是如何推动当今世界物流业发展？

Bart：五年前，我们使用基于规则的算法，这种算法难以设计，而且容易受条件变化的影响，包括输送系统的磨损，以及工艺流程或产品设计的变化。遇到这些问题需要大量支持来重新设计算法。

三年前，我们向市场推出了深度学习解决方案，这些解决方案在应对变化方面非常强大。如前所述，深度学习部署和调试的难度较大，需要大量额外支持、外部维护以及标签、训练方面的时间投入。 

这对于许多客户来说，准入门槛很高，但边缘学习有助于打开大门，特别是对于刚刚踏上人工智能之旅的初学者而言。边缘学习为深度学习带来了便利，而无需深度学习所需的额外运营费用。

它提供了一个非常灵活的解决方案，可以快速适应新情况，包括快速调整图像，而且几乎不需要外部维护。

这项技术可以帮助降低成本吗？

对于没有资源投资更昂贵解决方案的制造商来说，边缘学习是一种经济实惠的选择。边缘学习的最大优势在于，可以在现场进行再训练，而无需外部视觉专家。这也降低了维护成本、操作员成本、运营费用和其他拥有成本。

展望未来，您认为边缘学习技术在物流领域的下一个创新点是什么？

Bart：我认为，在边缘机器学习的下一次迭代中，我们将以现有工具集为基础，在保持易用性的同时，解决更具挑战性的应用问题。我们计划采用现有的边缘学习工具集，拓展到之前未采用视觉检测的领域。

例如，我们的读码器在当前状态下读取条码非常高效。但通过集成边缘学习工具，我们可以为读码器融入更多智能功能以获取更多信息，例如检测条码标签是否受损。目前，我们的扫描器可以识别损坏的条码，但无法分辨条码是如何损坏的。如果我们集成了边缘学习工具，就可以创建算法来找出损坏情况，并识别标签是否出现撕毁、印刷错误或涂抹。这将帮助客户从根源上解决问题，从而为其带来巨大的价值。

我们的目标还包括利用我们产品的原始概念，并通过边缘学习扩展其能力，以创建更复杂、更先进的工具，使其能够在物流等控制较少的环境中工作。例如，创建适用于高要求物流应用的 EL 计数或分割工具。

物流行业边缘学习的未来

边缘学习技术的集成正在为物流业产生带来巨大影响，包括精度提升、效率提高和成本节省等多方面的优点。Bart 阐明了边缘机器学习的创新能力，强调了边缘学习在物流信息缺陷变化处理和可靠性能方面，相较深度学习或传统基于规则的算法有显著优势。

边缘学习技术的进步将继续改变物流运营的方式，提供可靠的解决方案，为企业解决行业持续面临的挑战，并促进整个行业的快速发展和创新。