边缘AI+计算机视频给木板架行业带来了什么

随着数据采集速度的提升，更靠近边缘位置的计算迁移方案，能够在降低延迟以及减少基础设施成本的前提下，更加高效地利用数据资源。另一方面，计算机视觉则是人工智能中的一大分支，旨在通过训练机器帮助其解释及理解视觉内容。

计算机视觉的目标之一，在于利用机器通过与人类相同的方式查看并处理图像。在通过机器学习实现的计算机视觉当中，有一类采用所谓监督学习方法，其中采用规模可观且附带注释的图像集来构建计算模型。尽管模型训练往往相当耗时并占用大量资源，不过一旦训练完成，该模型即可快速高效地执行各类识别任务。

图像与视频分析的具体示例包括：

识别、分类、计数以及评估对象姿态；压缩并编码视觉信息，以进行传输或匹配；估算摄像机视角；前景与背景二维分割；估算深度并执行3D分割；以及还原图像中的遮挡区域或者推断视觉数据等等。

随着边缘AI技术的最新发展，与以往将数据流传输至云端的做法相反，如今我们得以立足本地摄像机完成数据的处理与分析。而这种新兴且无比强大的处理能力，也让计算机视觉在木板架行业拥有了施展拳脚的可能。

目前存在三种计算机视觉架构类型：

将视频或图像发送至云端进行计算；

在边缘位置进行部分计算，仅将少量模式信息传输至云端进行搜索、排序及计算；

边缘AI，在边缘位置计算所有图像数据。最后一种方法难度较高，需要训练出能够安装在边缘设备上，且能够经常更新的模型。这些架构各有自己的优势与缺点，但随着计算机视觉研究机构的不断发展，相信未来可能出现一种同时适合各类场景的应用模型。

木制板架是世界各地货物运输，乃至供应链物流行业中不可或缺的组成部分。欧洲木制板架与包装制造商联合会（FEFPEB）报告称，欧盟目前正在流通的木制板架超过30亿个，而美国每天使用的板架就超过20亿个，其中大部分由资源储备巨头掌握。客户从共享资源池中租用板架，从而降低了供应链产品管理厂商在采购、管理以及回收等环节中的复杂性。

当然，这些巨头企业希望监控整个供应链，了解板架在其中的流动趋势，及时发现丢失及回收点，准确核算出板架的损坏问题与使用周期。为了实现全面监控，各个板架之上都可以贴上唯一的标记或者跟踪设备。如果板架具有唯一ID（例如条形码或者二维码），那么当该板架流经供应链时，厂商就可以利用计算机视觉技术跟踪板架的动向。如果在上面安装跟踪设备，那么在板架流经服务中心的分类流水线时，系统还可通过计算机视觉检测该板架是否需要更换或者维护。

木制板架所选用的木材多种多样，包括山毛榉、白蜡木、白杨、松木以及云杉等等。板架的木材选择决定了纹理轮廓与质地特征，我们不仅能够借此评估单个板架的坚固程度与耐用性，同时也可为板架提供唯一的可跟踪标记。此外，用于固定板材的钉子也会形成一种拓扑结构，反映出关于板材使用寿命的信息——例如在板架在供应链中使用多长时间之后，才有必要进行一次检查维修。

利用经过训练的计算机视觉模型，我们可以在板架制作完成时即对其独特的纹理模式进行识别，并以此为基础对其进行贯穿整个生命周期的标记与管理。当板架在供应链流程中受到损坏并得以修复时，我们也可以进一步记录这些环节对板材纹理及结构产生的影响。计算机视觉不仅能够以此为基础跟踪板架，还可以判断板架的强度与耐用性。利用这种低成本解决方案，板架厂商将能够采取措施，对制造完成或者经过一段时间使用的板架进行筛查。此外，板架厂商还可以收集客户以及垂直行业提供的损坏数量与损坏类型等相关问题的洞察见解，借此增加业务模型并改进设计，从而显著提升自身服务的可靠性。

目前，有95％的受访组织机构报告称，未来木制板架将继续在供应链市场中占据主导地位。木材是目前唯一一种百分之百可再生、可回收、可重复利用且可安全承载多种货品的盛装材料。

另外，计算机视觉还能够在维持仓库内板架确切库存量方面发挥关键性作用。利用包含众多板架的单一图像，经过训练的神经网络能够以远超专业员工的速度与精度提供可靠的板架计数结果。

除了供应链关键绩效指标（KPI）之外，计算机视觉还可应用于板架存放、检查以及维修等层面，帮助服务中心内的工人提高安全性与工作效率。包括敲钉固定在内的各类重复性任务，都可被输入至神经模型当中，借此从实时视频当中判断工人的准确性、疲劳度以及更多其他状态性特征。此外，这项技术也可经由实时视频判断工作人员是否进入了未经授权的区域、存在危险行为或者是否穿着适当的个人防护装备。这仅大大降低发生工作事故的风险，帮助相关企业维持生产流程的可靠运转。

责任编辑：ct