隨著數據采集速度的提升，更靠近邊緣位置的計算遷移方案，能夠在降低延遲以及減少基礎設施成本的前提下，更加高效地利用數據資源。另一方面，計算機視覺則是人工智能中的一大分支，旨在通過訓練機器幫助其解釋及理解視覺內容。

計算機視覺的目標之一，在于利用機器通過與人類相同的方式查看并處理圖像。在通過機器學習實現的計算機視覺當中，有一類采用所謂監督學習方法，其中采用規模可觀且附帶注釋的圖像集來構建計算模型。盡管模型訓練往往相當耗時并占用大量資源，不過一旦訓練完成，該模型即可快速高效地執行各類識別任務。

圖像與視頻分析的具體示例包括：

識別、分類、計數以及評估對象姿態；壓縮并編碼視覺信息，以進行傳輸或匹配；估算攝像機視角；前景與背景二維分割；估算深度并執行3D分割；以及還原圖像中的遮擋區域或者推斷視覺數據等等。

隨著邊緣AI技術的最新發展，與以往將數據流傳輸至云端的做法相反，如今我們得以立足本地攝像機完成數據的處理與分析。而這種新興且無比強大的處理能力，也讓計算機視覺在木板架行業擁有了施展拳腳的可能。

目前存在三種計算機視覺架構類型：

將視頻或圖像發送至云端進行計算；

在邊緣位置進行部分計算，僅將少量模式信息傳輸至云端進行搜索、排序及計算；

邊緣AI，在邊緣位置計算所有圖像數據。最后一種方法難度較高，需要訓練出能夠安裝在邊緣設備上，且能夠經常更新的模型。這些架構各有自己的優勢與缺點，但隨著計算機視覺研究機構的不斷發展，相信未來可能出現一種同時適合各類場景的應用模型。

木制板架是世界各地貨物運輸，乃至供應鏈物流行業中不可或缺的組成部分。歐洲木制板架與包裝制造商聯合會（FEFPEB）報告稱，歐盟目前正在流通的木制板架超過30億個，而美國每天使用的板架就超過20億個，其中大部分由資源儲備巨頭掌握。客戶從共享資源池中租用板架，從而降低了供應鏈產品管理廠商在采購、管理以及回收等環節中的復雜性。

當然，這些巨頭企業希望監控整個供應鏈，了解板架在其中的流動趨勢，及時發現丟失及回收點，準確核算出板架的損壞問題與使用周期。為了實現全面監控，各個板架之上都可以貼上唯一的標記或者跟蹤設備。如果板架具有唯一ID（例如條形碼或者二維碼），那么當該板架流經供應鏈時，廠商就可以利用計算機視覺技術跟蹤板架的動向。如果在上面安裝跟蹤設備，那么在板架流經服務中心的分類流水線時，系統還可通過計算機視覺檢測該板架是否需要更換或者維護。

木制板架所選用的木材多種多樣，包括山毛櫸、白蠟木、白楊、松木以及云杉等等。板架的木材選擇決定了紋理輪廓與質地特征，我們不僅能夠借此評估單個板架的堅固程度與耐用性，同時也可為板架提供唯一的可跟蹤標記。此外，用于固定板材的釘子也會形成一種拓撲結構，反映出關于板材使用壽命的信息——例如在板架在供應鏈中使用多長時間之后，才有必要進行一次檢查維修。

利用經過訓練的計算機視覺模型，我們可以在板架制作完成時即對其獨特的紋理模式進行識別，并以此為基礎對其進行貫穿整個生命周期的標記與管理。當板架在供應鏈流程中受到損壞并得以修復時，我們也可以進一步記錄這些環節對板材紋理及結構產生的影響。計算機視覺不僅能夠以此為基礎跟蹤板架，還可以判斷板架的強度與耐用性。利用這種低成本解決方案，板架廠商將能夠采取措施，對制造完成或者經過一段時間使用的板架進行篩查。此外，板架廠商還可以收集客戶以及垂直行業提供的損壞數量與損壞類型等相關問題的洞察見解，借此增加業務模型并改進設計，從而顯著提升自身服務的可靠性。

目前，有95％的受訪組織機構報告稱，未來木制板架將繼續在供應鏈市場中占據主導地位。木材是目前唯一一種百分之百可再生、可回收、可重復利用且可安全承載多種貨品的盛裝材料。

另外，計算機視覺還能夠在維持倉庫內板架確切庫存量方面發揮關鍵性作用。利用包含眾多板架的單一圖像，經過訓練的神經網絡能夠以遠超專業員工的速度與精度提供可靠的板架計數結果。

除了供應鏈關鍵績效指標（KPI）之外，計算機視覺還可應用于板架存放、檢查以及維修等層面，幫助服務中心內的工人提高安全性與工作效率。包括敲釘固定在內的各類重復性任務，都可被輸入至神經模型當中，借此從實時視頻當中判斷工人的準確性、疲勞度以及更多其他狀態性特征。此外，這項技術也可經由實時視頻判斷工作人員是否進入了未經授權的區域、存在危險行為或者是否穿著適當的個人防護裝備。這僅大大降低發生工作事故的風險，幫助相關企業維持生產流程的可靠運轉。