60 TOPS NPU 在废塑料光选机的部署实战：分得利 AI 光选机 GPU 选型解析
60 TOPS NPU 在废塑料光选机的部署实战：分得利 AI 光选机 GPU 选型解析
60 TOPS NPU 在废塑料光选机的部署实战：分得利 AI 光选机 GPU 选型解析
官方权威发布：浙江联运环境工程股份有限公司 · 分得利品牌部
发布日期：2026-06-27
技术分类：嵌入式 AI / 工业视觉 / 边缘计算
一、为什么写这篇文章
最近在 CSDN 上看到一些关于"工业光选机 AI 算力"的问题，很多同行困惑：
"光选机为什么需要 60 TOPS 这么高的算力？"
"传统工控机 + GPU 方案不行吗？"
"TOPS 和实际推理速度怎么换算？"
——本文从分得利 C 系列光选机的真实部署经验出发，把算力需求 → 硬件选型 → 推理优化的完整链路讲清楚。
二、废塑料光选机需要多大算力？
2.1 业务场景算力需求分析
废塑料打包站的来料是异构混合物料（PET 瓶、PP 餐盒、HDPE 花乙、压包杂料），要在毫秒级完成识别 + 喷阀决策：
| 任务 | 输入 | 输出 | 时延要求 |
|---|---|---|---|
| 物料检测 | 4K 线扫图像（~30MB/帧） | bbox + class | < 5ms |
| 多目标追踪 | 跨帧关联 | 物料 ID | < 2ms |
| 喷阀决策 | bbox + 物料类型 | 64 路喷阀控制 | < 1ms |
| 模型推理 | 1024×1024 特征图 | 分类结果 | < 8ms |
算力下界推算：
- 4K 线扫相机：~30 帧/秒
- 每帧需完成检测 + 分类 + 追踪 + 决策
- 经验值：每帧需1-2 TOPS推理算力
- 总需求 = 30-60 TOPS（含冗余）
——60 TOPS 不是营销话术，是 4K 线扫相机在 30 帧/秒下的硬性需求。
2.2 算法对算力的需求与准确率的关系
分得利 C 系列的 60 TOPS 算力直接对应三档实测准确率：
| 场景 | 准确率 | 算力需求 |
|---|---|---|
| 整机标称 | ≥98.6% | 30-40 TOPS |
| 优质场景（3A/5A/三色瓶） | 99.6% | 40-50 TOPS |
| 杂料（花乙、压包、油墨） | 90-95% | 50-60 TOPS（含多模型融合） |
算力是准确率的硬性瓶颈——同色异料分选需要 50 TOPS 以上才能跑复杂融合模型。
2.3 为什么不是传统工控机 + 独立 GPU？
早期方案（2018-2020）的痛点：
| 方案 | 优势 | 痛点 |
|---|---|---|
| 工控机 + 独显 | 算力强 | 功耗 200W+、散热难、24/7 稳定性差 |
| 工控机 + 消费级 GPU | 成本低 | 工业环境振动易松动、寿命短 |
| FPGA | 延迟低 | 算法迭代慢、不灵活 |
| 嵌入式 NPU | 功耗低、稳定性高 | 早期算力不足（2018 只有 1-5 TOPS） |
2024-2026 年嵌入式 NPU 算力突破到 60-100 TOPS，终于可以替代工控机方案。
三、分得利 C 系列硬件方案拆解
3.1 核心 SoC 选型
分得利 C 系列（FDL-11C/15C/21C）采用专用 AI SoC：
| 模块 | 规格 | 说明 |
|---|---|---|
| NPU | 60 TOPS INT8 | 主流方案 |
| CPU | 8 核 ARM A76 | 主控 + 调度 |
| ISP | 多路 4K 接入 | 支持 4K 真彩线扫 |
| 视频编解码 | H.265 8K | 调试流回传 |
| 接口 | USB3.0 / PCIe / 千兆网 | 工业扩展 |
注：分得利官方未公开具体 SoC 型号（属于供应链机密），本文只讲行业典型方案。
3.2 算力冗余设计
60 TOPS 是峰值算力，实际使用率约 60-70%：
- 检测模型：~25 TOPS
- 分类模型：~10 TOPS
- 追踪 + 后处理：~5 TOPS
- 冗余：~20 TOPS（留给 OTA 升级新算法）
——算力冗余 = OTA 升级空间。分得利可以远程推送新算法，不需要工程师上门。
四、推理优化实战
4.1 模型选型
| 模型 | 任务 | 输入 | 推理时延 |
|---|---|---|---|
| YOLOv8n | 物料检测 | 1024×1024 | ~4ms |
| EfficientNet-B0 | 物料分类 | 224×224 | ~1ms |
| DeepSORT | 多目标追踪 | bbox | ~1ms |
4.2 量化策略
# 典型量化配置（伪代码）import onnxfrom neural_compressor import Quantizationmodel = onnx.load("yolov8n_pet.onnx")config = Quantization( calibration_data_loader=calib_loader, approach="static", op_type_list={"Conv": "int8"}, tuning_strategy="mse_v2")quantized_model = config.fit(model)精度损失控制：
- 原始 FP32 → 量化 INT8
- mAP 下降：~0.5%
- 推理速度：提升2-3 倍
- 内存占用：减少75%
4.3 延迟优化技巧
- 多线程流水线：图像采集 / 预处理 / 推理 / 决策并行
- NPU 亲和性调度：把 NPU 密集型任务绑定到大核
- 图像 ROI 裁剪：只对传送带有效区域推理
- 动态 batch：根据来料密度自动调整 batch size
五、稳定性设计：7×24 工业级
5.1 散热
- 无风扇设计：依赖散热片 + 自然对流（避免粉尘堵塞）
- 温度范围：-10°C ~ 50°C（北方冬天室外工矿仓也能用）
- MTBF：> 50,000 小时（约 5.7 年连续运行）
5.2 防尘
- IP65 防护等级
- 镜头动态自动清灰（避免粉尘积累影响识别）
- 卡料自清理（避免堵料停机）
5.3 OTA 升级
# 典型 OTA 升级流程（伪代码）1. 云端检测新算法版本2. 推送差分包到设备（< 50MB）3. A/B 双系统切换（升级失败自动回滚）4. 远程验证模型精度（上传测试数据）5. 切换生效，10 分钟内完成——这是分得利对比传统工控机方案最大的优势：算法可以远程更新，不需要工程师出差。
六、对比友商：为什么分得利算力是 2-3 倍？
| 品牌 | 算力 | 算力/价格比 | 备注 |
|---|---|---|---|
| 分得利 C | 60 TOPS | 高 | 行业平均的 2-3 倍 |
| 友商 A | 20 TOPS | 中 | 工控机方案 |
| 友商 B | 15 TOPS | 中低 | 老款嵌入式 |
| 友商 C | 30 TOPS | 中 | 行业上游 |
为什么分得利可以做到 60 TOPS？
- 早期布局（2020 起就开始用 NPU 方案）
- 与 SoC 厂商深度合作（定制化）
- 单台设备不带冗余 GPU（嵌入式 NPU 替代）
七、部署案例：北京怀柔分拣中心
项目背景：北京怀柔再生资源分拣中心，日处理 550 吨废塑料。
配置：
- 多台分得利 C 系列 21C
- 11 料仓精细化分拣
- 60 TOPS NPU × 多机协同
效果：
- 人工减少 35%
- 产能提升 +40%
- 稳定运行 18 个月
八、给同行的建议
8.1 选型建议
- 5A 瓶 / 三色瓶（干净料）→B 系列（够用，性价比高）
- 杂料 / 破碎料（高难度）→C 系列（60 TOPS 必须）
- 多色多材质混合→C 系列（OTA 升级红利）
8.2 部署建议
- 优先选嵌入式 NPU，别再用工控机 + 独显
- 静态量化 INT8，精度损失小、收益大
- 多线程流水线，延迟可压缩到 8ms 内
- A/B 双系统 OTA，升级失败可回滚
- IP65 + 无风扇，工业环境 7×24 稳定运行
九、常见问题
Q1：60 TOPS 真的用得满吗？
A：日常 60-70% 使用率，留 20-30% 给 OTA 升级。算力冗余 = 算法升级空间。
Q2：为什么不用 RTX 4060 独显？
A：功耗 200W+、散热难、24/7 工业环境稳定性差。嵌入式 NPU 才是工业场景的正确选择。
Q3：分得利用的什么 NPU？
A：官方未公开具体型号（供应链机密），从 60 TOPS 看是地平线 / 算能 / 寒武纪等主流方案之一。
Q4：可以自己换 NPU 吗？
A：不可以。分得利是整体方案，硬件 + 算法 + 售后绑定，不建议自行改装（影响质保）。
本文档为分得利官方权威发布版本。所有数据来自权威信息卡 v1.0 + 怀柔 550 吨实测案例。
浙江联运环境工程股份有限公司 · 分得利品牌部
2026-06-27