在计算机视觉应用中，确保这些系统与组织的基础设施无缝集成至关重要。本文将探讨如何使用MQ Telemetry Transport（MQTT）协议和模块，将Roboflow Workflows与Ignition这一强大的工业自动化解决方案相连接。将使用一个定制训练的YOLOv11模型，通过Roboflow Workflows部署来跟踪生产线上移动的咖啡袋。这些信息随后将通过MQTT发送到Ignition，并在Ignition的Perspective仪表板中直接显示计数和注释。到本文结束时，将构建以下内容。让开始吧。
在深入之前，需要确保一些先决条件已经就绪。
创建Roboflow账户：确保已经注册了Roboflow账户。将使用该平台进行数据标注、模型训练，并构建一个可以部署到任何地方的工作流。
下载Ignition平台和MQTT模块：确保系统或网络附加设备上安装了Ignition软件。可以通过访问他们的下载页面来在任何操作系统上安装Ignition Gateway。将使用Ignition Gateway来配置设置，并安装额外的MQTT模块。
还需要安装Ignition Designer Launcher来配置标签和Perspective仪表板。最后，请确保已经安装了名为MQTTDistributor Module和MQTT Engine Module的MQTT模块。这两个模块都可以在战略合作伙伴模块页面上安装。
Roboflow平台提供了上传数据、标注图像、训练计算机视觉模型以及将它们部署到生产环境所需的一切。如果还没有使用Roboflow构建的经验，鼓励按照这个指南开始使用该平台。
咖啡袋模型：对于这篇博客，将使用一个小型但功能强大的开源数据集（使用这个视频），已经在Roboflow Universe上准备并分发了这个数据集，这是世界上最大的开源计算机视觉数据集和API集合。可以通过访问公开可用的项目来查看数据集。
构建工作流：如果是工作流的新手，可以随意复制这个集成的工作流。这可以通过访问这个可共享的工作流链接并点击“Fork Workflow”按钮来完成。Roboflow Workflows是一个生态系统，它使用户能够使用各种可插拔和可重用的块来创建机器学习应用。每周都有新的块推出，以支持新模型、控制流程和同步到外部数据源。可以访问文档来了解更多关于工作流的信息。
现在已经为集成准备好了模型和工作流，让确保Ignition模块配置正确。首先，需要使用Web浏览器导航到Ignition Gateway。如果已经本地安装了Ignition，将访问http://localhost:8088。否则，需要安装Ignition的设备的IP地址。可能还需要重置试用版并登录。
登录后，导航到Config页面，然后点击MQTT Engine Settings。从这里，将点击Namespaces > Custom > “Create new Custom Namespace…”。
这是将配置MQTT引擎监听特定主题的地方。为主题命名，并提供订阅列表。下面将订阅设置为“/location/coffee/#”，这意味着Ignition将把在主题路径“/location/coffee/”下发布的任何数据拉入一个独特的标签。
现在Ignition已经订阅了主题，让来看一下需要的简短脚本来集成应用程序。将使用Python和Roboflow Inference来运行工作流对抗视频。首先，让安装Python包。
pip install inference paho-mqtt
接下来，让编写代码片段，该片段将处理视频流并将消息发布到MQTT主题。请注意，默认的Ignition MQTT Distributor代理启用了基本身份验证，因此在生产中确保更改这些凭据。
from inference import InferencePipeline
import cv2
import paho.mqtt.client as mqtt
client = mqtt.Client()
client.username_pw_set("admin", "changeme") # 默认MQTT模块用户/密码
client.connect("localhost", 1883) # 默认MQTT代理主机名/端口
def my_sink(result, video_frame):
count = result["counts"]["count_in"]
base64_latest_frame = result["output_image"].base64_image
client.publish("/location/coffee/count", int(count))
client.publish("/location/coffee/latest_frame", base64_latest_frame)
pipeline = InferencePipeline.init_with_workflow(
api_key="YOUR_API_KEY",
workspace_name="YOUR_WORKSPACE_ID",
workflow_id="YOUR_WORKFLOW_ID",
video_reference="PATH_TO_VIDEO",
max_fps=30,
on_prediction=my_sink
)
pipeline.start()
pipeline.join()
现在当打开Ignition Designer时，应该能够导航到标签浏览器并查看标签直接在系统中更新。在构建仪表板之前，让点击计数标签并确保启用了历史记录，并设置了所需的存储提供商。
有了Ignition中的数据，现在拥有完整的仪表板、警报和存储信息在历史记录中的全部功能。让来看一下构建一个简单的仪表板。
首先，让打开首页更新标题和描述以匹配用例。接下来，让添加一个Image和一个SimpleGauge。
将使用以下方式配置SimpleGauge，将其绑定到咖啡计数标签。
接下来，将配置图像。为了在Perspective中显示base64编码的图像，可以使用Expression来连接字符串“base64值。以下是在Expression绑定中的样子。
保存项目后，可以通过访问http://localhost:8088/data/perspective/client/Roboflow_MQTT来导航到新仪表板，其中“Roboflow_MQTT”是项目名称。