边缘计算的目前应用现状怎么样？未来发展前景如何？
边缘计算目前正处于产业爆发前夜，因其行业特点和发展阶段，决定了其正在经历一个百家争鸣、百花齐放的勃兴时期。边缘计算的发展前景也十分广阔，它能在提高物联网效率和智能化水平的同时，推动产业升级和数字化转型。在智能家居、智能工厂、智能医疗等各种应用场景中发挥重要作用。以移动云的5G+边缘计算解决方案→为例，它目前能实现在智慧工厂、智慧交通、智慧工业质检三大场景的应用。其中智慧工厂主要通过部署5G边缘******信工业现场生产数据，实现对人机物料法环各生产要素的泛在感知，并通过边缘云构建的数理模型、工业机理模型实现诸如预测性维护、工艺流程改进、能效分析、生产协同等；智慧交通是将相关业务部署在MEC平台上，形成“车-路-边-云-用”的整体架构。降低端到端数据传输时延，缓解终端、路侧智能设施、云端的计算与存储压力，减少海量数据回传造成的网络负荷；智慧工业质检则利用5G实现边缘机器视觉终端与云端系统对接，将***图像实时回传至质检云平台，经过图像识别后进行控制指令快速下发，实现多设备协同、远程操控，提高用户体验与保障数据安全。
目前许多智能化的改造，边缘计算已经能够积极的应用在许多场景之上，例如智能驾驶、智能工厂、智能电网、智能家居、智能建筑，很多都是边缘计算的场景。
在电力行业中的应用，举例来说电网有很多高压线、变电箱，人力的运维成本太大、危险系数也很高，传统的故障巡检机制网络传输带宽消耗大、故障告警处理不实时、而且电力系统数据本身关系到国计民生，数据传输过程中的安全性极其重要。
而落地边缘计算之后，借助于边缘智能技术，可以在设备边缘侧几乎准实时地自动检测出问题出现的具***置，比方说在配电房内安装边缘计算装置，布置AI模型，边缘计算装置连接配电房里面所有的电力设备，实时***集每一个设备的状态，利用***夜视摄像头，还可以对烟雾、起火进行实时AI推理、故障告警和处理，效率能够得到极大的提升，同时由于大部分数据都在边缘侧本地处理，无需全部传输上报至云端集中处理，因而极大降低了网络传输流量、减少了数据在传输过程中的暴露面，数据安全性也自然得到了提升。
随着5G的快速推进，算力的不断下沉，将会涌现很多有趣的垂直行业应用场景，为边缘端更好实现技术赋能提供了价值，未来应用前景较广阔。
01 袋装水泥计包问题如何解决
水泥是现代工业重要的基础原料，我国的水泥工业近几年得到迅猛发展，袋装水泥在水泥产销总量中仍占有一定的比重，“袋装水泥计包问题如何解决”一直是这个行业技术人员探求的课题。
水泥厂实景
目前，水泥企业在计包环节主要通过红外器计数，并结合***监控进行人工计数复合。然而，在实际应用中，仍存在一些问题较难解决，如：
· 红外计数方式误差概率高
红外计数硬件本身没有问题，它是经由红外感应物体的通过进行计数，计数逻辑简单。但它有一个致命缺点——只要有物体通过红外线，都计算为一件。不能识别物体是否符合出厂标准、是正常状态还是叠包、连包状态，误差概率高。
·事后追溯难
红外计数出现连包、叠包等情况产生误差时，现场工人进行预先蹲点与红外计数器一起计数，以核查是否错漏，耗时耗力。原本安装红外计数，就是想要实现自动化计数。结果因为无法区别连包、叠包，不但人手没有减少，还耗费更多时间去“监工“机器。
02 边缘AI智能水泥计包，实时计数和解决回溯难问题
边缘AI水泥智能计包解决方案，基于实际生产的水泥传送带运行环境，在现场部署边缘AI智慧盒和普通摄像机，即可对传送带上的水泥包进行实时计数。具体实施：
现场摄像头连接边缘AI智慧盒 现场摄像头连接边缘AI智慧盒
1. 边缘计算机和摄像头实时监控水泥包的情况，视觉计包AI算法通过大量图片***的训练，能够识别区分包装正常状态与叠包、连包状态，对传送中的水泥包进行计数，并作出下一步指令；
2.计数值叠加于***录像画面中，解决了工人需回溯***肉眼点包的问题；
3. 边缘AI自动处理数据，实时反馈数据，边缘计算机无需依赖后端服务器，安装方便。
解决方案对比
水泥行业产量大，仅靠红外计数容易出现漏洞，出错率高管理难度大。将视觉AI应用在生产线上，较于以往的红外计数器解决方案大大提高了生产效率。
#工业AI视觉计包系统
转给老友和鲲一起涨“芝士”
楼主这个问题的确有点太过大了，有点不知从哪里说起，这里就走哪算哪吧，后续慢慢补充！
Linux基金会Philip DesAutels认为“将来，云端更像是扮演一个集中式协调管理的角色，成为一个具有分布式集体智慧的云端大脑。”边缘计算是指利用靠近数据源的边缘地带来完成的运算程序，边缘计算的运算既可以在大型运算设备内完成 也可以在中小型运算设备、本地端网络内完成。用于边缘运算的设备可以是智能手机这样的移动设备、PC、智能家居等家用终端，也可以是ATM机、摄像头等终端。
关于边缘计算的应用现状和场景
在Microsoft Build 2017开发者大会上，微软首席执行官SatyaNadella宣布：“公司的云战略正在朝着边缘计算方向发展。”未来随着联网接入设备的倍增、大数据时代下数据的爆发式增长，云计算中心已经无法满足智能家居、无人驾驶等场景对低延迟的高要求，边缘计算取而代之将成为大势。
边缘计算应用场景一：万物互联的物联网随着网络边缘侧设备的迅速增加，设备产生的数据存量达到泽字节的级别，从网络边缘设备传输传输海量数据到云数据中心致使网络传输宽带的负载量急剧增加造成较长的网络延迟，单纯的云计算已经不足以匹配如此庞大规模数据量的即时计算。云计算作为物联网的“大脑中枢”，将大量边缘计算无法处理的数据进行存储、处理、整理和分析，而与此同时边缘计算被认为是物联网的“神经末梢”，实现对小数据直接在边缘设备或者边缘服务器中进行数据的处理，同时也能够很好的缓解云数据中心的压力。边缘计算和云计算互相协同，准确的说它们是彼此优化补充的存在。边缘计算应用场景二:CDN内容分发业务传统 CDN 借助缓存数据，提高近地节点数据传输的性能，但是实际上对动态的计算服务，就只能回源到数据中心，这个成本本身其实是很高的。边缘计算和传统的中心化思维不同，其主要计算节点以及应用分布式部署在靠近终端的数据中心，这使得无论是在服务的响应性能、还是可靠性方面都是高于传统中心化的云计算。边缘计算保障大量的计算需要在离终端很近的区域完成计算，完成苛刻的低延时服务响应。此外通过边缘计算，同时缓解了传统数据「安全」层面的问题，毕竟数据传输的距离越远、路径越长、时间越久，数据的被窃取风险和丢失风险也就越高。边缘计算应用场景三：蓬勃发展的车联网当下伴随着智能驾驶、自动驾驶等新势力车企的的蓬勃发展，联网汽车数量越来越大，针对车联网用户的功能越来越多，随之车联网的数据量传输不断增加，对其延迟/时延的需求也越来越苛刻，尤其是汽车在高速行驶中，通信延迟应在几ms以内，而网络的可靠性对安全驾驶又至关重要。那么，在这个过程中如何满足车联网对传输速率的高要求？传统中央云计算由于经过多层级计算处理，延迟高、效率低，现在已不再能满足车联网的传输需求。而基于边缘计算解决方案，在近点边缘层已经完成对数据的过滤、筛选、分析和处理，传输距离短、延迟低、效率更高。相较云计算，车联网显然更加需要边缘计算来护航！
关于边缘计算整个行业的前景而言
IDC在其发布的《中国制造业物联网市场预测2016-2020年》报告指出，2018年将会有40%的数据需要在网络边缘侧分析、处理与储存，到2020年中国制造业企业物联网支出有望达到1275亿美元，其中软件和服务合计市场占比或超过60%，而现阶段这个比例尚还不及10%。如今AWS、微软、英特尔等国外大型企业已经着手布局边缘计算，可以预见的是边缘计算之于云服务企业重要性可见一斑！
关于很多人说，边缘计算会不会取代边缘计算？其实也大可不必担心，本质上而言二者都是处理大数据的计算运行方式，是互为补充的关系。只是边缘计算和云计算相比较而言，不同的是，数据不用再传到遥远的云端，在边缘侧就能解决，边缘计算更适合实时的数据分析和智能化处理，也更加高效而且安全。如果说云计算是集中式大数据处理，那么边缘计算可以理解为边缘式大数据处理！现阶段而言，边缘计算距离规模化落地还是需要一段时间，相关的解决方案也需要进一步完善和优化，对于很多边缘计算云服务商而言，还是需要沉下心来，好好做产品！
