隨著數(shù)據(jù)采集速度的提升，更靠近邊緣位置的計算遷移方案，能夠在降低延遲以及減少基礎(chǔ)設(shè)施成本的前提下，更加高效地利用數(shù)據(jù)資源。另一方面，計算機視覺則是人工智能中的一大分支，旨在通過訓(xùn)練機器幫助其解釋及理解視覺內(nèi)容。

計算機視覺的目標之一，在于利用機器通過與人類相同的方式查看并處理圖像。在通過機器學(xué)習(xí)實現(xiàn)的計算機視覺當中，有一類采用所謂監(jiān)督學(xué)習(xí)方法，其中采用規(guī)?？捎^且附帶注釋的圖像集來構(gòu)建計算模型。盡管模型訓(xùn)練往往相當耗時并占用大量資源，不過一旦訓(xùn)練完成，該模型即可快速高效地執(zhí)行各類識別任務(wù)。

圖像與視頻分析的具體示例包括：

識別、分類、計數(shù)以及評估對象姿態(tài)；壓縮并編碼視覺信息，以進行傳輸或匹配；估算攝像機視角；前景與背景二維分割；估算深度并執(zhí)行3D分割；以及還原圖像中的遮擋區(qū)域或者推斷視覺數(shù)據(jù)等等。

隨著邊緣AI技術(shù)的最新發(fā)展，與以往將數(shù)據(jù)流傳輸至云端的做法相反，如今我們得以立足本地攝像機完成數(shù)據(jù)的處理與分析。而這種新興且無比強大的處理能力，也讓計算機視覺在木板架行業(yè)擁有了施展拳腳的可能。

目前存在三種計算機視覺架構(gòu)類型：

將視頻或圖像發(fā)送至云端進行計算；

在邊緣位置進行部分計算，僅將少量模式信息傳輸至云端進行搜索、排序及計算；

邊緣AI，在邊緣位置計算所有圖像數(shù)據(jù)。最后一種方法難度較高，需要訓(xùn)練出能夠安裝在邊緣設(shè)備上，且能夠經(jīng)常更新的模型。這些架構(gòu)各有自己的優(yōu)勢與缺點，但隨著計算機視覺研究機構(gòu)的不斷發(fā)展，相信未來可能出現(xiàn)一種同時適合各類場景的應(yīng)用模型。

木制板架是世界各地貨物運輸，乃至供應(yīng)鏈物流行業(yè)中不可或缺的組成部分。歐洲木制板架與包裝制造商聯(lián)合會（FEFPEB）報告稱，歐盟目前正在流通的木制板架超過30億個，而美國每天使用的板架就超過20億個，其中大部分由資源儲備巨頭掌握。客戶從共享資源池中租用板架，從而降低了供應(yīng)鏈產(chǎn)品管理廠商在采購、管理以及回收等環(huán)節(jié)中的復(fù)雜性。

當然，這些巨頭企業(yè)希望監(jiān)控整個供應(yīng)鏈，了解板架在其中的流動趨勢，及時發(fā)現(xiàn)丟失及回收點，準確核算出板架的損壞問題與使用周期。為了實現(xiàn)全面監(jiān)控，各個板架之上都可以貼上唯一的標記或者跟蹤設(shè)備。如果板架具有唯一ID（例如條形碼或者二維碼），那么當該板架流經(jīng)供應(yīng)鏈時，廠商就可以利用計算機視覺技術(shù)跟蹤板架的動向。如果在上面安裝跟蹤設(shè)備，那么在板架流經(jīng)服務(wù)中心的分類流水線時，系統(tǒng)還可通過計算機視覺檢測該板架是否需要更換或者維護。

木制板架所選用的木材多種多樣，包括山毛櫸、白蠟?zāi)尽讞?、松木以及云杉等等。板架的木材選擇決定了紋理輪廓與質(zhì)地特征，我們不僅能夠借此評估單個板架的堅固程度與耐用性，同時也可為板架提供唯一的可跟蹤標記。此外，用于固定板材的釘子也會形成一種拓撲結(jié)構(gòu)，反映出關(guān)于板材使用壽命的信息——例如在板架在供應(yīng)鏈中使用多長時間之后，才有必要進行一次檢查維修。

利用經(jīng)過訓(xùn)練的計算機視覺模型，我們可以在板架制作完成時即對其獨特的紋理模式進行識別，并以此為基礎(chǔ)對其進行貫穿整個生命周期的標記與管理。當板架在供應(yīng)鏈流程中受到損壞并得以修復(fù)時，我們也可以進一步記錄這些環(huán)節(jié)對板材紋理及結(jié)構(gòu)產(chǎn)生的影響。計算機視覺不僅能夠以此為基礎(chǔ)跟蹤板架，還可以判斷板架的強度與耐用性。利用這種低成本解決方案，板架廠商將能夠采取措施，對制造完成或者經(jīng)過一段時間使用的板架進行篩查。此外，板架廠商還可以收集客戶以及垂直行業(yè)提供的損壞數(shù)量與損壞類型等相關(guān)問題的洞察見解，借此增加業(yè)務(wù)模型并改進設(shè)計，從而顯著提升自身服務(wù)的可靠性。

目前，有95％的受訪組織機構(gòu)報告稱，未來木制板架將繼續(xù)在供應(yīng)鏈市場中占據(jù)主導(dǎo)地位。木材是目前唯一一種百分之百可再生、可回收、可重復(fù)利用且可安全承載多種貨品的盛裝材料。

另外，計算機視覺還能夠在維持倉庫內(nèi)板架確切庫存量方面發(fā)揮關(guān)鍵性作用。利用包含眾多板架的單一圖像，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠以遠超專業(yè)員工的速度與精度提供可靠的板架計數(shù)結(jié)果。

除了供應(yīng)鏈關(guān)鍵績效指標（KPI）之外，計算機視覺還可應(yīng)用于板架存放、檢查以及維修等層面，幫助服務(wù)中心內(nèi)的工人提高安全性與工作效率。包括敲釘固定在內(nèi)的各類重復(fù)性任務(wù)，都可被輸入至神經(jīng)模型當中，借此從實時視頻當中判斷工人的準確性、疲勞度以及更多其他狀態(tài)性特征。此外，這項技術(shù)也可經(jīng)由實時視頻判斷工作人員是否進入了未經(jīng)授權(quán)的區(qū)域、存在危險行為或者是否穿著適當?shù)膫€人防護裝備。這僅大大降低發(fā)生工作事故的風(fēng)險，幫助相關(guān)企業(yè)維持生產(chǎn)流程的可靠運轉(zhuǎn)。