在边缘侧部署机器视觉Custom Vision
工业场景中有许多需要图像处理和自动识别的场景。例如产品质检，从外观异常判断是否有擦伤、零部件组装缺失或者遗漏加工步序；化工能源行业的危险区域，操作人员未佩戴保护装置禁止进入；钢厂烟囱排放的废气需要通过颜色来识别排放是否达标。
机器视觉的优势是能够自主学习和判断，基于人工智能算法和机器学习将不断调用参数来从实际运作中积累经验。
采用Azure云端的机器学习工具对视频数据并结合生产过程数据进行分析，形成数据模型，将其部署到边缘，在连接到云端时能够自主学习，提高识别准确率，在脱离云端又能独立运行。
将Azure流分析部署到Azure IoT Edge
工业场景中贴近生产控制层的业务逻辑通常需要对数据进行近似实时的分析并快速作出响应，例如在数控加工行业，在CNC加工过程中由于各种原因会发生崩刃断刀，如何在断刀的瞬间让机床停下来避免产生后续灾害是较为现实的需求。
在一个大滞后系统的加热控制系统中，需要被加热的各区域温度在上升过程中保持一个整体有序的严格的升温曲线，如果温度的变化在较大时区或较小时区内不满足升温规则就需要发出报警。在这些场景中，传统的PLC难以编程判断，需要结合多种数据进行综合分析才能判断出异常。
采用Azure流分析可以解决这类需求;您可以在Azure云端构建流分析作业，并将流分析作业以容器的形势部署到Azure IoT Edge，使用凌顶IIoT-Module采集设备生产数据并存储到数据库，作为流分析的输入，然后将流分析的输出（数据库中的分析结果）通过Node-RED读出来并传输到IIoT-Module内置的OPCU服务器的标签值，从而控制设备或生产报警。
工业边缘应用举例-混凝土骨料等级检测
混凝土骨料是指在混凝土中起骨架或填充作用的粒状松散材料。分粗骨料和细骨料，粗骨料值卵石、碎石等，细骨料指天然砂、人工砂等。
Azure Custom Vision（自定义视觉）使用机器学习算法分析图像，完成对混凝土粗骨料和细骨料的区分。
开发人员需要提交多组图像，然后再提交时自行标记图像，此算法会针对该数据进行训练并计算其自己的准确度，训练算法后，即可在图像识别应用中测试它、重新训练它并最终使用它对新图形进行分类。也可以导出模型本身，方便脱机使用。
边缘识别举例-识别戴口罩
结合最近的社会情况，出现了很多需要检测是否戴口罩的需求。
Azure Custom Vision提供的AI能力可以快速发出一个检测是否戴口罩的模型，并可以发布成API供调用。
本案例中，我们将之前训练好的AI模型通过Azure IoT Edge推送到边缘设备，这么做有如下好处：
- 未必所有的摄像头都能直接调用API，也不能大规模替换新型摄像头
- 未必所有的检测点/场所都有良好的网络，需要离线运行大部分内容
- 提供更快(时延更低)的检测结果返回
- 当我们研发出准确率更高的模型时，可以批量从云端更新边缘设备
热门跟贴