机器视觉依靠其在精确性、速度性、适应性、客观性、重复性、可靠性、效率性以及信息集成等优势，能够为社会及企业提供更加高效且精确的解决方案，最大限度的减少人为产生的错误。

痛点问题：对于医疗方面的机器视觉，需要具备非常精确的图片/视频识别算法。基于深度学习训练的算法，在训练过程中需要集合大量的资料和资源，并且其算力需要根据训练的进度持续更新和维护，这对于单个医院深度学习算法库的建立以及维护都是非常大的压力。

3）无人驾驶领域

自动驾驶汽车是一种通过计算机实现无人驾驶的智能汽车，它依靠人工智能、机器视觉、雷达、监控装置和全球定位系统协同合作，让计算机可以在没有任何人类主动操作的情况下，自动安全地操作机动车辆。

自动驾驶技术链比较长，主要包含感知阶段、规划阶段和控制阶段三个部分。机器视觉技术主要应用在无人驾驶的感知阶段，其基本原理可概括如下。

●使用机器视觉获取场景中的深度信息，以帮助进行后续的图像语义理解，在自动驾驶中帮助探索可行驶区域和目标障碍物。

●通过视频预估每一个像素的运动方向和运动速度。

●对物体进行检测与追踪。在无人驾驶中，检测与追踪的目标主要是各种车辆、行人、非机动车。

●对于整个场景的理解。最重要的有两点，第一是道路线检测，其次是在道路线检测下更进一步，即将场景中的每一个像素都打成标签，这也称为场景分割或场景解析。

●同步地图构建和定位技术。

痛点问题：在无人驾驶领域，我国采取的方略是基于单车自动驾驶性能的基础上，结合V2X技术进行判断及操控，在这个过程中，涵盖车与路、车与车、车与人、车与定位信息、车与管控平台等多种数据交互，其中大多数场景需要进行网络数据传输，针对该场景下，需要构建稳定的高带宽、低时延、大容量的无线网络。

3. 机器视觉行业痛点总结

机器视觉需要图像的采集、传输，对带宽有较大需求。如果是需要实时分析处理视频的场景，则对时延有较高要求，如自动驾驶、远程医疗、远程控制等。传统方式需要在摄像机附近部署工控机等处理设备，就近处理图像。受限于工控机的存储能力，处理完毕后，图像被丢弃或临时存储在工控机上，无法合理利用其数据价值。图像处理设备分散，导致设备时忙时闲，无法充分利用其处理能力。同时，设备采购成本较高。长期来看，运行维护也较困难。其次，有些场景现场环境恶劣，可能缺少供电、网络等基础设施，不具备部署处理机的条件，同时部分场景对生产数据安全极为敏感，要求网络严格与公网分离。这些因素都限制了机器视觉的应用。

三、 5G+机器视觉

端侧设备种类丰富，其中常用设备有：

（a）工业相机

工业相机是机器视觉系统中的一个关键组件，其最本质的功能就是将光信号转变成有序的电信号。选择合适的相机也是机器视觉系统设计中的重要环节，相机的选择不仅直接决定所采集到的图像分辨率、图像质量等，同时也与整个系统的运行模式直接相关，结合5G构建智能机器视觉。

（b）VR眼镜

基于VR眼镜，通过5G传输超高清VR内容（点播或直播），给公众带来沉浸式、身临其境般、多维度的互动感受。在私人消费领域、工业领域均具有巨大的发展潜力。

（c）车载ADAS

高级驾驶辅助系统（ADAS）是利用安装在车上的各式各样传感器（毫米波雷达、激光雷达、单双目摄像头以及卫星导航等），在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性，通过结合5G与云计算提高汽车智能水平，跨进无人自动驾驶领域。

1）工业领域

随着工业生产智能化的要求越来越高，机器视觉在工业自动化生产中运用越来越广泛。机器视觉采集的数据最早是通过有线连接的方式存储在本地处理器中，并通过工业通讯的方式与PLC控制系统互联从而进行协同工作。机器视觉设备在应用上不直接进行网络连接，它们的应用都是直接连到客户内部网络中，产生的数据一般不存在泄露问题，因为这些数据都是存储在客户手中，客户需要自行确保数据的安全性。

构建云管端三级业务结构，通过5G将前端的设备/系统与云端连接，利用5G网络传输至MEC边缘计算，通过算法计算并标注设备异常情况，将照片与相关控制指令一并回传，工作人员通过计算机对回传的异常情况进行筛查判断，同时回传判断结果及标注至云端，为算法进行进一步训练提供素材。

面向厂区所处地较偏远，对生产数据安全极为敏感，要求网络严格与公网分离的生产企业，可以选择专享网络服务。

结合在边缘云端构建机器视觉专用算法平台，极大的增强了工业机器视觉算法的可扩展性、资源整合利用能力。将算法能力从前端剥离，既保障了视觉算法的时效性（增强算法迭代便利性，同时算力空间具备可扩展性）、资源的集中性（整合视觉前端信息收集，取缔以往暂存工控机模式，提升资源的利用价值，节约存储资源），同时缩减前端算力部署，节约了大量的部署成本及工厂空间等。

2）医疗领域

世界卫生组织发布的《国际疾病分类》是目前为止全世界最权威的人类疾病分类手册，它赋予所有已知疾病（包括各种导致中毒、外伤、过敏反应的因素）独立的编码，方便医护人员查询。在2018年发布的第十一版（ICD-11）中，疾病编码共有55000个，也就意味着目前有55000种疾病及相关因素被记录、命名，且持续在更新同步。

所以智慧视觉在医疗领域的部署中，由于其需要巨大的数据库存量以匹配医疗图像及影响中的病症，用以计算和分析的人工智能需要部署在云端，通过医院将医疗影像资料上传至云端，通过云计算能力输出其病症指导，同时以新的病症图像对深度学习算法进行喂养，结合了各地医院上传的大量共性、个性的病症材料，来使得算法精度更加精确。

医疗设施（B超、CT等）通过计算机直接将图片传输至云端医疗平台，通过深度学习算法对其进行判断，对医疗影像进行判断、标注并出示病例指导意见，回传给医生，医生结合医疗影像、云平台的标注建议，结合自身知识及经验做出准确的医疗判断。

通过针对医疗构建5G医疗专网，将各个医院与云平台间构建端到端的专用网络通路，以保障其信息安全性、即时性。给与患者快速且高效的就诊体验；提高医生的诊疗效率；并且通过云端计算建议，给医生和患者更加全面的信息，以将病症提早发现，保护患者健康。

3）无人驾驶领域

5G车路协同弥补自动驾驶在感知、决策和控制全链条中所存在的技术局限性，推动自动驾驶发展路线由自主式自动驾驶向车路协同自动驾驶演进，促进自动驾驶随着5G商用步伐逐步夯实“从封闭到开放、从低速到高速、从载货到载人”三阶段落地应用能力。

通过构建V2X多级网络架构，通过车辆机器视觉与雷达等配合采集车辆运行信息，与道路信息采集设备信息分别上传至边缘云MEC中，结合卫星信息等进行数据分析处理，并进行判断。并将判断后的结果实时传输给车辆控制系统，以达到控制车辆自动驾驶的效果。通过将大量的计算工作上移到云端，提升车辆网络控制的技术保障，利用5G网络高并发、低时延的特性，保障车辆在自动驾驶过程中能够准确、及时的做出判断，保障驾车人的生命财产安全。