边缘视觉识别工控机选型

千里之豪2026-10-142026-10-14

背景

传统快递分拣行业没有在传输过程中感知流量的模块，只能通过光电、光幕来感知：有 / 无包裹这种比较简单的判断。只有到达了单件分离、叠件分离、这些特种设备的时候，才能知道流量。但这种设备动辄 10～30W，不可能大面积布置。

而传统视觉厂家的提供的便宜的AI视觉设备采购价也动辄超过 1W，最便宜的也在 7～8 K 以上。

我最近两个月刚好就是负责公司这边的视觉识别在现场的应用，所以有机会采购了一大批形形色色的负责 AI 模型推理的电脑。

智能算力：157 TOPS
参考价格：¥ 7000 ～ 9000
使用感受：完全过剩，16 bit 高精度模型推理不在话下！但 Nvidia 在 Linux on arm 的生态和驱动没有在 x86 平台上成熟，Jetpack 版本非常不稳定，会遇到很多奇奇怪怪的依赖问题，好在有了 AI 帮忙都解决了，算力强的没话说
是否推荐：不推荐，算力过剩，成本过高；而且它居然不支持上电自启动！也可能是我这家代理商没有配置对应的上电自启动的配件，导致我在现场只能手搓。

智能算力：10 TOPS
参考价格：¥ 900 ～ 1000
使用感受：算力刚刚好够用，RDK 生态非常丰富，官方手册也很详细，例程丰富，非常适合初学者，但很多例程对我来说有点儿没必要，占用了非常大的 SD 卡空间，后续删除了不少示例项目；而且它标识的是 8G 运行内存，但是实际上有 4GB 是完全被 NPU 给独占了。
是否推荐：新手推荐，周边配套完善

智能算力：6 TOPS
参考价格：¥ 650
使用感受：接口适配树莓派生态，算力刚好够用，系统比较干净，资料说明详细，非常不错；而且他的 NPU 和 CPU 共用 6GB 的运行内存，反而比上方的 RDK X5 的内存应用还要灵活
是否推荐：我已购买，体验暂时良好。

其实这类 AI 视觉模型在前几年就已经非常成熟了，只是这两年语言大模型的程序才让大众后知后觉地意识到了这一点，当然，语言大模型也在这其中帮助了很多，尤其在环境配置和应用开发方面。

借助 RDK 和 Radxa 这两个开发板，我成功把采购成本降到了 1K 左右。

如果后续的芯片和内存产能能够释放到民用和工业端的话，这类计算设备应该可以更便宜。

现在我在其中一个场地布置了 RDK X5 5 台，另两个场地布置 Radxa 4D 共 10 台，想要了解后续反馈的话，请持续关注我的博客吧～