智慧工厂边缘质量检测系统

基于 K3s 边缘计算框架的工业产品质量检测演示系统，纯 CPU 推理，适用于 AMD 9950 平台。

---

应用场景

模拟智慧工厂场景：产线边缘节点（智能摄像头）采集产品图像，在边缘数据中心进行 AI 缺陷检测，只上报检测结果到聚合服务。

体现边缘计算优势：

• 低延迟：边缘本地推理，无需上传到云端
• 省带宽：只传输检测结果（几字节），不上传原始图像（几百KB）
• 断网自治：边缘节点网络中断时仍可本地运行
• 数据隐私：产品图像不出工厂

---

系统架构

┌─────────────────────────────────────────────────────┐
│              VMware Workstation (Windows)            │
│  AMD 9950 CPU                                        │
│                                                      │
│  ┌──────────────────────────────────────────┐       │
│  │        Ubuntu 22.04 VM - Server           │       │
│  │        2vCPU / 4GB RAM                    │       │
│  │                                           │       │
│  │  ┌──────────────┐  ┌──────────────┐      │       │
│  │  │ edge-inference│  │ result-      │      │       │
│  │  │ (AI推理服务)  │  │ aggregator   │      │       │
│  │  │              │  │ (聚合看板)    │      │       │
│  │  │ • 缺陷检测    │  │ • 数据统计    │      │       │
│  │  │ • 置信度计算  │  │ • Web看板    │      │       │
│  │  │ • 特征提取    │  │ • 告警列表    │      │       │
│  │  └──────────────┘  └──────────────┘      │       │
│  │         ▲                                  │       │
│  │    6443 │                                   │       │
│  └─────────┼──────────────────────────────────┘       │
│            │  K3s控制平面                               │
│            │                                           │
│  ┌─────────▼──────────────────────────────────┐       │
│  │        Ubuntu 22.04 VM - Agent              │       │
│  │        1vCPU / 2GB RAM                     │       │
│  │                                           │       │
│  │  ┌──────────────────────────────────┐    │       │
│  │  │    camera-simulator              │    │       │
│  │  │    (产线摄像头模拟器)             │    │       │
│  │  │                                 │    │       │
│  │  │  • 生成产品图像（带缺陷模拟）    │    │       │
│  │  │  • 定时发送推理请求             │    │       │
│  │  │  • 支持边缘自治（断网处理）      │    │       │
│  │  └──────────────────────────────────┘    │       │
│  └──────────────────────────────────────────┘       │
│                                                      │
│  访问看板: http://<Server_IP>:30080                   │
└─────────────────────────────────────────────────────┘

---

代码结构

edge-factory-quality/
├── edge-inference/              # AI推理服务
│   ├── main.py                  # Flask推理API（/infer, /batch_infer, /stats, /health）
│   └── requirements.txt
├── camera-simulator/            # 产线摄像头模拟器
│   ├── main.py                  # 图像生成 + 推理请求发送
│   └── requirements.txt
├── result-aggregator/           # 结果聚合服务
│   ├── main.py                  # 数据聚合 + Web看板（端口8080）
│   └── requirements.txt
├── dockerfiles/                 # Docker镜像构建文件
│   ├── inference.Dockerfile
│   ├── camera.Dockerfile
│   └── aggregator.Dockerfile
├── k8s-manifests/               # K3s部署文件
│   ├── namespace.yaml
│   ├── inference/
│   │   └── deployment.yaml
│   ├── camera/
│   │   └── daemonset.yaml
│   └── aggregator/
│       └── deployment.yaml
├── benchmark/                   # 基准测试工具
│   ├── latency_test.py          # 延迟/吞吐量测试
│   └── resource_monitor.py      # 资源监控
├── setup-vm.sh                  # VM环境配置脚本
└── build-and-deploy.sh          # 一键构建+部署脚本

---

快速开始

1. 虚拟机配置

Server VM（控制平面）

配置项	值
系统	Ubuntu 22.04 Server LTS
CPU	2核
内存	4GB
硬盘	40GB
网络	桥接模式
主机名	k3s-server

Agent VM（边缘节点）

配置项	值
系统	Ubuntu 22.04 Server LTS
CPU	1核
内存	2GB
硬盘	25GB
网络	桥接模式
主机名	k3s-agent1

VMware设置：虚拟机设置 → 网络适配器 → 桥接模式（自动）

2. 环境配置

在每台 VM 上执行：

# 复制项目文件到VM（从Windows通过SCP或共享文件夹）
# 然后在VM中：
chmod +x setup-vm.sh

# Server VM上:
./setup-vm.sh server

# Agent VM上:
./setup-vm.sh agent
# 然后输入Server IP和Token

3. 构建与部署

在 Server VM 上执行：

cd edge-factory-quality/
chmod +x build-and-deploy.sh
./build-and-deploy.sh

4. 查看结果

# 查看所有Pod状态
sudo kubectl get pods -n edge-factory -o wide

# 查看推理服务日志
sudo kubectl logs -n edge-factory -l app=edge-inference -f

# 查看摄像头模拟器日志
sudo kubectl logs -n edge-factory -l app=camera-simulator -f

# 打开监控看板（浏览器访问）
# http://<Server_VM_IP>:30080

---

基准测试

首次运行测试前，请先安装测试依赖：pip install -r benchmark/requirements.txt。

延迟测试

# 端口转发推理服务到本地
sudo kubectl port-forward -n edge-factory svc/edge-inference 5000:5000 &

# 运行延迟测试
python benchmark/latency_test.py --edge-url http://localhost:5000

资源监控

# 实时监控Pod资源使用
python benchmark/resource_monitor.py --namespace edge-factory

# 或查看当前快照
sudo kubectl top pods -n edge-factory

---

边缘计算优势分析

对比项	传统云端方案	本边缘方案	改善
端到端延迟	~150-300ms（上传+推理+返回）	~20-50ms（本地推理）	降低 70-80%
带宽消耗	每次上传 ~200KB 图像	每次上报 ~100B 结果	降低 99.95%
断网影响	服务完全中断	边缘自治，本地缓存	高可用
数据隐私	图像上传到云端	图像不出边缘节点	隐私保护
部署复杂度	需维护云端+网络隧道	K3s一键部署	极简

---

API 接口说明

推理服务 (edge-inference:5000)

接口	方法	说明
/health	GET	健康检查
/infer	POST	单图像推理
/batch_infer	POST	批量推理
/stats	GET	推理统计

聚合服务 (result-aggregator:8080)

接口	方法	说明
/	GET	Web监控看板
/health	GET	健康检查
/report	POST	接收检测结果上报
/api/summary	GET	汇总统计API
/api/alerts	GET	缺陷告警列表
/api/timeseries	GET	时间序列数据

---

技术栈

• K3s - 轻量级 Kubernetes 边缘计算框架
• Flask + Gunicorn - Web服务
• OpenCV + NumPy - 纯CPU图像处理与推理
• Docker + containerd - 容器化
• YAML - K8s声明式部署

---

提交说明

本项目适合作为”边缘计算框架调研及演示”大作业，包含：

• 完整的 K3s 边缘计算框架分析
• 真实的工业质量检测应用场景
• 多组件协作的容器化微服务架构
• 纯CPU推理，适用于无GPU环境
• 可量化的性能对比数据