全球领先的制造业强国正全力推进其产业边界，以德国的“工业4.0”、美国的“先进制造伙伴战略”和英国的“高价值战略”为显著例证。这些战略举措共筑一条清晰路径，引领制造业向数字化与智能化的深度转型，旨在攀登全球制造业竞争的巅峰。通过集成最前沿的技术如物联网、人工智能与大数据分析，这些国家力求构建超高效、灵活反应市场动态的智能制造体系，不仅重塑生产流程的根本，更重新定义了未来制造业的竞争力格局。
这一系列转型浪潮，凸显了工业经济体对于把握新一轮工业革命机遇的迫切与决心，力图在国际舞台上确立无可撼动的领先地位，并为全球经济的可持续增长与创新注入强大动能。
智能制造业务质量管理
“中国制造2025”大致包括五方面内容，一是强调创新驱动，二是质量为先，三是绿色发展，四是结构优化，五是人才为本。互联网和传统工业的融合将是中国制造新一轮发展的制高点，智能制造将是未来的主攻方向。在“中国制造2025”将质量为先放在前列，体现产品质量的重要性。提出的“质量为先”基本方针，加快形成以质量品牌为标识的竞争新优势。
对于制造业而言，提升质量是推动产业链向中高端转变，加速行业高质量发展的重要手段之一，因此，质量管理成为工业企业产品生产的生命线。质量管理指运用科学理论和专业技术对产品质量、性能等方面进行检测，以保证产品符合标准并满足消费者需求。
传统质量监测主要依赖人工，以专业人员进行质检为主，检测效率低且易出现误判，导致不合格产品流入市场，对消费者和企业造成损失的同时，影响企业形象。此外，传统质量管理仅局限于检测产品质量，无法收集并应用质量数据，实现产品全流程质量追溯。人工智能、区块链等数字技术的应用，为越来越多工业企业提供高效质量管理与追踪能力，提高良品率的同时，为产品迭代提供支持。
在质检环节，采用AOI自动光学检测与AVI自动视觉检测等技术，通过高清CCD摄像头自动扫描产品，采集图像。
通过采集的数据将测试的检测点与数据库中合格的参数进行比较，或基于深度学习的视觉检测技术，让机器拥有人的视觉功能，并支持2D/3D成像方式，提供缺陷检测、分类、定位、分割提取等检测功能。其非接触、高精度、高速度等特点，降低人工质检成本的同时，提高检测准确率。在根因分析环节，机器学习技术帮助客户在出现质量缺陷时，收集、建模分析数据，从数十个、甚至数百个分析维度，找出问题根源，降低产品质量诊断时间。在产品优化环节，强化学习技术在模型预测控制中进行滚动寻优，提高企业质量改进效率。
01质量管理存储需求
机器视觉通过对检测物拍摄照片或视频，进行软件分析，用以提高产品质检效率和生产效率，同时也产生了海量非结构化数据。在视频与图片采集过程中产生海量非结构化数据，存储需求主要以海量非结构化数据为主。以某智能制造工厂产线为例，一个机台就有10个检测点位或设备，每个点位图片大小平均为50MB，约2秒钟进行1个工件检测；10条这样的产线7*24小时运行，1个月文件数量就达到了1亿多，存储容量达6PB以上。
根据国家相关政策法规和下游客户的要求，生产数据如质检图片数据通常需要保存3个月到15年不等，以便质检追溯和分析等。这些海量的数据需要能被生产过程管理(MES)、质量管控(SPC)、良品率管理（YMS）等应用系统便捷地调用和共享，以帮助企业更好地实现生产自动化及决策支撑。
02机器视觉数据挑战
①多维度快速精确检索
海量数据下，查询维度少，如只能通过文件名或基于目录层级检索，耗费时间长，严重影响生产效率。如何能在保证存储性能的前提下，秒级查询数据并回溯数据派生关系。
②海量数据存储
生产过程中产生海量质检数据，传统的NAS存储空间受限，扩容成本高，扩展性差，无法既能满足海量数据的存储，且保障未来进行平滑横向扩展。
③数据共享统一管理
生产过程中产生的海量质检图片数据，分散存储于不同生产线的质检设备中，应用系统检索耗时长，造成数据管理和检索不变。
④数据性能与并发性
由于质检平台与生产线共同运行，存储系统在具备高可用，高可靠之外，存储系统的性能和并发性也至关重要。
在线咨询