本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：介绍了AI工业检测SaaS平台的设计背景及设计目标，提出了基于AI图像检测原子能力和检测流程编排进行图像集中化处理的检测模式；详细阐述了AI工业检测平台的工作流程；分析了平台实现方案中涉及的图像文件共享访问、大规模异构GPU集群下资源调度等技术问题，并提供了使用Ray开源框架解决上述问题的实现方案。
关键词：Ray；AI；工业检测；图像处理
doi：10.12045/j.issn.1007-3043.2025.08.014
背景
计算机视觉技术在工业上应用领域广阔，基于计算机视觉技术的工业检测相关应用产品已在工业领域应用多年。核心功能包括测量、检测、识别、定位等。在工业检测领域，与人类视觉相比，机器视觉具有精度高、速度快、稳定性高等优势；目前基于机器视觉的工业检测产品已经得到了广泛的应用。
目前国内最常用的工业检测产品主要基于Halcon 及VersionPro等商用机器视觉产品进行二次开发，在多数情况下能够满足客户需求，但随着AI深度学习技术及5G工业互联网等通信能力的发展，原有的工业检测产品也逐渐暴露出一些不足。
a）现有工业检测产品主要针对单机运行模式研发，主要应用于生产线单机场景，不适合大规模、平台化的运营模式；无法实现大型企业内部或不同企业间的工业检测资源和能力的共建共享。
b）现有工业检测产品主要基于传统计算机视觉技术，对近年来迅猛发展的深度学习技术支持不足。
c）相对于开源的OpenCV机器视觉框架及开源的深度学习技术而言，现有工业检测产品价格昂贵，成本较高，从而限制其应用范围。
d）缺乏检测结果的大数据分析能力。单机模式导致检测数据的格式无法统一和规范，与其他系统（如MES、ERP等系统）集成度较低，无法整合分析数据。
对于大型生产企业和大型工业园区等组织而言，更希望能够运营平台化的工业检测平台，以集中利用软硬件资源，特别是在GPU等硬件资源成本日益昂贵的情况下；而平台化的运营模式，也有助于企业降低总体的工业检测实施成本。
