关键要点
边缘学习提供了一种实用、可扩展、基于 AI 的解决方案，可用于制造和物流行业的自动化。具体应用如下：
- 通过在设备上处理数据，简化复杂性，实现快速部署，从而改变自动化的应用方式。
- 几乎不需要培训，无需 AI 相关经验，因为采用了预先训练的算法来实现部署。
- 适用于各个行业，通过基于摄像头的智能解决方案来改善质量控制，降低成本，提高效率。
边缘学习是什么？
边缘学习是一种 AI 技术，将数据处理直接放在数据产生的“前沿”，即智能相机或机器视觉应用设备上。该技术利用一组预先训练的算法，与基于 AI 的其他解决方案（如深度学习）相比，其易于部署，并且进行训练所需的时间和图像更少。
边缘学习是一种切实简单易用的解决方案，对初学者和专家都非常友好。制造商可通过部署该技术，便捷实现产线自动化。拥有机器视觉经验，但缺乏特定 AI 技能的工程师，也能顺利部署。边缘学习功能非常强大且简单易用，可以在众多工厂和行业内为丰富的应用实现自动化。
边缘学习的优点有哪些？
边缘学习使机器视觉和自动化变得简单易行。这项技术不需要具备机器视觉和 AI 的专业知识即可使用，因此生产线工程师可以使用自己对于所需任务的现有知识即可进行训练。只需要少量样本图像，即可让系统学习区分合格和不合格零件，无需过往 AI 或机器视觉经验。继续阅读，进一步了解使用此强大技术的好处。
边缘学习的工作原理
通过使用基于智能相机的单一解决方案，边缘学习可以在几分钟内部署到任何工厂生产线上。这种解决方案通常会集成多个组件，包括机器视觉硬件、基于规则的工具和 AI 功能。
机器视觉工具
基于规则的视觉工具非常适合专业任务，例如定位、测量和定向。这些视觉工具可满足具体的工厂自动化需求，结合在一起，便可进行边缘学习，无需再在训练系统时连接视觉工具或构建复杂的逻辑序列。
这些工具可以快速预处理图像，提取密度、边缘和其他特征信息，来探测和分析制造缺陷。这些工具可通过识别和明确图像的相关部位，来实现比传统深度学习方法更低的计算量。
AI 功能
AI 不使用人类程序员创造的规则，而是通过示例来学习，借助合格和不合格部件的带标记示例，构建神经网络和制定有效的通过/失败阈值。本质上，它是在模仿人类学习的方式。
AI 功能可能会有大量的训练要求。另一方面，边缘学习则利用工厂自动化图像具有特定的结构化内容这一特点，并采用此领域知识预先训练算法。这种技术并非从零开始处理，因此应用的学习密集度更低。
边缘学习的用途是什么？
制造商和物流公司可以部署边缘学习来应对各行各业的广泛挑战，包括汽车和电子产品，以及包装消费品和物流。
检测并分类缺陷，将瑕疵与可接受异常加以区分。
检测电阻器，并将其分类为“异常”（损坏或划损）或“正常”。
根据大小、颜色和视觉特征来分类和分隔产品。
通过评价托盘的卫生情况或商品是否卡在交叉带分拣机或输送机中，来避免设备损坏或处理延迟。
在工厂自动化领域部署 AI 的一个常见障碍是“人们觉得”会很复杂。如今边缘学习等 AI 技术的进步正在改变这种认知。
边缘学习是一项颠覆性的技术，既具备非常强大的功能，也易于部署。此项技术可以为多种任务实现自动化，且无需 AI 方面的先前经验或者技术专业知识。从部件检测到分拣和文字读取应用，边缘学习都是将自动化引入工厂的简单选择。
有关上述 AI 制造和程序的研究和信息来自于以下材料：
Rapp. （2022 年 1 月 7 日）。《制造业人工智能：真实案例与经验教训》。来源：https://www.nist.gov/blogs/manufacturing-innovation-blog/artificial-intelligence-manufacturing-real-world-success-stories
Fujimaka 博士。(2020 年 12 月 7 日)。《消除制造业中人工智能采用的障碍》。来源：https://www.automation.com/en-us/articles/december-2020/removing-barriers-to-ai-adoption-in-manufacturing