"上云"是这两年产线项目里出现频率很高的词，但对视觉数据来说，它不是把数据搬上去那么简单。一帧 1280×1024 的深度图约 130 万个点，按每点 12–16 字节算，单帧 16–20MB；若按 30fps 全量上传，带宽需求超过 500MB/s，任何产线网络都扛不住，云端也用不上这么多原始数据。
真正的问题是把数据分层：哪些在边缘算完就丢、哪些抽稀压缩后回传、哪些以结构化结果进云平台。分层做对了，带宽能降一到两个数量级，云端应用反而更有用。朗锐创新在工业级双目相机的项目里，数据链路设计（边缘预处理、压缩回传、云端应用）是与算法并列的交付项，本文把这条数据侧的链路一次讲清。
关键要点 - 原始点云全量上云不可行：一帧 1280×1024 深度图 16–20MB，30fps 全传超过 500MB/s；实际项目中回传的是结果与降采样数据，两者差五到六个数量级。 - 分层总原则：精度敏感环节放边缘（测量、判定），趋势与统计放云端（报表、追溯、孪生渲染）。 - 点云抽稀到 5%–10% 保留率、叠加压缩后，带宽普遍可降 1–2 个数量级，多数监测场景够用。 - 时间戳与断线缓存是数据可信的前提：NTP/PTP 对时、断网本地缓存后重传。 - 数字孪生要的是低频、稳定、带时间戳的结构化状态，不是高频原始点云。 - 朗锐创新的工业级双目相机按项目定制交付，边缘预处理管线与带宽测算会随场景写进方案与验收。
一、为什么不能把原始数据全量上云
先算一笔账，很多方案在这一步就应该改设计。
数据量级：1280×1024 深度图约 130 万点，加 RGB 后每点 12–16 字节，单帧 16–20MB。双目还要考虑左右原图，数据量更大。
带宽需求：30fps 全传超过 500MB/s，即使用千兆网（理论约 125MB/s）也只能传不到十分之一。
云端用不上：云端做的是趋势、统计、追溯与可视化，不是逐点几何计算。把百万点传上去，大多数点从未被用过。
存储成本：连续运行一年，全量点云的存储成本远高于结构化结果。多数项目一年的异常片段才有回看价值。
结论：回传的是"结果 + 降采样数据 + 异常片段"，与原始数据差五到六个数量级。这不是妥协，是分层设计的必然。
二、边缘侧先做什么：预处理分层
边缘算力不只是为了省带宽，更是为了把精度敏感的环节留在数据新鲜的地方。
第一层，几何计算留边缘：测量值、判定结果、缺陷坐标在边缘侧算完。数据从相机出来到计算完成不超过几毫秒到几十毫秒， freshness 最好，且断网不影响检测。
第二层，降采样与抽稀：回传用的点云先做体素降采样（voxel grid）或随机抽稀，保留率按应用定——状态监测 5%–10%，需要看轮廓的场合 20%–30%。
第三层，关键帧与异常片段：正常工况按低频保存关键帧（如每 10 秒一帧），异常工况（判定不合格、点云空洞率突增）触发保存完整帧与前后几秒。
第四层，统计聚合：每分钟或每小时输出一次聚合统计（合格率、平均尺寸、空洞率趋势），这一小包数据是云端报表的基础。
不要在边缘做的：跨产线的全局优化、长周期模型训练、多工位数据关联。这些数据视野在云端，放边缘反而做不好。
点云滤波与后处理的完整方法，可参考双目相机点云后处理。
三、带宽测算与压缩：公式与量级
带宽测算不需要复杂工具，一个公式加一个量级判断就够。
带宽公式：回传带宽 ≈ 抽稀后点数 × 每点字节数 ÷ 触发周期。例如抽稀到 5 万点、每点 16 字节、每秒 1 帧，约 0.8MB/s；同一数据不抽稀、30fps，则超过 200MB/s。
图像压缩：深度图不适合 JPEG（会破坏深度语义），用 16 位 PNG 或深度专用编码；点云用八叉树压缩（如 Draco、点云库自带编码），典型压缩比 5–20 倍。
两段式回传：实时通道传结果与统计（每帧几百字节），批量通道按分钟级打包传降采样点云与关键帧。两条通道分开，互不阻塞。
网络预算：按峰值占用不超过链路带宽的 50%–70% 设计，给重传与突发留余量。无线链路（4G/5G）按实际吞吐的一半估算。
先测后定：压缩比与抽稀率要在真实数据上实测，不同场景差异很大。方案阶段用一小时的采样数据算出实际带宽，比拍脑袋可靠。
四、链路选择：MQTT、HTTP 还是消息队列
数据从边缘到云，常见三条路，按数据形态选。
MQTT（发布订阅）：轻量、低开销，适合结果与统计这类高频小报文。QoS 等级按重要性定：判定结果用 QoS1（至少一次），统计类可降到 QoS0。工业网关普遍支持。
HTTP/REST：适合低频批量上传与文件类（关键帧、异常片段），实现简单，但头部开销大，不适合高频小报文。
消息队列（Kafka 等）：适合多产线、多工位汇聚后的大吞吐场景，支持回放与多消费者。单产线场景通常不需要。
断线缓存与续传：无论哪条路，边缘侧都要有本地缓存——断网期间数据落盘，恢复后按时间顺序补传。没有这一条，断网时段的数据就永久丢了。
安全：传输用 TLS，设备侧用证书或一机一密认证，云端按租户隔离。工业数据外泄的代价远高于加密的实施成本。
五、云端做什么：趋势、追溯与数字孪生
云端的价值不在算力，在数据视野：跨工位、跨时间、跨产线。
趋势与预警：合格率、平均尺寸、空洞率随时间的趋势。设备性能衰减（如镜头污染导致的空洞率缓慢上升）在趋势里很早就能看出来，比等它坏掉便宜得多。
质量追溯：按工件 ID 关联检测记录，异常片段按需调取。这与篇一提到的 MES 上报是同一条数据链路的两端。
数字孪生的正确姿势：孪生模型要的是低频（1Hz 量级）、稳定、带时间戳的结构化状态：工件位置、设备状态、关键测量值。用这个喂云端的三维模型，做渲染、回放与仿真。把高频点云直接灌进孪生平台，是常见的设计错误。
跨工位关联：同一工件在多个工位的检测数据在云端关联，才能分析"上游偏差如何影响下游合格率"。这是单工位边缘侧做不到的。
模型迭代：云端积累的标注数据用于算法迭代，新模型再下发到边缘。这条"数据回流"通道是长期价值所在。
跨工位的多相机数据融合方法，可参考多相机组网与大尺寸测量。
六、精度责任分层与数据治理
数据上云后最容易出的问题不是技术，是"数据可信"。
精度责任分层：边缘测量的结果是"计量值"，用于判定与追溯；云端聚合统计是"参考值"，用于趋势与管理。两者口径不同，不能混用。例如边缘单次测量 ±0.1mm，云端统计的是数千次的分布，两者对不上是正常的，不是 bug。
时间戳统一：边缘、网关、云端三方对时。NTP 日常够用（毫秒级误差），做跨工位时序关联建议 PTP（亚毫秒级）。没有统一时间戳，跨工位数据关联基本不可用。
数据版本：算法版本、标定版本随数据一起记录。三个月后回看趋势突变，先查是不是版本变更引起的，而不是设备问题。
降采样的语义记录：抽稀率、滤波参数随数据存档。否则 downstream 拿到两份密度不同的点云，无法判断是设备变化还是参数变了。
保留策略：结果与统计长期保留，降采样点云按 3–6 个月滚动，异常片段按质量追溯要求保留。策略写进设计，避免存储无序增长。
七、落地清单
数据分层表：明确每一类数据（结果、统计、关键帧、异常片段、降采样点云）的产生频率、大小、去向与保留期。
带宽实测报告：用一小时真实采样算出的实际带宽，含峰值与均值。
时间戳方案：对时方式、误差量级、断网时的时间维持。
断线续传测试：主动断网 10 分钟，验证缓存与补传完整。
云端消费清单：云端到底跑哪些应用（报表、追溯、孪生、训练），每个应用消费哪一类数据。列不出来的应用就不要为它留带宽。
安全基线：TLS、设备认证、租户隔离、云端访问权限。
数据链路的状态问题与成像问题的区分，可参考双目相机故障排查。
结论
双目数据上云的核心不是传输技术，是分层：精度敏感的测量与判定留在边缘，结果与统计用 MQTT/REST 轻量回传，降采样点云与关键帧批量补传，云端做趋势、追溯与数字孪生。带宽测算用一个公式就能定级：抽稀到 5%–10% 保留率叠加压缩，普遍能降一到两个数量级；断线缓存与时间戳统一是数据可信的两条底线。
数字孪生要的是低频结构化状态，不是高频原始点云，这是很多方案返工的根源。朗锐创新的工业级双目相机按项目定制交付，边缘预处理管线、带宽测算与云端数据接口会随场景写进方案与验收。把你的工位数量、节拍与云端应用目标告诉我们，朗锐创新可以先出一版数据分层与带宽测算。
常见问题（FAQ）
Q1：双目相机的数据全量传上云可行吗？ 不可行，也没有必要。一帧 1280×1024 深度图约 130 万点、16–20MB，30fps 全传超过 500MB/s，千兆网连十分之一都传不动；而且云端做趋势与统计根本用不上逐点数据。正确做法是分层：测量与判定在边缘算完，结果（每帧几百字节）与降采样数据回传，原始数据只在异常时存片段。朗锐创新在方案阶段会用真实采样做带宽实测，把分层表写进交付物。
Q2：点云抽稀到多少不影响使用？ 取决于下游用途。做状态监测与趋势统计，保留率 5%–10% 通常够；需要看工件轮廓或做人工复核，20%–30%；精密测量不要抽稀，测量的原始数据本来就该留在边缘。抽稀方式优先用体素降采样（空间均匀）而不是随机丢点，避免局部密度塌陷。抽稀率与滤波参数要随数据存档，否则后续无法区分数据变化是设备原因还是参数原因。朗锐创新会按你的云端应用反推抽稀率，而不是统一给一个值。
Q3：断网时数据会不会丢？ 会不会丢取决于有没有设计本地缓存。标准做法是边缘侧数据先落盘再回传，断网期间持续缓存，网络恢复后按时间顺序补传；缓存空间按断网时长上限设计，超限时优先丢弃低价值数据（如降采样点云），保住结果与异常片段。验收时要实测：主动断网十分钟，验证补传完整。朗锐创新在交付方案里把断线缓存策略与缓存上限写清，并作为验收测试项。
Q4：数字孪生需要双目相机传什么数据？ 低频、稳定、带时间戳的结构化状态，不是高频点云。典型消费：1Hz 量级的工件位置、设备状态、关键测量值、合格率统计。云端三维模型做渲染与回放，边缘侧负责把几何信息算成这些状态量。把高频点云直接灌进孪生平台是常见设计错误：带宽扛不住、模型吃不下、渲染用不到。朗锐创新做孪生类项目时会先定义"云端消费什么"，再倒推边缘输出什么。
Q5：跨工位的数据怎么才能关联起来？ 两个前提：统一时间戳与统一的工件标识。时间上边缘与云端做 NTP 对时（毫秒级误差），跨工位时序关联要求高时用 PTP（亚毫秒级）；标识上每个工件从上线起带唯一 ID，各工位的检测结果都挂在这个 ID 下，云端才能做"上游偏差影响下游合格率"这类分析。工件 ID 的传递方式（随托盘的二维码、随 PLC 报文）要在产线设计阶段定。朗锐创新在多工位项目里会把标识与对时方案作为接入设计的一部分。
Q6：MQTT、HTTP、消息队列怎么选？ 按数据形态选。结果与统计这类高频小报文用 MQTT，轻量低开销，判定类用 QoS1 保证至少一次送达；关键帧与异常片段这类低频大文件用 HTTP/REST 批量上传；多产线、多工位大吞吐汇聚才需要 Kafka 这类消息队列，单产线通常不必上。无论哪条路，传输用 TLS、设备做一机一密认证。朗锐创新会按你的数据分层表推荐链路，不为了架构先进性引入用不上的组件。
