- 综合排序
- 最热优先
- 最新优先
- 来自专栏国产方案
AI盒子FCU3501：是边缘AI“性能猛兽”，更是工业严苛环境下的“耐久型选手”
在工业自动化与边缘计算快速发展的今天，设备的可靠性已成为衡量其价值的关键指标。 飞凌嵌入式基于瑞芯微RK3588J处理器设计开发的FCU3501嵌入式控制单元，从设计之初就将"打造工业级可靠性"作为品质设计理念，通过严格的测试标准和精密的工程实现，打造出真正符合工业级要求的边缘AI 4、国际认证与品质保证目前，FCU3501嵌入式控制单元已获得CE/FCC等多项国际认证，确保产品在安全、电磁兼容性和环保方面符合全球主要市场的准入要求。 结合FCU3501嵌入式控制单元高性能算力、工业级可靠性、灵活扩展能力以及广泛的场景适用性，能够为边缘计算设备树立新的性能标杆。 对于追求高可靠性、高算力密度的工业用户而言，FCU3501嵌入式控制单元无疑是一款值得选择的AI边缘计算产品。
27010编辑于 2025-11-14 - 来自专栏国产方案
如何用FCU3501 AI边缘计算盒子，打造智慧工厂的视觉分析核心？
飞凌嵌入式FCU3501 AI边缘计算盒子，凭借“高可靠架构、强算力支撑、零门槛部署”的多重优势，能够为深陷转型困境的行业打造智慧工厂视觉质检与安全生产一体化系统，成为突破困局的关键动能。 3、一体化系统的多重价值FCU3501 AI边缘计算盒子在智慧工厂中展现了多重的应用价值：产线视觉质检：可以通过双千兆以太网接入多路工业相机，利用USB 3.0接口连接额外的辅助相机。 4、边缘-云端协同的架构优势飞凌嵌入式FCU3501 AI边缘计算盒子采用“边缘-云端”协同架构，在本地完成实时分析，仅上传结构化数据与告警事件，大幅降低带宽压力。 5、面向未来的可扩展AI边缘计算盒子飞凌嵌入式FCU3501 AI边缘计算盒子的算力设计展现出显著的前瞻性架构思维。 如今，FCU3501 AI边缘计算盒子正以工业级可靠性筑牢生产安全防线，凭借即插即用的部署优势加速AI普惠进程，持续为制造企业构建面向未来的智能化竞争力。
24910编辑于 2025-11-21 - 来自专栏燧机科技-视频AI智能分析
AI智能视频分析盒子
ai智能视频分析盒是一种集音视频编解码、传输数据、储存、个人行为分析等技术性于一体的工业控制系统级智能分析机器设备。 ai智能视频分析盒其外界一般网络摄像头键入视频，可以识别图像中的个人行为，输出异常警报实体模型，完成出现异常情形的立即警报作用。机器设备布署便捷，使用方便，自然环境适应能力强。 智能视频分析盒子有着自身领先的优化算法，捕获鉴别速度更快，高精度。工业生产设计标准，外型精美，牢固靠谱，适用各种各样室内室外应用场景。 ai视频智能分析盒、工业物联网盒与此同时运作各种各样检验优化算法，包含安全头盔、反光衣、手机、抽烟、地区侵入、烟火检验作用、精确性高、检验速度更快、抓屏快。
2.9K20编辑于 2022-09-06 - 来自专栏燧机科技-视频AI智能分析
工地视频监控ai分析盒子
工地视频监控ai分析盒子系统能设在安全出口外或办公区域，依据视频监控自动识别不戴安全帽的人，并传出警示。工地视频监控ai分析盒子将警告信息推送到后台监控平台工作人员，与此同时截取图片做为凭证。 工地视频监控ai分析盒子提升了作业区域的管理效率，保证了作业人员的安全。 工地视频监控ai分析盒子借助最前沿的AI机器视觉算法，应用新的大数据，云技术，AI以在监控摄像头中实时监控现场视频流画面，可以用人工智能和物联网AI机器视觉算法对施工工地人员的工作着装及日常作业行为进行规范化管理 工地视频监控ai分析盒子对佩戴安全帽的识别精度很高，除此之外还有反光衣穿戴识别检测、烟火识别、玩手机识别、抽烟检测、高空作业安全带识别检测、区域侵入等识别算法广泛应用于智慧校园、智慧建筑工地、智慧加油站
73320编辑于 2022-09-28 - 来自专栏信息化运维
混合、边缘与AI
云计算实施专家Amido的CTO Simon Evans看到各个领域的CIO都应用或计划使用边缘计算：“边缘与位置有关——你把东西放在哪里，使它们与云计算互补。”他认为，联网设备为企业增加了机会。 Evans认为边缘的应用得益于企业认为战略应聚焦于“云优先”，因此Amido也发现企业内部的云原生工具数量的增加。 边缘计算的兴起将提高组织收集数据的能力。 展望未来 Evans认为，云计算的应用将使“人工智能(AI)和机器学习(ML)获得动力”。 尽管围绕于这项技术的是不断的媒体报道、争论和炒作，但Evans表示，这项技术和边缘计算一样，正在成为CIO的战略实际。 那些需要理解结构与非结构化数据以帮助自身进行决策和分析的公司正在使用云供应商提供的嵌入式AI和ML来获得相应能力。 他预测，“2019年，这一趋势将继续扩大，主流企业会将AI纳入其数字战略中。”
66900发布于 2019-11-16 - 来自专栏嵌入式分享
AI边缘计算盒子：当工业现场的老师傅经验遇上算法的火眼金睛
飞凌嵌入式的FCU3501 AI边缘算力盒子，正是一颗专为工业现场定制的"数字脑核"——它把AI的识别能力、系统的决策响应，都压缩进了离产线不足十米的铁壳里。 在边缘侧，让数据自己"长眼睛"具体的产线上，这套系统是这样工作的：✓质检环节工业相机每秒拍下数百张零件图，FCU3501 AI边缘计算盒子通过RS-485接口接收传感器的"触发脉冲"，在毫秒级完成抓拍、 边缘-云端的分工哲学★核心架构优势FCU3501 AI边缘计算盒子只做一件事：在本地把"非结构化视频"变成"结构化事件"。 智能化转型最怕"一锤子买卖"，而FCU3501 AI边缘计算盒子提供的是"渐进式进化"的确定性。 FCU3501 AI边缘计算盒子的价值，不在于它是一颗多强的AI大脑，而在于它让工厂的老师傅、年轻工程师、管理层，各归其位：经验被算法提炼，注意力被机器解放，决策有数据支撑。
44510编辑于 2025-11-27 - 来自专栏数据派THU
原创 | 一文了解边缘计算和边缘AI
这个9月，AI芯片独角兽地平线发布了自诩最强边缘 AI 芯片地平线「旭日3」，一时间引起轰动。 事实上，当前边缘AI芯片已不再是个小众领域，除地平线以外，包括谷歌、英伟达、英特尔、高通、华为、寒武纪均于近两年推出边缘AI芯片，AI芯片的战火已经由云端蔓延到了边缘。 边缘 AI 芯片组市场将超过云AI芯片组市场。 预期在未来五年，AI训练与推论会在网关或是各种边缘装置进行，甚至往下到传感器节点。那么，边缘AI到底是什么，靠什么能解决这些行业痛点呢？ 三、边缘AI的使用场景 边缘AI因其流量占有少、时延低、隐私性强等特征，在各行各业具有广泛的应用前景。 智能手机 这或许是我们最熟悉的边缘AI设备。
2.4K51发布于 2020-10-26 边缘AI硬件优化策略解析
这些流畅交互的核心是边缘AI——直接运行于智能手机、可穿戴设备和物联网设备上的AI技术，提供即时直观的响应。什么是边缘AI？ 边缘AI指将AI算法直接部署在网络"边缘"的设备上，而非依赖集中式云数据中心。该方法利用边缘设备（如笔记本电脑、智能手机、智能手表和家用电器）的处理能力进行本地决策。 基于云的AI模型可依赖具有强大算力的外部服务器，而边缘设备只能利用现有资源。这种向边缘处理的转变从根本上改变了AI模型的开发、优化和部署方式。 幕后工作：为边缘优化AI能在边缘设备上高效运行的AI模型需大幅缩减体积和计算量，同时保持可靠结果。该过程通常称为模型压缩，涉及神经架构搜索（NAS）、迁移学习、剪枝和量化等先进算法。 每年都在架构、制造和集成方面取得进展，确保硬件与AI趋势保持同步。边缘AI的发展之路边缘AI模型部署因生态系统的碎片化而更加复杂。由于许多应用需要定制模型和特定硬件，缺乏标准化。
27000编辑于 2025-09-15- 来自专栏边缘计算
4个案例，整篇干货！让你的边缘计算不“边缘”！
以下是4家不同行业中的企业关于他们在边缘计算方面的尝试，以及他们在员工安全、生产力、客户服务和收入方面的经验。 边缘计算加快了 人工智能维护货运列车的速度 闲置时间是货运列车运营的敌人。 在列车穿越时，我们从各个角度对整个列车进行成像，然后通过AI算法寻找用例或机械缺陷。该系统可以检测出漏油、零件损坏和舱门缺失的情况，并指出需要修复的问题。” 在开发方面，该公司也将继续扩大其AI应用程序的范围。最近，Duos开始使用热成像技术来捕获和分析安装在列车车厢下方的电力牵引电机在不同温度下的运行情况模型。 位置感知应用程序让酒店客房变得更加智能 在边缘执行大量操作有时可以减少硬件数量。在Nobu Hotels，经过升级的无线基础设施正在以更少的专有硬件支持更多的物联网和由AI驱动的应用程序。 Miller说：“例如，如果明尼阿波利斯的Lake Street商店不能使用EBT，那么不到一个小时，我们就可能会损失4万美元。”
1.3K20发布于 2021-03-09 - 来自专栏云计算D1net
边缘计算部署成功的4个因素
然而，实现边缘计算架构并不总是那么简单。当企业将业务推向网络边缘时，需要考虑以下四个因素。 自动化通常是通过靠近边缘端点和集中控制层的自动化工作流来实现的。本地化执行可以防止高延迟和连接中断，集中控制则提供对边缘环境的集成控制。 一方面，边缘设备不再那么小。例如在最近的一项研究中，企业内部的高级运营管理人员表示，允许在本地进行数据分析是一项重要的边缘计算优势。 04 提供帮助 如今有许多关于边缘计算的信息来源。但是想了解一些开源工作，这些工作记录了基于企业已经实施的模式的完整边缘架构。 它们包含帮助构建边缘软件堆栈所需的所有代码，以便更快地获得概念验证。典型的模式包括数据中心和一个或多个基于边缘Kubernetes的集群。
49630编辑于 2022-12-08 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】边缘检测原理
经过几个月的努力，小白终于完成了市面上第一本OpenCV 4入门书籍《OpenCV 4开发详解》。 为了更让小伙伴更早的了解最新版的OpenCV 4，小白与出版社沟通，提前在公众号上连载部分内容，请持续关注小白。 , result3); //整幅图像的边缘 result6 = result2 + result3; //检测由左上到右下方向边缘 filter2D(img, result4, CV_ 16S, kernelXY); convertScaleAbs(result4, result4); //检测由右上到左下方向边缘 filter2D(img, result5, CV_16S ("result2", result2); imshow("result3", result3); imshow("result4", result4); imshow("result5",
89940发布于 2020-02-10 - 来自专栏燧机科技-视频AI智能分析
视频ai智能分析边缘计算盒
视频ai智能分析边缘计算盒可以配备为在施工工地现场监测到违规事件时开启即时警报，并伴随時间的变化收集数据，将其展示为历史时间数据图表、图型或热点图。 视频ai智能分析边缘计算盒与传统的的视频监管方式对比，传统式的视频监管方式 通常必须手动式分析很多的视频流，视频ai智能分析边缘计算盒可以协助工作员在必须付诸行动时过虑有关事情并发送报警。 视频ai智能分析边缘计算盒还能够与人脸识别技术和身体鉴别技术相结合。 视频ai智能分析边缘计算盒接入前端第三方监控摄像头视频流数据开展分析，视频ai智能分析边缘计算盒会将分析出来的结果向三方平台推送预警信息照片、视频和警报统计数据，完成各种各样连接。
1.8K20编辑于 2022-09-12 - 来自专栏VoiceVista语音智能
AI on the Edge - 苹果手收购边缘处理AI公司Xnor
苹果以2000万美元收购边缘侧人工智能创业公司Xnor.ai。Xnor.ai专注于非云端的边缘侧低功耗机器学习技术(low-power machine learning)。 Xnor的物体识别(recognition AI)与其低功耗技术相结合，对于苹果非常有价值，比如在iPhone上更快的人脸识别速度，或者是在智能家居产品，由于无需连接至云端，从而可以更好地保护用户的隐私 Xnor尽管目前并不支持语音人工智能，但其底层的边缘处理是一致的，特别是在效率和隐私保护层面(efficiency and privacy)。 Sensory近日发布的脱离云端的可定制语音助手，与Picovoice平台均是边缘侧人工智能的应用案例。 又比如Knowles推出的首个边缘侧Amazon-approved Alexa headset development kit，以及Aspinity推出的边缘侧语音人工智能模拟电路系统。
62810发布于 2020-02-19 - 来自专栏云云众生s
边缘 AI：如何利用 Kubernetes 实现魔力
但是对于实际的关键业务推理工作，零售助手和其他 AI 工作负载可能不应该存在于云中。它们需要存在于边缘。事实上，我们认为大多数 AI 工作负载的自然家园将是网络边缘运行。 为什么？ ...并且 AI 放大了边缘的挑战 在边缘环境中添加 AI 引入了更多层次的复杂性。 在深入功能列表之前，EdgeAI 使您能够： 大规模将边缘 AI 堆栈部署和管理到边缘位置，从易于使用的硬件载入选项到包含您选择的AI引擎的可重复“蓝图”。 您的行业也有边缘 AI 使用案例。 但是只有当您能够解决边缘的挑战时，AI 的益处才会握在您手中。
37710编辑于 2024-03-28 边缘AI与端云协同架构
边缘AI与端云协同架构概述 边缘AI将人工智能模型部署在边缘设备（如手机、传感器、嵌入式设备）上，实现本地实时处理；端云协同通过边缘与云计算的协作，平衡计算负载、隐私与延迟。 案例分析 案例1：智能家居安防系统 架构设计： 边缘端：摄像头运行轻量级YOLOv5模型，实时检测入侵者，触发本地警报。 云端：上传可疑图像至云端进行高精度分析（如ResNet），并通知用户。 技术要点： 边缘设备使用TensorFlow Lite或PyTorch Mobile部署模型。 通过MQTT协议实现边缘与云通信。 案例2：工业设备预测性维护 架构设计： 边缘端：传感器采集设备振动数据，运行LSTM模型预测故障。 云端：聚合多设备数据，训练全局模型并下发更新至边缘。 技术要点： 边缘计算减少数据传输延迟。 动态卸载：根据网络条件决定计算在边缘或云端执行。 安全协议：采用TLS加密边缘-云通信。 通过案例与代码可见，边缘AI与端云协同能显著提升响应速度并降低带宽消耗，但需权衡模型精度与资源限制。
46410编辑于 2026-01-20FPGA，实施边缘 AI 的理想选择
企业实施 AI 需要满足哪些要求？ 在整个企业内广泛实施 AI 时，务必要确保边缘设备、边缘基础设施和云三大基础设施要素均具备处理 AI 工作负载的足够性能。 实施 AI 的具体要求包括： - 高性能：AI 工作负载往往计算密集度较高，在进行 AI 训练或推理的地方，必须具备强大的计算性能； - 低时延：将 AI 工作负载转移到边缘位置（即使只是将部分 面向 Altera FPGA 和 SoC 的边缘就绪型 AI 工具套件 分布式 AI/机器学习边缘解决方案往往十分复杂，开发难度非常高。 4- Altera SoC FPGA 利用集成的 CPU（ARM 或 Nios® 处理器内核）充当 AI/机器学习加速器，直接提取并处理数据，实施 AI/机器学习推理，然后通过以太网网络将处理过的数据和推理传输至云端 边缘 AI 用例 许多数据中心以外的终端市场都很适合采用 FPGA 来实现应用和 AI 计算功能所需的逻辑，从而支持在本地处理数据。
18210编辑于 2026-03-23- 来自专栏云计算D1net
边缘计算为企业解决的4个问题
事实上，根据调研机构Analysys Mason公司的调查，企业在未来三年中可能平均将其IT预算的30%花费在边缘计算上。 边缘计算可以为企业解决哪些问题？ 边缘计算解决了哪些问题？ McCarthy说：“传输和存储所有数据的成本让许多人怀疑物联网是否值得大肆宣传。这就是物联网行业转向边缘计算的原因。 研究和咨询机构STL Partners公司边缘计算实践负责人Dalia Adib表示：“可以通过使用低延迟的边缘计算来远程操作危险环境中的机器设备，以避免危及工作人员。 可以部署边缘处理功能，在顾客走进商店时向购物者发送有针对性的商品促销和销售信息。企业还可以将其应用程序移至边缘以增强实时决策能力。 4企业IT问题：连接使用原有机器协议进行通信的老化设备 移动边缘计算设备可用于从连接到原有设备的传感器捕获数据。
1.1K20发布于 2020-08-31 - 来自专栏云计算D1net
工业领域的4个边缘计算用例
物联网/边缘用例可以跨系统提取数据，关联事件并预测故障。” (2)在工业现场运行AI/ML工作负载 减少或消除延迟是边缘计算战略的主要驱动力之一。 工业物联网中存在巨大的AI/ML和自动化潜力，但也存在巨大的数据和延迟影响。 Iterate.ai公司首席技术官Brian Sathianathan表示：“让智能机器在边缘无缝工作需要大量数据。 在边缘保留必要的数据将是使边缘计算与AI/ML用例相结合的推动因素，并最大限度地减少Sathianathan所描述的“数据过多”场景。 (4)加强员工安全和现场安全 在这里将看到一种模式：工业边缘/物联网用例依赖于这些环境中的大量传感器和其他机器。但这不仅与机器有关，还与人员有关。 与许多边缘应用程序一样，这是一个通常涉及或与其他技术(如AI/ML)集成的类别。这也是一种看似低技术的设备(例如无处不在的员工ID徽章)可以进行现代改造。
91740编辑于 2022-12-08 - 来自专栏贾志刚-OpenCV学堂
OpenCV4 调用HED边缘检测算法
点击上方蓝字关注我们 微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 HED算法介绍 图像边缘检测是图像处理与计算机视觉领域最基础也是最重要的任务之一，早期的Canny边缘检测到现在还在使用 ，但是Canny边缘检测过于依赖人工阈值的设定，无法在通用场景下工作，如何找到一个在自然场景下可以正确工作的边缘检测器，答案是使用CNN。 ，作者以VGGNet与FCN作为基础网络进行改进，对VGG网络进行conv1_2, conv2_2, conv3_3, conv4_3, conv5_3多个特征层的输出，借助FCN全卷积网络的设计，通过权重融合层实现各个层相连接 ，去掉了VGG网络的后半部分，大大减少了网络浮点数计算次数，网络架构示意图如下： 代码演示 OpenCV DNN本身是不支持该网络直接加载与执行的，必须通过OpenCV4中支持的自定义层方法，首先解析 Pytorch轻松实现经典视觉任务 教程推荐 | Pytorch框架CV开发-从入门到实战 OpenCV4 C++学习 必备基础语法知识三 OpenCV4 C++学习 必备基础语法知识二 OpenCV4.5.4
1.8K10编辑于 2022-08-29 - 来自专栏后端
智简模型，边缘智能：AI 轻量化与边缘计算的最佳实践
摘要边缘计算与 AI 模型的结合，能够在资源受限的环境中提供实时智能服务。通过模型轻量化技术（如量化、剪枝和知识蒸馏），我们可以显著减少 AI 模型在边缘设备上的计算需求，提升运行效率。 本篇文章将介绍 AI 模型轻量化的基本方法，并展示一个将轻量化模型部署到边缘设备的案例。引言近年来，边缘计算的应用场景逐渐增多，例如智能家居、无人机、物联网设备等。 然而，传统 AI 模型通常体积庞大，计算复杂，难以在计算资源有限的边缘设备上运行。模型轻量化技术正是为了解决这一问题，使得 AI 算法能够高效运行于边缘设备之上。 效果： 通过量化，模型的存储大小可以减少约 4 倍，同时计算效率显著提升。量化后的模型通常适用于低性能硬件环境（如微控制器、树莓派等）。 未来边缘计算硬件的持续进步和模型轻量化技术的优化，将进一步推动 AI 技术的普及。更多复杂算法将得以部署于资源受限的设备中。
1.7K12编辑于 2024-12-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号