近几年，AI已经成为制造业数字化升级的重要驱动力。

从设备预测性维护、机器视觉检测、能源优化、设备健康管理，到智能巡检、AGV导航、工业机器人，AI正在不断进入工业现场。

但很多企业在推进工业AI项目时都会遇到类似的问题：

• 设备数据如何采集？

• 数据如何标注？

• AI模型如何训练？

• 训练好的模型如何部署到边缘设备？

• AI识别结果如何控制PLC？

• 如何实现远程升级和维护？

很多人认为工业AI就是安装一个大模型，其实真正的工业AI项目远比这复杂。

一个完整的工业AI系统通常包含以下流程：

设备接入 → 数据采集 → 数据标注 → 模型训练 → 模型优化 → 边缘部署 → AI推理 → PLC控制 → 数据分析 → 远程运维

每一个环节都离不开专业的软件支持。

本文将介绍工业AI落地过程中最值得关注的十大软件，帮助企业快速构建完整的工业AI生态。

---

一、Node-RED——工业数据采集与流程编排核心

7

Node-RED 是目前工业边缘计算领域应用最广泛的低代码开发平台之一。

它可以通过拖拽方式完成数据采集、协议转换、设备联动和业务流程编排，大幅降低开发门槛。

典型应用包括：

• PLC数据采集

• Modbus RTU/TCP通信

• OPC UA数据交互

• MQTT消息发布

• HTTP接口调用

• AI模型调用

• 云平台数据上传

在工业AI系统中，Node-RED通常承担"数据中枢"的角色，负责连接现场设备与AI算法。

---

二、Label Studio / CVAT——高质量AI从数据标注开始

5

AI模型的效果，很大程度上取决于训练数据的质量。

因此，在模型训练之前，需要对图片、视频或文本数据进行标注。

常用的数据标注工具包括：

• Label Studio：支持图像、文本、语音、时间序列等多种数据类型。

• CVAT：广泛应用于工业视觉、自动驾驶、目标检测等场景。

例如，在工业视觉检测中，需要先标注产品缺陷、焊点、零件位置等信息，再用于后续模型训练。

---

三、PyTorch——工业AI模型训练的主流框架

PyTorch 已成为目前工业AI领域最主流的深度学习框架之一。

无论是视觉检测、预测性维护还是异常检测，大多数AI模型都基于 PyTorch 开发。

PyTorch 支持：

• 卷积神经网络（CNN）

• Transformer

• 时间序列预测

• 目标检测

• 图像分类

• 语义分割

许多工业AI项目都会先利用历史数据完成模型训练，再将模型部署到边缘计算设备进行实时推理。

---

四、YOLO——工业视觉检测的"明星模型"

6

在机器视觉领域，YOLO（You Only Look Once）几乎已经成为目标检测的代名词。

它具有检测速度快、精度高、部署灵活等特点，非常适合工业现场的实时检测需求。

YOLO可广泛应用于：

• 产品缺陷检测

• 零件识别

• 包装检测

• 人员安全监测

• 工件定位

• 自动分拣

目前，YOLOv8、YOLOv11等版本已广泛应用于工业AI项目。

---

五、OpenCV——机器视觉不可缺少的基础工具

虽然深度学习越来越流行，但OpenCV依然是工业视觉项目的重要组成部分。

它主要负责：

• 图像预处理

• 图像增强

• 边缘检测

• 畸变校正

• OCR辅助处理

• 图像滤波

OpenCV通常与YOLO等深度学习模型配合使用，以提升整体检测效果。

---

六、ONNX Runtime / TensorRT——让AI模型真正跑起来

模型训练完成后，并不能直接部署到工业现场。

为了提升推理效率，通常需要进行模型转换和优化。

常见工具包括：

• ONNX Runtime：支持跨平台部署，兼容多种AI框架。

• TensorRT：针对NVIDIA GPU进行推理加速。

通过这些工具，可以显著降低模型延迟，提高边缘设备的运行效率。

---

七、Docker——工业AI应用部署利器

Docker已经成为工业边缘计算设备的标准配置之一。

它能够将AI模型、数据库、Node-RED等应用封装为独立容器，实现：

• 快速部署

• 环境隔离

• 一键升级

• 快速恢复

• 多应用并行运行

对于需要长期稳定运行的工业项目来说，Docker极大地提升了运维效率。

---

八、MQTT Broker——连接设备与云平台的数据桥梁

工业AI不仅需要处理本地数据，还需要与MES、SCADA、ERP或云平台进行通信。

MQTT作为轻量级消息协议，具有低带宽、低延迟、发布/订阅机制等优势。

常见MQTT Broker包括：

• EMQX

• Eclipse Mosquitto

• HiveMQ

它们广泛应用于工业物联网和边缘计算场景。

---

九、InfluxDB + Grafana——工业数据分析黄金组合

工业现场每天都会产生大量带有时间戳的数据，如温度、电流、压力、振动等。

InfluxDB 负责高效存储时序数据，Grafana 则提供直观的可视化界面。

它们能够帮助企业实现：

• 实时监控

• 趋势分析

• 告警管理

• 能耗分析

• KPI展示

• AI预测结果展示

是预测性维护和设备健康管理中常见的组合。

---

十、钡铼技术工业AI软件生态——让AI更快落地

对于工业企业来说，仅仅拥有开源软件还不够，还需要适合工业现场的配置、通信和运维工具。

围绕工业AI应用，钡铼技术打造了完整的软件生态：

QuickConfig——快速配置设备

通过图形化界面完成设备配置、协议设置和数据采集任务，降低工程实施难度。

BLIoTLink——协议转换与数据互联

支持多种工业协议之间的数据转换，并可将现场数据上传至MES、SCADA或云平台，实现设备互联互通。

EdgeCoder——边缘应用开发

为边缘计算设备提供灵活的应用开发环境，可集成Python程序、AI算法和业务逻辑，加快工业AI应用开发。

BLRAT——远程运维管理

支持远程监控、配置、日志查看、固件升级和设备管理，帮助企业降低运维成本，提高设备管理效率。

结合钡铼技术ARMxy系列工业计算机、EdgePLC边缘控制器以及工业智能网关，这些软件能够快速构建从数据采集、模型部署到设备控制的完整工业AI解决方案。

---

工业AI软件技术栈全景图

PLC / 相机 / 传感器
│
▼
Node-RED 数据采集
│
▼
Label Studio / CVAT 数据标注
│
▼
PyTorch 模型训练
│
▼
YOLO / OpenCV 算法开发
│
▼
ONNX Runtime / TensorRT 模型优化
│
▼
Docker 容器部署
│
▼
ARMxy / EdgePLC 边缘推理
│
├────────PLC控制
├────────MQTT上传
├────────InfluxDB存储
└────────Grafana可视化
 │
 ▼
BLRAT远程运维 + 云平台管理

---

结语

工业AI的成功，并不只是依赖一个先进的AI模型，而是依赖一套完整的软件生态。

从数据采集、数据标注、模型训练、模型优化，到边缘部署、实时推理、设备控制和远程运维，每一个环节都至关重要。

对于企业而言，选择一套成熟的软件技术栈，不仅能够缩短项目开发周期，还能降低实施风险，加快AI应用真正走进生产现场。

随着边缘计算与人工智能的持续融合，未来工业AI的发展重点，将从"单一算法"逐步转向"软硬件一体化平台"。拥有完善软件生态和边缘计算能力的平台，将成为智能制造升级的重要支撑。