本项目由万向研究院、中国联通网络技术研究院牵头，万向钱潮公司、杭州领克信息科技有限公司、广东宜通世纪科技股份有限公司参与。
上述单位共同参与测试床项目的目的是对创新性的工业互联网业务进行研究和探索，并为此提供所需的技术和资源(包括人力、设备、资金等)，以确定解决方案，并对解决方案的性能、成本、适用性等各方面进行验证。
万向研究院，其前身是万向集团技术中心，为接轨国际先进技术，2002年改组成公司型运行。1996年被原国家经贸委、财政部、海关总署联合批准为国家级技术中心。以国家人事部批准建立的国家级企业博士后科研工作站为依托，研究院共拥有数百名专业研发技术人员。

中国联通网络技术研究院以中国联通发展战略为指导，构建起中国联通网络技术支撑体系和专业支撑团队，围绕网络演进、建设、运行、优化等关键环节开展技术研究，并按照网络技术发展生命周期，不断加强对网络技术演进、新技术引入以及网络建设、运行、维护、优化等各环节的系统性研究和统筹规划，按照系统性、完整性、独立性和专业性要求，加强技术跟踪、标准预研、验证测试、规范编制、网络分析、网络评测，为中国联通网络运营发展提供整体解决方案和全面技术支撑。其拥有的国家级汽车零部件实验室，出具的实验报告获得44个国家和地区的互认资格。浙江省汽车零部件实验基地也落户在万向研究院。
万向钱潮一直致力于汽车零部件的研发和制造，产品从零件到部件到系统集成，生产专业化，产品系列化，供货模块化；产品涵盖万向节、轮毂单元、轴承、汽车底盘及悬架系统、制动系统、传动系统、排气系统、燃油箱、工程机械零部件等汽车系统零部件及总成，是国内最大的独立汽车系统零部件供应商之一。
杭州领克信息科技有限公司, 一家专门从事工业物联网系统研究、开发、应用、咨询的公司，拥有众多自主研发的创新型技术及产品，包括机床设备节拍分析设备、综合数据采集平台、智能业务设计平台、物联网云服务平台等。

广东宜通世纪科技股份有限公司，是广州市高新技术产业开发区天河科技园内一家专业从事计算机信息技术研究、计算机信息系统集成、通信软硬件产品研发、智慧医疗、大数据、物联网等信息技术与软件服务的民营高科技企业。

一、关键词

5G，MEC边缘云，边缘网关，机器学习，机器视觉，质量检测，质量优化。

二、发起公司和主要联系人联系方式

万向集团公司研究院：
主要联系人：
马吉军
手机： 13777880980
邮箱：jijun.ma@wxciv.com
中国联通网络技术研究院：
主要联系人：
贾雪琴
手机：18601106631
邮箱：jiaxq21@chinaunicom.cn

三、合作公司

万向钱潮股份有限公司：
主要联系人：
柯佳华
手机：15657181289
邮箱：kejiahua@wxj.wxqc.cn

杭州领克信息科技有限公司
主要联系人：
余长宏
座机：0571-56071258
手机： 13858033500
邮箱：yuchanghong@linkortech.com

广东宜通世纪科技股份有限公司：
主要联系人：
王永斌
手机： 18518051830
邮箱： wangyongbin@etonetech.com

四、测试床项目目标和概述

        在产品质量是企业生命的今天，如何提高产品质量的检测效率和精度是企业一直关注的重点，也是该测试床要解决的重大目标。通过机器视觉、5G蜂窝无线、人工智能、边缘计算等新技术的有机结合，实现产品实时在线高精度检测，并通过工业云平台实现检测模型的迭代提高和共享。

五、测试床解决方案架构

(一)   测试床应用场景
产品质量是保障工业安全与效率的基础，如万向节和齿轮轴作为汽车零部件中的的关键部件，其质量对车辆运行安全性和持久性有很大影响，因此在生产过程中的产品质量必须进行严格控制。

图 齿轮轴       

图 万向节

当前缺陷检测技术主要依赖于将产品检测图像与预定义的缺陷类型库进行对比分析，缺乏一定的学习能力和检测弹性，从而导致检测精度和效率较低。

图 在线检测设备
 

采用基于深度学习的在线机器视觉检测，提高了缺陷检测的准确率和效率。利用机器视觉系统实时采集产品图像：在生产线上部署工业高速和高灵敏度线扫描CCD相机和照明系统；图像采集子系统从不同角度采集图像。
深度学习模型由训练和测试图像构建并部署到边缘计算平台中：确定产品是否有缺陷；确定缺陷类型，如表面裂纹、磨削废料、压力损伤、挫伤等；深度强化学习提高了检测精度。

(二)    测试床重点技术
1       
2       

从工业互联网的角度，按照上行和下行数据的维度，工业装备的数据可以分为两类：
上行的状态类数据：从生产装备处采集的的数据，包括加工监控数据、产品质量控制数据、生产环境监控数据等；
下行的控制类数据：生产装备接收到的数据，主要涉及对工业装备的控制类数据、配置类数据等。
根据工厂装备升级的实际情况，多数情况下，上行数据和下行数据需要分开处理。数据采集方案主要包括：
1)  工业装备的网络化改造：采用蜂窝网技术将从装备采集的数据传输到车间的边缘网关。移动互联网的快速发展促使工业厂家对无线通信的要求日益增强，目前多数工业厂房通过WIFI进行无线接入。然而，WIFI在抗干扰、安全认证、QoS质量保证、业务连续性方面无法进行可靠保障，难以满足工业场景对无线传输质量的要求。
2)  边缘网关：在边缘网关处对采集到的装备数据进行解析、数据封装和本地数据处理。
3)  MEC边缘云：采用MEC边缘云技术，利用MEC边缘云的分流功能，将从装备采集来的原始数据在本地处理，以极大缩短数据传输时延（相比于中心云存储，时延缩短50%）。
4)  中心云：将机器学习的训练过程所需的时延不敏感数据分流到中心云存储。
蜂窝网络和MEC边缘云结合，可以实现工业设备生产数据的实时分析处理和本地分流，助力企业转型升级，实现生产数据采集、数据分析、生产优化，提高生产效率。数据在边缘侧进行分析、存储，无需经过传统核心网，因此，采用蜂窝网络结合MEC边缘云的方案具有时延短、安全性高，带宽高等优势。

MEC边缘云技术是5G关键技术之一。因MEC与无线接入网络的松耦合性，在5G网络还未成熟的情况下，运营商一般选择把MEC部署在4G网络上，以对MEC的性能、功能、接口等进行试验。
MEC边缘云位于无线接入网和核心网EPC之间，利用无线基站内部或无线接入网边缘的云计算设施提供本地化的公有云服务，并能连接位于其它网络（如企业网）内部的私有云从而形成混合云。MEC边缘云基于特定的云计算系统（例如，OpenStack）提供虚拟化软件环境用以规划管理边缘云内的IT资源。第三方应用以虚拟机（VM）的形式部署于边缘云，能够通过统一的API，获取开放的无线网络能力。MEC边缘云由业务域及管理域构成。业务域用于支持第三方应用的运行。管理域负责对MEC边缘云的业务域进行管理。

在本项目执行期间，因5G模组和终端尚未成熟，因此优先考虑将MEC边缘云部署在LTE网络中。MEC边缘云有两种形态：
1）作为基站的增强功能，通过软件升级或者新增版卡，与基站集成的的内置方式
2）作为独立设备，部署在基站后或网关后的外置方式。

下图为中国联通LTE网络中典型的边缘云端到端组网架构，边缘云服务器位于基站与核心网之间，通过解析S1消息实现业务的分流。基站和核心网之间通常经过多个传输环：接入环、汇聚环、和核心环。根据业务类型、处理能力，网络规划等需求，可将边缘云部署于网络中的合适位置。

1.        边缘网关设计：
本测试床项目中的边缘服务器设计参考并遵循ECC、EdgeX Foundry等组织的协议及架构，如下图所示，本项目边缘服务器从架构上分为：设备支持层、核心服务层、用户服务层、扩展服务层。

1)        设备支持层：
该层负责与南向设备交互。
设备支持是与南向设备或物联网对象交互的边缘连接器，包括本测试床项目所有的机器设备，产品的检测设备等，其中，基于视觉的产品质量分析检测设备由本层支持并提供驱动及数据接口服务。设备支持同时服务于多个异质设备（如多种加工中心、数控机床、锯床、磨床等）。
设备支持层的微服务采用数据重构的方法，通过物联网对本次测试床实施对象本身的协议与设备，传感器，执行器和其他物联网对象进行通信。

2)        核心服务层：
核心服务层介于北向与南向之间，主要由以下组件组成：
Configuration and Registration：为其它微服务提供相关服务的信息，包括微服务配置属性；
Core Data：持久性存储库和从南侧对象收集的数据的相关管理服务；
Metadata：提供配置新设备并将它们与其拥有的设备服务配对的功能；
Command：处理北向应用发往南向设备的请求；当然该服务还会处理框架内其它微服务发往南向设备的请求，如本地的分析服务。

3)        用户服务层：
用户服务（CS）层包含本次测试床实施项目所有的微服务，本层微服务主要提供边缘侧视频图像实时处理服务和智能分析决策服务，同时也提供生产流水线工艺优化智能算法的服务。 此外，该层提供如日志记录，调度和数据清理（清理）等的支持功能。

4)        扩展服务层：
本测试床实施中，应用中国联通5G快速接入的特点，将质量检测图像实时传送给云端，云端进行同步分析，并结合图像数据的历史分析结果进行更新反馈给边缘服务器，因此，扩展服务层实现了一组微服务实现以下功能：
北向应用可以在网关注册，并获取其感兴趣的南向设备的数据；
通知数据何时被发往中国联通云服务器；
通知数据传输格式；
反馈图像处理结果，并增加更新算法信息

本测试床计划首先采集大量的相同规格的产品检测彩色图片。然后，把彩色图片转化成统一的灰度图。对采集的图片进行标记，对于每一张图片，进行相应的标记（合格：1，不合格：0）。将标记的数据分为训练集集、测试集、验证集，将所有的灰度图片以及它所对应的标记随机划分为训练集（training set）（60%），验证集（cross-validation set）（20%），测试集（test set）（20%）。利用训练集进行模型训练，学习深度学习网络参数，通过调参保证模型的泛化能力，用交叉熵（cross entropy）来作为损失函数。

主要考虑采用以下2种模型架构：
1)   模型1的架构:
第一层：第一层卷积神经网络（CNN）
第二层：通过线性整流激活函数（ReLU）
第三层：应用最大池化层（Max-pooling）
第四层：第二层卷积神经网络
第五层：通过线性整流函数
第六层：再次应用最大池化层
第七层：使用扁平层（flatten layer）
第八层：经过全连接层（fully-connected layer）
第九层：利用脱离层（Dropout layer）, 并设置脱离率（dropout rate）为0.5
第十层：再次经过全连接层
第十一层：最后使用柔性最大层（softmax）

2)   模型2的架构:
第一层：第一层卷积神经网络（CNN）
第二层：通过最大输出激活函数（maxout）
第三层：应用最大池化层（Max-pooling）
第四层：第二层卷积神经网络
第五层：通过线性整流函数
第六层：再次应用最大池化层
第七层：使用扁平层（flatten layer）
第八层：经过全连接层（fully-connected layer）
第九层：利用脱离层（Dropout layer）, 并设置脱离率（dropout rate）为0.5
第十层：再次经过全连接层
第十一层：最后使用柔性最大层（softmax）
利用验证集对深度学习模型进行测试，防止过拟合，并使用验证集分别验证上述2个被训练出来的模型，选出最佳模型所对应的参数。利用测试集对深度学习模型进行验证，保证模型的正确性。使用测试集进行模型预测，从而来衡量该最优模型的性能和分类能力。即可以把测试集当成从来不存在的数据集，在确定模型参数后，对该模型进行性能评价。

流程化工业生产过程中，作为开发AI支持的分析与自优化机器的第一步，机械与自动化制造商应该对自身机器性能保持完全透明。本测试床采用图像识别方式，将人工智能方法在流程化生产制造领域的优化决策过程的辅助作用。

本测试床项目将产品质量优化问题的全过程概括分为数据获取、决策优化、方案实施这三个阶段，边缘网关通过图像处理方法，实现决策优化过程，基于远端云海量数据和算法，更快更好地完成边缘服务难以实现的大数据计算任务。基于5G和人工智能的产品质量实时检测和优化测试床项目在实施阶段的云端检测反馈信息作为新的输入数据，并对边缘侧算法进行自我更新和提升，不断提高边缘侧的图像识别能力，提高分析的准确率。
在边缘侧，通过基于5G高性能网络传输，将图像在云端做进一步处理，同时同步到边缘侧，边缘侧通过产品质量检测，可以从以下两个方面改进产品的质量：

1)        质量诊断智能化
质量诊断是本测试床项目中针对一字轴产品的专题诊断，利用图像处理方法，针对产品质量方面存在的问题，自动快速地进行评价，并为消除缺点、提高生产工艺水平而提出改进建议和指导实施。产品质量诊断，指的是定期对已交库的产品进行抽查试验，检查产品质量能否满足用户的需要。通过诊断检查，掌握产品的质量信息，以便及早采取措施加以改进。工序质量诊断，指的是对工序质量进行检查，评价各工序能力是否达到要求，掌握工序质量信息，寻找影响工序质量的主要因素，以便采取对策加以改进。
工序质量诊断是质量诊断的基础，也是最重要的一环，所以，本测试床项目着重研究基于图像处理后得到的质量检测结果，通过此结果来进行工序质量诊断。质量诊断最为关键的是数据分析、知识检索和故障判定三个环节。数据分析通过对质量特征值的进一步处理，提取最能反映工序质量问题的信息；根据这些信息，从人、机、料、法、环、测（即5M1E）等角度进行检索，排查质量问题的可能故障源；最后依照相关准则对质量故障源给出判定，依照判定结果结合相关知识对工序进行调整，其流程图如图所示。

图  质量检测训练模型

图  质量预测网络模型
 

通过生产过程中的设备数据预处理后，就可以将数据输入神经网络模型中进行质量预测。数据预处理可以改进数据的质量，从而有助于提高其后的BP神经网络训练的精度和性能。数据预处理，是将得到的原始数据转化为能被人工神经元网络识别的数据，是数据挖掘的重要内容之一。BP神经网络由于具有很好的函数逼近能力,因而通过对训练样本的学习,能很好地反映出对象的输入/输出之间复杂的非线性关系。实质是求误差函数的最小值，它通过多个样本的反复训练，权值误差函数的最速下降(负梯度)方向来改变,最终收敛于最小点,最后将多个已知样本训练得到的各层连接权及各层神经元的偏置值等信息作为知识保存，以便对未训练样本值进行预测。

在本测试床项目中主要验证物联网设备管理平台在MEC边缘云上的部署。物联网设备管理平台可实现物联网的设备连接、设备管理、应用使能等功能。向下提供设备的快速接入、数据采集；提供灵活的可编程智能规则等。对数据进行分析、存储、可视化及整合；同时提供丰富的可调用的应用接口（API），满足行业客户的应用快速开发。
平台的优势如下:
1)        数据采集：立子云平台支持ModBus、CANbus等多种工业通信协议，针对各类物联网终端，通过在终端或服务器侧部署Agent进行协议解析数据格式转换，实现终端与平台的快速连接。支持以太网、光纤等通用协议接入，支持2G/3G/4G、NB-IoT、LoRaWAN等无线通信协议接入方式。
2)        协议适配：支持HTTP、MQTT、CoAP、LWM2M、ModBus、CANbus等协议，按照终端应用层协议，将采集的数据以上述协议数据格式发送到云端，实现数据的远程接入。
3)        图形化编程:采用通用拖拽式仪表盘和柱状图、饼状图等展示部件；灵活的可配置智能规则；标准的设备配置、固件和OTA升级方式。
4)        电信级安全体系：设备、应用与平台数据交互均采用SSL安全加密机制；支持128位AES、64位DES、3DES等算法；支持设备认证鉴权，批量注册和设备主动请求凭证方式。
5)        便捷的水平扩展能力：通过Nginx负载均衡和MongoDB技术实现基于node方式的无限水平扩展能力，以较少的资源支持海量设备接入。
6)        灵活的部署方式和多租户管理：支持多级租户、分级运营模式，每个租户独有数据库，保障数据隔离和安全；支持公有云和私有云部署方式，目前已在联通沃云、阿里云、AWS云上部署。
7)        实时处理能力：实时监控设备异常数据，通过SMS、语音、邮件等进行告警；对设备即使触发远程自动操作。
8)        多语言与工具支持：采用多层次开发架构，针对不同开发能力的用户提供多样化开发方式，方便用户快速实现功能的构建、应用的开发。提供基于Java Script的SmartApp Kit；提供支持Java C++、Lua的SDK；提供插件、小部件开发方式，定制化的用户应用。
(三)          技术创新性及先进性
在产品质量是企业生命的今天，如何提高产品质量的检测效率和精度是企业一直关注的重点。通过机器视觉、5G蜂窝无线、人工智能、边缘计算等新技术的有机结合，实现产品实时在线高精度检测，并通过工业云平台实现检测模型的迭代提高和共享。
测试床采用5G边缘云对图像数据进行实时分析，与现有中心云技术相比，能提供基于位置的云服务能力，在实时性、安全性方面更好满足工业应用需要。测试床采用5G技术，实现质量检测图像数据实时上传到云服务，云服务器端基于检测图像实时和历史图像数据的人工智能学习，实现算法自我进化。设计的四层边缘服务架构，实现对异质型设备的数据支持，采用数据重建方法，实现对异质型数据非透明设备实现设备运行信息采集。在边缘侧基于图像处理结果，结合人工智能算法，实现质量识别和质量预测算法，通过算法的自我更新及工艺的自我提升，实现流水线生产流程的质量提升。
(四)          测试床解决方案架构
1.        整体架构实现概述
整体框架如图所示，共分为三层架构：
1)        设备层
通过工业机器视觉实现产品质量的图像实时检测，并将实时图像数据传输至边缘层进行智能分析决策，同时根据反馈结果实时操作。
2)        边缘层
边缘层接收来自工业视觉形成的产品图像数据，基于人工智能算法模型进行实时分析决策，同时将数据经过聚合后上传到共有云；同时接收经过训练的数据处理模型进行更新，以提高检测精度。
3)        公有云
接收来自边缘云聚合的数据信息，训练模型，将更新模型输出到边缘云端，完成数据的分析和处理，公有云根据周期数据流完成模型迭代。基于人工智能检测模型可在云平台通过API进行调用，实现模型的共享。

六、预期成果

(一)          测试床的预期测试结果，针对测试项
本测试床主旨在于通过创新先进的各类前沿技术，提高工业产能与效率，主要表现为以下三个方面：
提高产品质量检测精度：将机器视觉检测技术结合云计算，在传统质量检测算法基础上，结合云端进行算法的更新和进化，并同步到边缘侧，不断提高产品质量检测精度；
提高产品检测效率：利用机器视觉实时检测，并利用蜂窝网络和5G边缘计算支持准实时分析决策反馈，根据产品形式实时调整检测模型，最大程度提升产品检测效率；
提升行业整体水平：通过云平台实现检测模型的调用和共享，提升行业整体水平。
(二)          商业价值
从云与平台的角度：云平台可实现检测模型的调用和共享，通过训练模型术对金属表面缺陷识别、缺陷特征、缺陷规律等进行显性化、模型化、代码化，同时可供零配件制造工业APP开发者灵活调用，解决相关场景的核心和痛点问题，这将带来巨大的商业价值。
从数据采集及处理的角度：采用全新的设备数据重构方法，采集异质型数据非透明设备的运行数据，此采集设备能够广泛应用数字化工厂的建设，同时能够实现MES、ERP、PLM等企业管理软件的自动生产数据获取，设备具有很大的市场前景。
从MEC边缘云的通信新技术角度：基于三层架构的边缘侧服务器构建，同时让人工智能算法嵌入边缘服务器，实现半定制化的行业深度应用，此人工智能算法和产品质量改进方法具有行业普遍性，在配车零配件生产类企业中具有很大的市场推广价值。

(三)          经济效益
利用机器视觉技术实现产品质量检测精度和检测效率的大大提升，在降低生产成本的同时提高了产品质量，从而避免了产品因质量问题带来的经济损失，同时利用机器视觉技术可对各类型的产品质量图像检测进行自主学习，大大提升了检测柔性，进一步提升了企业产品的市场竞争力，从而给企业带来巨大的经济效益。
边缘侧采用数据重构方法，支持异质型数据非透明设备的接入，可灵活配置支持多业务场景，包括设备厂商、终端工厂、设备租赁方、维修方、代理商等等，让设备拥有者或者厂商可以远程管理自己销售出去的所有生产设备，通过本测试床使用的方法，实时获取设备运行数据和生产状态，从而基于设备的数据和统计，对设备生产的产品质量进行改进。
对于制造类企业客户而言，结合产品质量情况，同时利用车间中运行的所有机床设备及其运行状态、故障记录、产量、良品率、保养等生产因素，改善生产条件，改进工艺流程，让工厂设备可以完全智能化运转。

(四)          社会价值
1.        云制造新模式
随着人工智能、工业大数据、云计算等技术的发展，以数据为驱动的生产过程和产品质量提升将成为企业提升发展的方向。本测试床从生产线数据自动感知、边缘平台实时分析、云平台持续优化、生产系统精准执行，实现产线、边缘、云平台的协同优化的云制造新模式。
2.        提升行业整体水平
云平台可实现检测模型的调用和共享，通过训练模型术对金属表面缺陷识别、缺陷特征、缺陷规律等进行显性化、模型化、代码化，可供零配件制造工业APP开发者灵活调用，促进零配件制造工业知识的沉淀、传播、复用与价值创造，从而提升行业整体水平。
3.        带动相关行业发展
机器视觉、云制造等新模式实施的同时还可对数字化控制系统、高精度检验设备、精密传感器、自动化装备等智能装备行业发展产生巨大的带动作用，进一步促进国家产业结构的调整和经济发展。

七、测试床技术可行性

(一)          物理平台
物理平台主要功能为两方面：一方面是设备数据解析器，实现异构型机床设备的数据采集，采集本测试床项目所覆盖的设备运行参数；另一方面是MEC边缘云，实现设备接入和边缘服务，采用ModBus、OPC UA等工业协议实现边缘服务器从设备支持层的接入，并且采用MQTT协议，实现5G云端数据接口的接入。

(二)          软件平台
1.        基于质量检测结果的生产流程更新算法：
结合生产过程监控和质量检测结果，对生产过程中存在的非正常信号进行自我分析，实现产品质量的初步提升；对生产过程中的设备运行节拍进行自我分析，结合工艺要求，边缘侧自动分析质量提升方法；
2.        边缘侧设备参数可视化平台
设备数据的可视化操作，包括：设备运行参数、设备运行时间、设备产能、设备OEE等。拟采用的界面如下图所示。

图 拟测试的设备可视化界面
 

3.        物联网设备管理平台
物联网设备管理平台可实现物联网的设备连接、设备管理、应用使能等功能。向下提供设备的快速接入、数据采集；提供灵活的可编程智能规则等。对数据进行分析、存储、可视化及整合；同时提供丰富的可调用的应用接口（API），满足工业行业的应用快速开发。

八、和AII技术的关系

(一)          与AII总体架构的关系

参考AII《工业互联网体系架构》中的AII参考体系构架，见下图，本测试床项目服务的业务属于企业内智能生产业务，主要着眼于：
l  基于机器学习对工厂产线机器视觉系统的改造以提高机器视觉系统的智能；
l  采用升级后机器学习系统改造生产线良品保障系统。

图  AII参考体系构架
 

本测试床成果可为AII参考体系架构中数据域的数据采集交换提供技术参考，包括：
l  试验蜂窝网络对于准实时图像数据采集、分析的支持；
l  MEC边缘云与边缘网关的业务协同。

本测试床成果可为AII参考体系架构中数据域的工业数据建模、仿真与分析提供技术参考，包括：
l  采用机器学习对工业图像分析算法进行改进，试验多种机器学习模型；
l  试验将准实时图像分析算法部署在MEC边缘云上，将机器学习模块部署在中心云。

本测试床成果可为AII参考体系架构中的网络域应用支撑提供技术参考，包括：
l  试验物联网设备管理平台在5GMEC边缘云上的部署以支撑低延时高可靠工业应用；
l  试验物联网设备管理平台对图像类准实时数据识别算法的支持。

(二)          AII安全（可选）
无
(三)          详细清单（可选）
无
(四)          风险模型（可选）
无
(五)          安全联系人

(六)          与已存在AII测试床的关系
目前AII已存在工业领域的测试床主要集中在对物理设备数据采集上云，并且通过云端数据分析和挖掘，以数据为导向，实现车间的智能化生产，或者是对新型无线网络协议的测试。主要的注意力集中在构建数据链路，以及后期对数据的分析利用。
而本测试床的亮点集中在基于人工智能的机器视觉技术实现产品质量检测精度和检测效率，虽然也涉及设备物联和数据上云，但是采用了最新的5G技术（包括MEC边缘云）、最新的物联网边缘设备管理平台。我们的注意力并不是对数据的分析和挖掘，而是对数据本身的保护，确保其真实、可信、可靠。

九、交付件

十、测试床使用者

测试床项目是针对机器视觉技术实现产品质量检测精度和检测效率的一个概念验证，欢迎非发起方的公司使用该测试床进一步提出创新的想法。

十一、     知识产权说明

本测试参与各方本着互相尊重、互为合作，保护对方利益为前提的原则进行合作，对包括但不限于任何专利权、专有技术、版权、商标权以及商业秘密等所产生的任何侵权和赔偿，双方应在充分协商的基础上，协调解决。

十二、     部署，操作和访问使用

测试床的物理生产线直接使用万向钱潮股份有限公司车间内的生产线，数据存储在边缘云和中心云平台上，参与单位可以通过特定接口访问。

十三、     资金

预估资金1000万，包括设备采购以及开发成本。资金由牵头单位和参与单位自筹。

十四、     时间轴