美的一些站点过时的 IT 基础设施已经跟不上公司的发展步伐，运营可靠性面临风险。旧的数据备份系统无法在某些生产站点进行备份。一些站点仍然使用 x86 服务器的本地硬盘作为备份介质，导致备份大小有限。现有的备份系统效率低下。

一汽-大众汽车公司（FAW-VW）由于其快速发展，需要大量的通信终端。一汽-大众在安全管理、IT运维成本、员工工作效率等方面也面临挑战。一汽-大众需要终端安全保护，可靠的访问控制和用户权限管理以及全面的网络保护。

Ofo 自行车共享公司希望通过为用户提供无缝网络连接来改善其用户体验，用户可以在其中找到自行车并准确地在他们需要的时间和地点快速踩下，但挑战是避免用户在寻找自行车、解锁时遇到困难时感到沮丧自行车和付款

尽管如 2017 年第四季度业绩所示，海外欧亚大陆和拉丁美洲的增长保持在正轨，但 PSA 集团在其子公司欧宝面临内部研发困境，而其在中国的销售额在同一年下降了近一半，至 387,000 辆。另一方面，中国乘用车市场从 2014 年的 1,970 万辆飙升至 2017 年的 2,470 万辆，飙升了近四分之一，PSA 集团认为需要打造日益互联的汽车，以吸引对 5G 有强烈需求的消费者。主要挑战仍然是 PSA 的产品阵容仍然存在重叠和过时的车型，包括早期版本的标致 3008 以及几款雪铁龙和 DS 车型，所有这些车型都只在中国销售。

• 辽源建设高质量智慧城市的诉求，涵盖城市管理、应急指挥、公安、医疗等多个领域。 • 由于缺乏统一的信息系统，无法连接不同的职能部门。没有物联网，城市管理仅限于人工干预。

中国医药决定构建一个基于云的平台，以支持未来五到十年的 IT 规划需求，其中包括一个动态且可扩展的邮件资源池平台。该平台需要具备以下功能：所有节点都支持冗余，保证业务连续性和良好的用户体验，终端用户和管理员的用户界面简单易用，兼容性好，支持平滑扩容。

• 非智能遗留监控平台缺乏视频处理能力，图像不清晰，工作效率低 • 现有信息系统相互隔离，难以集中管理视频监控产品，难以实现多平台互联协作。因此，阻碍了对海量数据的智能分析和有效的数据挖掘。

• 龙岩人民医院以福建省示范医院为目标，计划在新楼建设“数字医院”，提供移动查房、桌面云、医院信息系统（HIS）云，以及服务级灾难旧楼恢复 • 需要将现有的应用程序，如HIS、实验室信息系统（LIS）、图片归档和通信系统（PACS）、居民健康系统等迁移到新楼，实现桌面云

海尔正在打造一个移动应用平台，在这个平台上运行的所有移动应用都必须设计有统一的安全、架构、管理和平台支持能力。这个新平台还必须将海尔的 IT 应用程序与智能设备结合起来。

在3C行业和汽车行业，上游零部件加工厂商和主机厂测量标准的一致性很重要。如何在OEM厂商收到零件后，快速高效地按标准对零件质量进行抽检，将检测结果实时数字化，并与其他业务系统共享并实现可追溯，是业界共同的痛点。

对于一家3C产品供应链企业来说，人工目检每月人工成本超过200万，质检人员占比20%~40%，存在漏检等质量问题。目前，人工质检面临质量、成本、特殊场景响应、信息整合等问题。详细情况如下：质量：人工质检的主观因素对判断结果影响很大，会出现基于视觉疲劳的漏检问题；某3C产品供应链企业生产现状。信息整合：生产数据没有有效积累和利用，无法推进后续流程再造和质量分析，对自动化生产流程的适应能力弱。成本：人员流动性高，导致培训和人工成本高，招工难。效率：传统机器视觉采用程序化计算逻辑进行视觉检测，对复杂的表面检测抗干扰能力差，误检率高，人员重新判断工作量大。

在汽车主机厂的总装车间，汽车生产的最后一道工序仍然需要依靠大量的人力来组装车身。对于车灯检测现场，由于混产检测，检测人员完全依靠经验对模型进行检测。此外，由于流水线上光线干扰严重，检测人员还需要避免外部光源对车灯检测的干扰，检测周期短，对车辆检测速度也有较高要求。检查员。目前，传统人工质检面临质量、特殊场景响应、信息整合等问题： 1 质量：在人工质检中，需要有经验的质检人员根据20+种车型，准确了解哪些零件配备哪些车型。对人的体验要求高，新员工对模型不熟悉。错过检查会有问题。 2 在强光源长时间照射的情况下，需要做好相关的人体防护，防止眼睛长时间暴露在光源下。 3 信息整合：目前无法对模型和灯具的材质进行匹配，材质偏差无法追溯。

在工厂生产线涉及人员的产品组装作业中，一般动作通常包括固定的操作程序，如：伸手、抓握、移动物体、组装。操作者长时间工作或受到干扰后，会省略装配动作，可能造成误操作。还需要通过动作分析找出动作中存在的问题，从而改进动作的顺序和方法。

在工业制造和物流等许多行业中，对产品或物体的识别、检测和分类有很多需求。传统的基于人工视觉的检测方法容易出现疲劳，无法始终保证较高的检测效率，而且由于人眼本身的生理限制，在速度和准确率方面难以达到高标准。因此，传统的人工检测方式制约了生产力水平的发展和提高，已难以满足生产需要。越来越多的基于机器视觉的分拣机器人被广泛应用于各种工业生产线。即通过工业相机获取目标图像信息，完成抓取目标的排序。传统工业机器人视觉分拣系统采用经典的计算机视觉理论，如不变量距离、模板匹配、SURF特征等算法来识别和定位工件，对场景环境、工件形状和背景颜色有更高的要求。现场输送带上的工件和物体可能形状复杂，姿态各异，密密麻麻地放置在一起。在这种情况下，经典的视觉识别和定位算法无法满足高识别率和高精度的要求。