问题1：缺货检测为何更适合边缘计算而非云端？

典型误区是盲目追求云端AI的准确率，忽视实际部署成本。边缘盒子（如搭载Rockchip RK1808的硬件）在以下场景有碾压优势：

• 功耗对比：云方案需持续上传高清图像，单摄像头月流量费超50元（按运营商标准），而边缘盒子仅触发时传输结果，整体功耗可控制在5W以内
• 响应延迟：货架缺货直接影响销售转化，边缘本地推理能在300ms内完成，云方案因网络抖动可能超过2秒
• 隐私合规：门店禁止拍摄顾客正脸，边缘设备可直接在芯片级实现人脸模糊（如Libcamera的post-processing阶段）

但边缘方案必须解决光照适应问题——实验室准确率99%的模型，在逆光货架前可能骤降至70%。

深度优化方案： 1. 动态曝光补偿：通过I2C实时调整摄像头寄存器（如IMX415的0x0204~0x0207） 2. 多光谱融合：结合近红外传感器（如VEML3328）检测遮挡物 3. 模型微调：使用GAN生成极端光照场景的合成数据

问题2：误判主因是算法还是硬件？

拆解某连锁超市的故障案例：

1. 传感器选型错误：采用普通RGB摄像头，在LED补光灯下出现频闪（实验测得120Hz纹波），改用全局快门IMX415后解决
2. 模型量化失误：将FP32模型直接转为INT8导致特征层截断，改用混合精度（Conv层FP16，分类层INT8）后mAP提升12%
3. 触发逻辑缺陷：连续5帧检测为空才判定缺货，实际应结合重量传感器（如TI的HX711）做交叉验证

硬件同步性验证步骤： - 用逻辑分析仪抓取摄像头VSYNC与MCU中断信号的相位差（应<1ms） - 通过PWM信号模拟货架补光灯干扰，测试模型鲁棒性 - 在-20℃~60℃环境箱中验证电源纹波（需<50mV）

问题3：怎样设计抗干扰的供电系统？

收银屏1米内的传导干扰实测数据：

产线测试要点： 1. 使用频谱分析仪扫描30MHz-1GHz频段（重点检查315/433/868MHz） 2. 在DC电源端注入1kHz~100MHz的共模干扰（幅度100V/m） 3. 验证PoE供电时的浪涌防护（需通过IEC 61000-4-5 Level 3）

问题4：如何平衡检测精度与硬件成本？

成本敏感型项目的选型策略：

1. 摄像头：200万像素足够（OV9281约$3），但需支持HDR模式
2. 处理器：双核Cortex-A35（如瑞芯微RV1109）比四核A53省电40%
3. 算法：YOLOv5s量化后仅1.2MB，在0.5TOPS算力下可达15FPS

BOM优化案例： - 用GD32替代STM32实现GPIO控制（节省$0.5/unit） - 采用国产AI芯片（如地平线旭日X3）替代Jetson Nano（降本$35） - 自定义PCB天线替代外接天线（减少$1.2射频成本）

当你说「准确率」，到底在测什么？

行业常见测试漏洞：

• 只测空满两种状态，忽略「半空货架」的临界场景
• 使用合成数据训练，未覆盖真实门店的贴纸反光、货物倾斜等情况
• 未考虑高峰期多人遮挡时的检测逻辑

全场景测试协议： 1. 硬件配置：部署6个不同高度/角度的摄像头 2. 数据采集：连续录制早中晚各2小时真实客流视频 3. 评判标准： - 缺货召回率≥95%（允许5%误报） - 遮挡场景下至少识别50%商品 - 系统重启后30秒内恢复检测

工程复盘：那些踩过的坑

1. 无线共存问题：WiFi与Zigbee在2.4GHz频段冲突，导致心跳包丢失。最终采用时间分片策略，通过硬件Timer同步收发时序。
2. 散热设计失误：封闭式机箱在35℃环境温度下芯片结温达92℃，后改用散热鳍片+轴向风扇（噪音控制在35dB以下）。
3. 固件升级风险：OTA过程中电源抖动导致BIOS损坏，增加超级电容作为掉电保护（需维持500ms供电）。