You are currently viewing 机器视觉平台技术架构技术架构总览

机器视觉平台技术架构技术架构总览

机器视觉平台技术架构技术架构总览

机器视觉平台技术架构技术架构总览

思为交互机器视觉平台技术架构总览中文Dashboard
思为交互机器视觉平台技术架构总览中文Dashboard

分层架构设计思路

机器视觉平台通常由设备接入层、数据层、平台层、应用层、运维层组成。

每一层边界要清楚,避免相机接入、算法推理、业务报表全部耦合在一个系统里。

设备接入层负责连接工业相机、PLC、机器人、传感器和条码设备。

数据层保存图像、检测结果、工艺参数、设备状态和审计日志。

平台层提供算法服务、任务调度、模型管理、消息通信和统一接口。

应用层面向质量人员、设备工程师、产线主管和管理层提供操作界面。

数据流与控制流

一条典型数据链路是:相机采图、边缘端预处理、算法推理、结果判定、PLC联动、数据归档。

从采图到输出NG信号,在线场景通常要求控制在50毫秒到300毫秒。

控制流与数据流不能混在一起。

控制指令需要低延迟和高可靠,图像文件传输更关注带宽、断点续传和存储成本。

技术选型原则

机器视觉平台技术架构的选型,不应只看软件功能,还要看产线节拍、相机数量、图像尺寸和扩展计划。

单条产线与20条产线的架构差异很大,不能用同一套部署方式硬套。

采购时可以直接问供应商:单节点支持多少路相机?

100万张图片保存90天需要多少钱?算法更新是否影响在线生产?这些问题比演示界面更有价值。

机器视觉平台技术架构数据层架构

数据采集方案

数据采集要区分图像数据、设备数据和业务数据。

工业相机可通过GigE Vision、USB3 Vision、Camera Link或RTSP协议接入边缘工控机。

对于高速产线,建议在边缘侧完成触发控制、图像缓存和初步筛选。

原始图片不必全部上传云端,可按NG图片、抽检图片、关键工单图片分级上传。

PLC数据通常使用OPC UA、Modbus TCP、Profinet或EtherNet/IP采集。

采集数据应带有设备编号、工位编号、产品SN、时间戳和工艺批次,便于后续追溯。

时间同步是现场经常被忽视的问题。

相机、PLC、边缘服务器建议统一使用NTP或PTP,时间误差尽量控制在10毫秒以内。

数据存储设计

图像文件适合存放在对象存储中,例如MinIO、Ceph或云对象存储。

对象路径可按“工厂/产线/日期/工位/产品SN”组织,查询和归档更方便。

检测结果、工单信息和用户配置适合使用MySQL或PostgreSQL。

设备状态、节拍、良率趋势等时序数据,可采用InfluxDB、TimescaleDB或ClickHouse。

对于单张10MB、每天20万张图片的工厂,日增数据量约2TB。

如果全部长期保存,存储费用会快速上升,必须提前制定冷热分层策略。

热数据保存7天到30天,供在线追溯和问题复盘。

温数据可保存3个月,冷数据可转移至低成本存储,保留周期按行业法规和客户要求确定。

数据治理策略

数据治理重点是可追溯、可检索、可审计。

每一张图片都应关联产品SN、模型版本、检测规则版本和判定结果。

训练数据必须保留标注版本和审核记录。

同一批图片被重新标注后,要能查清谁改了、改了什么、何时生效。

数据质量可设置自动规则,例如缺失SN、时间异常、重复图片、文件损坏。

异常数据进入隔离区,避免直接污染良率统计和模型训练集。

思为交互机器视觉平台在零部件产线进行缺陷检测
思为交互机器视觉平台在零部件产线进行缺陷检测

gin-top: 6px;”>机器视觉平台技术架构应用场景

微服务架构设计

平台层建议按业务能力拆分为设备管理、任务调度、算法推理、模型管理、质量分析和报表服务。

服务拆分不宜过细,过度微服务会增加部署和排障成本。

算法推理服务应独立部署。

它需要GPU、显存、CUDA环境和模型依赖,与普通业务服务的资源需求完全不同。

任务调度服务负责把检测任务分配给可用边缘节点或GPU节点。

调度规则可结合相机位置、节点负载、网络延迟和模型版本进行计算。

模型管理服务要支持模型上传、灰度发布、回滚和版本对比。

一套成熟方案应做到新模型不直接覆盖旧模型,而是通过工单或产线分批验证。

平台服务之间建议通过API网关统一入口。

网关可负责鉴权、限流、路由、版本控制和访问日志,减少前端与内部服务的直接耦合。

消息中间件选型

图像检测结果、设备告警和任务状态适合通过Kafka、RabbitMQ或MQTT传递。

高吞吐场景可选Kafka,现场轻量消息可使用MQTT。

消息主题应按工厂、产线、业务类型划分。

每条消息必须包含唯一ID,消费者要支持幂等处理,避免网络重连后重复写入数据。

告警类消息应设置优先级。

设备停机、连续NG、相机离线等事件不能与普通日志共用低优先级队列。

缓存与性能优化

缓存主要用于保存短期任务状态、用户会话、设备在线状态和热点配置。

Redis适合这类场景,但不能把它当成长期数据仓库。

图像传输应避免经由业务服务中转。

推荐由前端获取临时访问地址,直接访问对象存储,能明显降低应用服务器带宽压力。

推理性能要从采图、预处理、模型执行、结果回传四段分别测量。

很多项目卡顿并不是模型慢,而是图片压缩、网络传输或磁盘写入耗时过长。

GPU节点建议设置队列长度和显存阈值。

当显存使用率超过85%时,调度器应减少新任务分配,避免推理服务整体崩溃。

机器视觉平台技术架构应用层架构

前端技术方案

应用层需要覆盖实时监控、缺陷复核、设备管理、模型发布和质量报表。

前端可采用Vue、React或Angular,重点不在框架名称,而在组件复用和权限隔离。

实时画面建议使用WebSocket、WebRTC或低延迟视频流方案。

普通管理页面无需高频刷新,5秒到30秒刷新一次即可,减少服务器负载。

缺陷复核页面应支持图片缩放、区域标注、缺陷分类和人工改判。

改判结果要回写数据层,并进入模型训练候选集。

API设计规范

API建议采用RESTful风格,实时推送可补充WebSocket接口。

接口路径要包含版本号,例如`/api/v1/inspection/tasks`,便于后续兼容升级。

每个接口应返回统一状态码、错误码、请求ID和提示信息。

生产环境排障时,请求ID可以快速关联网关日志、服务日志和数据库记录。

批量查询接口必须支持分页、时间范围和工厂维度过滤。

一次性返回10万条检测记录,会直接拖慢浏览器和数据库。

权限与安全机制

权限体系建议采用RBAC模型,按角色分配菜单、数据范围和操作权限。

操作员、质量工程师、算法工程师、管理员看到的数据不应完全相同。

高风险操作应增加二次确认和审计记录。

例如模型发布、阈值修改、数据删除、用户授权,都需要记录操作者和操作时间。

外部访问必须使用HTTPS,内部服务也建议启用mTLS或服务间鉴权。

账号登录可接入LDAP、A

思为交互机器视觉平台缺陷率和模型准确率数据可视化
思为交互机器视觉平台缺陷率和模型准确率数据可视化

center; color: #888; font-size: 13px; margin-top: 6px;”>机器视觉平台技术架构解决方案

部署方案选择

小规模项目可采用边缘工控机加单台服务器的部署方式。

适合1到3条产线,前期投入较低,但扩容能力有限。

多工厂、多产线项目建议采用边缘节点加中心平台的混合部署。

边缘节点负责实时检测,中心平台负责模型、报表、数据治理和统一运维。

容器化部署可使用Docker和Kubernetes。

对于GPU推理节点,需要验证NVIDIA驱动、CUDA版本和容器运行时是否兼容。

机器视觉平台技术架构落地时,建议把生产环境、测试环境和开发环境隔离。

测试模型不能直接连接正式PLC,更不能直接控制生产设备。

监控与日志体系

监控应覆盖服务器CPU、内存、磁盘、GPU、网络、相机在线率和推理耗时。

Prometheus加Grafana能够满足大部分基础监控需求。

业务监控更关键,例如良率突降、连续NG、漏检率异常、任务积压。

这些指标应配置分级告警,并通过短信、邮件或企业微信通知责任人。

日志建议集中采集到ELK或OpenSearch体系。

日志字段至少包含工厂、产线、设备、任务ID、产品SN、模型版本和错误码。

容灾与备份策略

数据库建议采用主从复制或高可用集群。

关键配置、模型文件和业务数据要定期备份,并验证备份文件能否真正恢复。

图片数据可采用多副本或纠删码机制。

对质量追溯有要求的行业,建议设置异地备份,避免单机房故障导致证据链丢失。

容灾目标要写进采购和验收标准。

例如核心检测服务恢复时间不超过30分钟,业务数据恢复点不超过15分钟,不能只写“支持容灾”。

机器视觉平台技术架构是否可靠,最终要看故障发生后能否快速定位、切换和恢复。

架构设计把这些细节提前做清楚,后期运维成本会明显下降。

相关文章推荐

常见问题

机器视觉平台技术架构技术架构总览适合什么规模的企业?

需结合企业现有信息化基础与数据采集完整度评估。一般中型及以上、具备基本联网条件的企业优先落地;基础较弱的现场可先做数据梳理与试点,再逐步扩展。

机器视觉平台技术架构技术架构总览的落地周期一般是多久?

通常与项目范围、接口数量和现场施工条件相关。中等规模项目多为8—16周,若涉及多厂区、多系统集成或现场改造,周期会相应延长,建议分阶段验收。

实施机器视觉平台技术架构技术架构总览时最常见的风险是什么?

常见风险包括需求边界不清、基础数据质量不足、接口责任未写入合同以及现场执行不到位。建议实施前明确验收指标,实施中按阶段复核,上线后持续跟踪关键指标。

思为交互机器视觉AI中台工业数字化转型背景图

工业数字化转型解决方案

思为交互科技基于工业互联网平台,为企业提供从边缘智能硬件到云端数据中台的全链路数字化解决方案,覆盖安全、生产、质量、设备管理等智能制造全场景,助力企业实现从自动化到智能化的关键一跃。

立即咨询

更多方案… 更多产品…

声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:sales@idmakers.cn删除,任何个人或组织,需要转载可以自行与原作者联系。