Insight Tech

在工业 4.0 时代，智能工厂连接生产设备并将其数字化，实现了巨大的性能提升。但是，随着公司连接的系统和设备越来越多，它们还造成了巨大的物联网安全挑战。

一个主要问题在于，许多制造商认为安全是系统集成商 (SI) 的责任，但系统集成商认为应该由制造商（甚至是最终客户自己）处理安全问题，致使这件事无人提起。由于没有强大的安全策略，漏洞会越来越多。

这是网络攻击的主要目标，数据盗窃、商业间谍，甚至劫持整个基础设施的勒索软件攻击会造成严重经济损失。

但是，系统集成商可以在物联网安全方面领先行动，阻止这种严重破坏，成为工业领域客户的安全卫士。

减轻各个击破式方法存在的物联网安全挑战

虽然没有人希望看到这些挑战的发生，但常常事与愿违。secunet 高级解决方案架构师 Jan Ludwig Tiedemann 说许多工厂一次只对一个系统进行自动化。这可能会导致自己的设置工作激增。事实上，Tiedemann 经常看到工厂的制造环境中遍布数百个基于 Raspberry Pi 的一次性系统。

虽然这种做法在短期内具有较高的成本效益，但它会阻碍各种整体安全策略的实施。这意味着系统充满安全漏洞，而安全漏洞随着时间不断增加，最终造成无法管理的混乱局面。制造商最终容易遭到攻击和生产中断的情况。

许多公司对他们的安全性有错误的安全感，使这个问题变得更加严重。换句话说，他们可能完全不知道自己的行为是不安全的。

Tiedemann 以一家食品加工公司的经验为例。在该公司的生产线上，多数设备运行存在已知漏洞的旧软件，但他们对这个风险视而不见。一个黑客发动了勒索软件攻击，每台有漏洞的机器在数分钟内变得无法运行。

这不仅阻碍了生产，还造成了实际损害。标签打印系统在攻击中遭到破坏，破坏了标签历史记录。因此，公司无法在进行召回的情况下跟踪已发货的产品。

导致安全漏洞的另一个问题在于，制造商希望系统集成商尽可能降低预算。Tiedemann 发现，由于会被认为增加成本，系统集成商可能不愿提出对增强安全性的需求。

他解释道：“领先行动对任何一方来说都不是容易的事，因此造成了一个‘不要问、不要说’、无人负责的局面。”

另一个问题是机器可能需要停机。Tiedemann 看到一家公司几乎对攻击视而不见，采用各个击破式的方法进行最低限度的处理。设备持续暴露在漏洞下的风险，并不会比为了停止生产、清理漏洞而付出的代价更加严重。因此该公司继续放任攻击者在他们的系统中游走。这是名副其实的达摩克利斯之剑。

内置物联网安全性的工业电脑

幸运的是，有一个解决方案可以解决这些问题：先构建一个内置安全性的平台。secunet 应运而生。作为具有独特安全要求的领域（例如工业物联网、政府和医疗保健）的专家，secunet 看到了人们对真正安全的边缘解决方案的需求。secunet 边缘是针对此需求构建的平台，采用安全第一的原则进行设计。

增强型硬件是平台的核心，包括作为容器应用和数据安全的信任锚的安全元件。此防篡改芯片经过 FIPS140-2 Level 3 或 BSI CC L3 EAL 5 认证，使远程用户能够确定他们安全地存储和处理了云服务或类似应用的敏感密钥。

除了硬件以外，还采用安全的软件平台以及将应用封装在容器中的应用环境，这样还可以防止一个容器中的漏洞影响其他容器。这些应用不仅实现了安全功能（例如自动识别网络流量异常），还实现了关键系统功能。这些功能包括将机器数据传输到后端和外部服务，以及连接系统的远程控制。

由于 secunet 边缘基于强大、可靠的英特尔^® 处理器，除了安全软件以外，还可以运行各种现有应用。因此，系统集成商可以构建高度集成，同时高度安全、便于使用、经济高效的自动化解决方案。

Tiedemann 说：“secunet 边缘使公司能够在利用现代化数字解决方案优势的同时，降低其实施过程中固有的风险。”

此外，secunet 还提供用于将平台保持最新版本的服务。这意味着系统集成商无需担心在发现新漏洞时系统会失去保护，并且无需保留所有底层技术堆栈。

相反，secunet 提供了操作系统和其他部分的更新，可以主动阻止所有安全漏洞并增加新功能。作为平台维护方，secunet 还运行软件供应链的安全分析并定期进行渗透测试，以进行验证。

低成本改造，保持物联网安全性

毫无疑问，保护工厂不只是保护新系统的问题。现有资产也必须隔离。

一个常见问题是如何在提供保护的同时避免高昂的设备更换费用。旧机器通常采用过时的专用协议。因此难以将旧系统连接到现代物联网环境，在现代物联网环境下，访问云和其他 IT 域是必要条件。

为了解决此问题，secunet 与工业协议领域专家 PTC 建立了合作关系。通过在平台中引入 PTC Thingsworx 中间件，secunet 边缘可以访问工业物联网和云。这保持了数据的自由传输，同时将旧机器隔离在阻止漏洞的防护墙后面。

例如，一家制造纸币印刷和清点机器的制造商发现，虽然机器在设计之初预计可运行数十年，但是操作系统已经过时。secunet 帮助该机构更新了物联网安全功能，因此可以在保留现有设备的同时提供前沿解决方案，无需淘汰机器并放弃在机器上投入的资金。

Tiedemann 说：“这是一个典型的用例，在通过补救措施保护机器后再对机器进行改造，而不是把它们报废。”他还补充说，这种主动措施最终可以阻止数百万美元的损失。（图 1）

展望未来，Tiedemann 预计他们与英特尔的合作将成为持续创新的关键。Tiedemann 说：“英特尔在 IT 领域拥有悠久的历史，还提供卓越的边缘计算能力，这是大部分竞争对手无法比拟的。”例如，secunet 将在不远的将来提供搭载英特尔^® 酷睿^™ i5 处理器、性能更高的设备。

“英特尔凭借其他公司无法比拟的服务，帮助我们走在数字转型的前沿。”

现如今，制造企业面临着按时交付优质产品的巨大压力。一些行业（例如，电子产品）也不得不保持微薄的利润率才能在市场竞争中生存下来。虽然制造企业每年花费数百万美元来开发他们的产品，但由于缺陷问题而会损失其中的很大一部分。

ABI Research 进行的一项调查表明，汽车、航空航天和电子行业的制造商因报废和返工而损失的产品介于 2% 至 4% 之间，因保修索赔而损失的产品介于 1% 至 2% 之间。虽然表面上看百分比似乎很低，但影响是深远的。一家拥有 1 亿美元生产线的制造企业将因产品不符合要求的标准而损失 300 万至 600 万美元。

问题主要在于容易出错的质量控制过程。许多公司仍然依赖人工检查，这使他们容易出错。质检员可能无法始终全神贯注，并且人眼无法识别微小的缺陷。然而，泛行业普遍认同的一个目标是高精度地识别任何缺陷，并系统地将其生产中出现缺陷的可能性降低到零。

“零缺陷制造几十年来一直是一个流行词汇”，工业 4.0 应用程序的计算机视觉和机器学习软件提供商 Relimetrics 的创始人兼首席执行官 Kemal Levi 说，“过去，大家试图在生产线上记录来自不同来源的数据，以确定输入和输出参数之间的关系，这些尝试如今看来已经表现平平。当前数据分析和计算工具的进步使流程优化变得更加容易。”

新工具可以提高质量并提供更多优势

人工智能驱动的质量保证工具，例如 Relimetrics 基于人工智能的电子装配 QA 自动化解决方案 (RELI-QA)，实现了质量保证流程的数字化，以实时检测生产中的异常情况，让制造企业有机会在产品发货前采取措施。该技术可以检查产品或零件是否已正确组装，以及是否存在任何外观缺陷。

“这是 2D 和 3D 可测量数据的组合”，Levi 说，“它会进行测量并寻找异常，因为它将质量信息与特定检测阈值相关联。例如，如果您正在检查汽车座椅，它会指出哪里有皱纹。相对于不那么高端的品牌而言，如果是雷克萨斯，您可以根据制造商标准设置检测阈值。”

RELI-QA 系统还收集可用于提高流程效率的数据，例如寻找趋势。

“使用我们的数据分析模块，客户能够看到机器和流程数据与质量数据之间的相关性”，Levi 说，“它超越了质量控制自动化，提供了有关如何调整生产和机器参数以保持质量符合规格的信息。它正在为客户改进流程。”

运行方式

到目前为止，像这样的复杂技术需要高水平的编码技能。但如今，为了可以自行安装的 Relimetrics 软件，其无需任何编码或深度学习专业知识。该解决方案在边缘使用高清摄像头，在组装产品通过生产线时对其进行分析和检查。

然后将视频流传输到使用英特尔^® 处理器和视觉处理器 (VPU) 的嵌入式或附加 IT 系统，完全实现产品 QA 检查的数字化。将结果与在构建过程中定义的制造执行系统 (MES) 进行比较（视频 1）。如果检测到异常，则会发送详细说明问题的警报。质检员可以挑出有缺陷的产品并当场修复，然后再发货给客户。

视频 1。Relimetrics 易于使用的软件让制造企业可以设置参数并训练 QA 系统，以识别可以在发货前纠正的缺陷。资料来源：Relimetrics

富士康已采用该解决方案，该公司为慧与 (HPE) 制造复杂的服务器。借助 RELI-QA，该公司将客户收到的缺陷产品数量减少了 25%，并将整体生产绩效从 sigma 2.1 提升到 sigma 4.2。

“在质量控制自动化的情况下，客户对计算硬件成本和 CPU 的智能利用率非常敏感”，Levi 说，“我们使用英特尔^® Distribution of OpenVINO^™ 工具套件，最大程度减轻负担。我们自安装的 Relimetrics 训练器使任何人都可以使用定义明确的代码谱训练人工智能模型，而无需编写任何代码。他们还可以使用 Relimetrics 节点编辑器快速将此工业级解决方案与其生产线集成。”

该系统可以自安装，同时 Relimetrics 也为客户提供全天候远程支持。“如果出现技术故障，我们有提供热线电话，通常可以远程解决问题”，Levi 说，“如果未能解决，我们会通过我们的系统集成商来解决。我们还为使用 Relimetrics 软件训练新模型提供支持。”

QA 大显身手

全球领先的创新聚合物供应商科思创 (Covestro) 正在利用 Relimetrics 帮助聚氨酯面板行业的客户实现 QA 数字化并降低缺陷率。Levi 说，建筑行业严格的质量要求给供应商带来了巨大的压力，要求他们提供长期质量有保证的产品。

“目视检查是随机的、缓慢的、主观的，而且往往容易出错，因此很难检测出制造地点的所有缺陷”，他说。“当有缺陷的面板在安装后使用时，如果出现开裂和磨损迹象，就会导致高成本的召回。由于对生产的每个零件的机器、工艺和质量参数之间的相关性缺乏精确的可追溯性，确定缺陷的根本原因成为了额外的挑战难题。”

借助 RELI-QA，完全实现了聚氨酯面板检测的数字化。每个面板都由基于人工智能的高级算法在车间级别实时进行分析。每块生产出来的板材在离开加工设备时，都会在切割环节进行尺寸分析和发泡缺陷分类。机器设置、环境条件和产品质量数据之间的相关性被用来开发新的洞察。甚至可以实时捕获和标记较小的缺陷，从而创建一种主动的 QA 方法，而不是在实施 Relimetrics 之前仅靠人工检测出一小部分缺陷。

“这方面的总体愿景是能够为科思创的客户提高工艺效率，以便他们能够使用科思创材料制造出更好的产品”，Levi 说，“真正重要的是现在能够为整个供应链创造价值。”

如果您曾经买到过有缺陷的产品，您就会知道这是多么令人沮丧。您可能想知道，“怎么会发生这样的事？”几十年来，质量控制一直是一个不太复杂的过程，通常涉及 QC 专员在工厂生产线或仓库对产品进行抽查。由于人为失误，可能会将有故障的商品送到客户手中。结果如何呢？代价高昂的浪费、保修索赔以及对公司声誉的影响。

“检查组件并非易事”，计算机视觉 (CV) 和机器学习 (ML) 软件提供商 Relimetrics 的人工智能总监 Serhan Can 解释说，“人类操作员会感到疲倦，然后会开始出现漏检缺陷的情况。此外，下游制造企业和运输货物的物流公司都面临着巨大的时间压力。质量控制过程需要尽可能减少占用时间。”

虽然机器可以执行重复性工作，例如检查零件，但由于复杂性和费用问题，它们的功能尚未得到尽可能充分地利用。但是现如今，新工具可以简化流程。

从 QC 到 QA 的演变

从质量控制 (QC) 转向质量检测自动化 (QA) 可以帮助公司实现零缺陷，但这种转变并非一蹴而就。随着时间的推移，该技术已经成熟，并且最新的迭代可以利用人工智能来检测异常，并实时适应生产变化。

要了解这些新的质量控制系统可能产生的影响，以及贵公司在自动化进程中所处的位置，请考虑使用由 Relimetrics 和 ABI Research 定义的具有五个不同级别的 QA 成熟度模型：

• 级别 1：人类收集和评估数据。
• 级别 2：摄像头收集数据，然后人类对其进行评估。
• 级别 3：摄像头收集数据，传统计算机视觉软件识别问题，而由人类解决问题。
• 级别 4：与基于人工智能的机器视觉软件集成的摄像头可以收集数据并识别问题，而由人类解决人工智能误检测的问题。
• 级别 5：QA 已完全实现数字化和自动化，仅在边缘用例中有人类参与。与基于人工智能的机器视觉软件集成的摄像头可以识别问题并向可编程逻辑控制器 (PLC) 发出指令报废相应的产品，或将其送至返工站点。

每一步都可以减少对人工操作的依赖。Relimetrics 的创始人兼首席执行官 Kemal Levi 博士说：“人工智能自动化比执行繁琐工作的人提供了更高程度的准确性。”“大多数制造企业都正在着手开始各自的转型过程。其中大多数的运作模式处于级别 3，很少有能达到级别 5。”

在今后的五年中，随着计算机视觉发挥核心作用，QA 自动化的速度预计将迅速提升。如果要实现快速采用，部分因素取决于新工具的可用性。过去，复杂的人工智能技术需要高水平的编码技能，但如今的系统，例如 Relimetrics 基于人工智能的电子装配 QA 自动化解决方案 (RELI-QA)，无需任何编程或深度学习专业知识即可自行部署。

“我们的软件不是人类编写的，而是软件自我编写而成的”，Can 说，“该产品使没有深度学习经验的人也能够训练深度学习模型，使整个过程实现自动化。”

质量控制自动化大显身手

Relimetrics 最近帮助慧与硬件制造企业富士康在成熟度模型上达到了级别 5。借助 RELI-QA，它使富士康生产复杂慧与服务器的 QC 流程实现了自动化，这些服务器至多可以搭载 16 个内存组件，每个组件有 16、32、64 或 128 GB 可供选择。内存配置是 20 个不同变量的其中一项。此外，生产环节的节奏很快。

“挑战在于，每台服务器都是根据特定的最终用户需求而制造的，每台下线的服务器都是不同的”，Can 说，“对于人类操作员来说，这是一个非常复杂的用例。检查缺陷可能需要一个人在每台服务器上至多花费 5 分钟的时间。”

使用 RELI-QA，质检时间可以减少到大约 30 秒。除了节省时间之外，QA 流程还将客户收到有缺陷的慧与服务器的数量减少了 25%。整体生产绩效从 sigma 2.1 提升至 sigma 4.2。

深度学习和计算机视觉：通往级别 5 的途径

RELI-QA 由搭载英特尔^® 处理器的架构提供支持，可以在边缘使用高清摄像头。该解决方案在产品通过生产线或仓库时对其进行分析和检查。视频流传输到嵌入式或连接的 IT 系统，其中数据会与构建过程中定义的制造执行系统 (MES) 进行比较。英特尔^® Distribution of OpenVINO^™ 工具套件优化了模型的推理时间。如果检测到问题或缺陷，则会实时发送警报，使 QA 检查过程完全实现数字化。

“这项技术的精妙之处在于它可以从图像中学习”，Relimetrics 的深度学习专家 George Sakr 博士说。“它会查看图像，提取重要特征，识别有缺陷图像与无缺陷图像的区别，并通过示例进行学习。这种能力就是人工智能引领这一转型的原因。”

人工智能驱动的 QA 建立起了一个带有反馈循环的生态系统，提供了制造企业和物流企业可以用来提高效率和运营的洞察力——帮助他们将无缺陷产品运送给客户。

在供应链中，QA 自动化确保了可追溯性。例如，在产品召回的情况下，公司可以采取快速行动并识别受影响的物品，而不是处置整批产品，从而节省大量成本。

生产闭环对于工业 4.0 至关重要，实时反馈是实现闭环的方式。

“无需等到生产结束再评估是否已正确制造产品，任何问题都可以在制造时得到识别和纠正，以免最终落到客户手中”，Levi 说。“持续的反馈让我们对未来更高效的流程和更高的盈利能力充满希望。”

智能制造。工业物联网。工业 4.0。无论您如何称呼它，制造商都在朝着数字化转型迈进。

但是，一些特定于制造业的挑战却使整个进程放慢了脚步：例如，工厂车间中存在着各式各样的机器——它们通常来自不同的年代和各个供应商，而且工作逻辑也大相径庭。

面对这种情况，制造商通常采用的办法是针对个别机器或用例部署单点解决方案。但是，即便这种办法能够有效地解决某一个问题（例如预测性维护），如果不能惠及工厂的其余部分，那么它的投资回报率也是有限的。如果机器本身（包括它们的网络标准、协议和基础设施）孤立于工厂里的任何其他系统之外，是不可能做到惠及其余部分的。

而工业 4.0 的要求则截然相反：互联的机器和集成的数据，这样制造商就能扩展效果显著的用例，添加新用例，并将其重复应用于不同的机器和工厂。

这种可扩展性是能够实现的，但需要我们采取一种从业务的 IT 和 OT 角度提供思维的新方法。一次性完成对整个工厂的转型既不可能，也无必要。但我们可以在小范围内尝试智能制造项目，侧重于如何扩展其成果。我们可以从简化底层基础设施开始。

数字化转型的工业基础设施

对于担心危及生产的制造商而言，将智能工厂应用部署为试点项目具有现实意义。但其余的基础设施系统则如迷宫般错综复杂。Dell Technologies 智能制造和工业边缘战略首席技术官 Todd Edmunds 称之为“偶然型基础设施”。在开始任何重大的数字化转型之前，需要先将其彻底清理干净。

如何做到这一点？“利用 IT 对企业级基础设施的了解，并在工厂边缘部署其简化版本。” Edmunds 说。

Edmunds 还特别指出超融合基础设施集存储、处理、网络和安全于一身的优点。通过将所有这些功能整合到统一的平台中，超融合基础设施为数字化转型提供了高度可扩展和可重复的基础。

当然，基础设施只有在能够连接工业计算机的前提下，才能充分发挥效用。这就是 Dell Technologies 与 PTC 合作的原因，因为 PTC 的 ThingWorx 软件可以充当翻译层，将工厂车间里的各种技术（及其不同的工作逻辑）与企业式的基础设施衔接起来。“PTC 非常、非常了解 OT——这正是我们选择与他们合作开发此解决方案的重要原因。” Edmunds 解释道。

简而言之，Dell Technologies 和 PTC 的解决方案具有超融合和软件定义的特性，所以让扩展变得更简单。由于平台经过模板化，因此可以陆续以拖放的方式轻松添加新应用。而且也无需借助专门的团队和设备来添加为其提供支持的基础设施。相反，添加更多服务器就足够了。您可以通过一小笔前期资本支出的形式来购置，或者不久后，还可以通过基础设施即服务的形式来购买。

OT-IT 融合和创新的种子

在这样一个弹性计算池的帮助下，连要求大量内存和存储的高级用例（例如，增强现实应用）也可以根据需要快速部署到基础设施之上。

这样的高效带来了巨大的节省。“现在，制造商及其系统集成商合作伙伴不必再分别为每一个新用例设计独立的基础设施，然后再尝试让它们实现通信了。” Edmunds 指出。Dell Technologies 和 PTC 解决方案可自动集成不同的数据源，为制造商节省时间和金钱，从而以创新的方式使用这些数据。

但 Edmunds 表示，如要充分发挥出这种 IT 式、可重复的基础设施的全部价值，IT 和 OT 必须协同工作。他补充道：“仅仅将这些企业级技术带到工厂车间，实现从无到有的突破，还远远不够。”

虽然 IT 部门负责管理更高级的基础设施层，并将他们在大型数据中心方面的专业知识应用到任务中，但边缘计算层却是由 OT 部门来把控的。因此，这两个部门都需要从一开始就参与到智能制造项目中。

毕竟，尽管 OT 部门接受变革的速度往往比较慢，他们却比任何人都更了解机器数据以及如何才能更好地利用它们。此外，在理想状态下，他们也会逐渐接受用于改进（而不是破坏）生产的新技术。

下一代的制造技术

我们的客户之一，一家专门生产航空航天系统的制造商，需要改善产品的生命周期管理，以便随时提供推进器之类的关键设备。所以他们部署了 Dell Technologies 和 PTC 的基础设施解决方案，以便针对其生产线获得企业级的实时可见性。

现在，他们正在构建像“数字镜像”这样的下一代用例——它们的价值将高达数十亿美元。此外，将来可以快速将这些用例扩展到数十万个资产和位置。

在工厂边缘部署经简化的 IT 级基础设施可帮助制造商摆脱技术孤岛，并加快迈向数字化转型的步伐。“当制造商拥有无限的计算能力时，他们就能构想出无数种全新的用例——并达到前所未有的高效。” Edmunds 说。

虽然人类难以长期保持注意力集中，但计算机视觉却永远不会感到疲倦。这一点很重要，因为仓库和工厂车间的物理安全必须得到全天候的保障。由于疫情，供应链需求激增，给这类运营带来了压力。根据美国劳工统计局的数据，货运工人的工伤率在所有职业中是最高的。

由经理和其他人员负责监控工业环境时，员工安全可能会面临人为错误带来的风险。虽然技术可能会提供答案，要真正创造出一个有效的解决方案可能是知易行难。

全球技术系统提供商 Avnet Integrated 的嵌入式解决方案高级经理 Christian Lang 表示：“激光等传统解决方案的安装方式非常复杂。” “它们还要求将大量工作投入到追踪上。”

此外，年代较为久远的技术常导致矫枉过正：“如果员工进入禁区，它就会关停整个系统，” Lang 说。“这可能会很危险。”

人工智能和计算机视觉实现仓库安全自动化

更好的办法是将人工智能和计算机视觉结合起来，监控同一个区域，并向企业提供实时分析和洞察。例如，Avnet 的人工智能视觉平台会对区域进行定义，检测人们应该在哪里、不应该在哪里，并发送警报（图1）。在人们过于靠近机器人时发出警报，不仅能够提高安全性，还能使机器免于人类干扰、继续工作，从而提高了生产效率。

“在识别到风险时，系统可以只降低位于该区域中的机器人和机器的工作速度，从而节省时间并提高效率，” Lang 指出。“在生产中，时间就是金钱。”

除了监控周围环境以外，人工智能-视觉解决方案还预编有其他专用的现实世界应用程序。例如，它的人员计数功能可以检查是否合规、是否遵循距离规则。借助摄像头进行自动化的实时人员计数有助于发现问题，比如在一个需要更多员工的区域里只有两名员工。

运动检测功能可以确保人或机器朝着正确的方向移动。系统还可以分析人类行为，并创建报告（例如，是否有人在停车场中停留太久）。人工智能视觉还能够识别入侵，并提供适用于人群密度控制的设置。

Avnet Integrated 的嵌入式创新市场推广专家 David Meyer 指出：“在工业环境中，每一种功能都可以非常便利地融入您的场景。”

该系统还包含 GDPR 合规的识别技术。保护隐私是必须的，而且边缘解决方案只向云发送元数据，而非个人信息。“目前，该软件只能将视频流中的人作为人类来进行检测，” Lang 说。“为了确保隐私，我们的做法是让视频流中的人脸不可见，并将原始数据保留在边缘。”

简化人工智能技术

开发边缘应用程序可能既困难又耗时，但可随时部署的现成平台为系统集成商提供了更多商机，因为他们无需具备专业知识，即可完成部署。他们还可以加快系统设置速度，这也是安全计划的一个重要考虑因素。

该解决方案包含装有 Avnet 软件的 Avnet AI-Edge System Infinity AI-Cube，以及无线触摸键盘、一些附件和两个摄像头。视频素材的捕捉和分析都发生在边缘。该系统在 Microsoft 10 IOT 上运行，采用英特尔^® 处理器和英特尔^® OpenVINO^™ 工具套件。此外，它还可以通过 Avnet IoT Connect 连接到 Microsoft Azure 云。

“您只需接入电源、启动系统、设置好外围设备，就可以立即使用了，” Meyer 补充道。“对于任何级别的用户来说，都很容易入门。”

智能工厂在行动

Avnet 最近合作的一家仓储机构，过去曾发生过工人未适当装备便进入禁区的事故。该公司实施了人工智能视觉平台，以实现实时监控的自动化。如果员工违反了安全协议，解决方案就会发送自动警报，通知经理立即对此采取行动。借此，该公司降低了事故率，提高了运营的安全性，并制定了更高的安全生产标准。

由于体积小且适应能力强，该解决方案可以通过添加摄像头轻松进行扩展——可至多同时支持 64 个摄像头，为管理人员提供深入分析，以提高工作效率。系统集成商和客户还可以从 Avnet 获取技术支持，对软件进行定制。

随着自动化承担起更多的任务，制造商将需要修改程序，以确保人类和机器继续尽可能安全而高效地协同工作。能够轻松适用于新用例的基于人工智能的解决方案将帮助他们实现这一目标。