什么是機器視覺？

機器視覺(Machine Vision，簡稱MV ）是不同技術(shù)和方法的結(jié)合，可自動提取圖像信息，為機器在工業(yè)和非工業(yè)環(huán)境中執(zhí)行給定任務(wù)提供操作指導(dǎo)/關(guān)鍵數(shù)據(jù)。

高投資回報率的持續(xù)報告除其他外，是最近技術(shù)發(fā)展的結(jié)果，特別是在以下領(lǐng)域：

●相機技術(shù)

●人工智能 (AI)

●芯片組

這些進步增強了典型的機器視覺優(yōu)勢，例如節(jié)省成本、提高競爭力或提高產(chǎn)品質(zhì)量。這些技術(shù)轉(zhuǎn)變也影響了我們在研究中確定的 39 種機器視覺應(yīng)用的前景。

本文重點介紹了一些從這些發(fā)展中受益匪淺的現(xiàn)有機器視覺應(yīng)用程序（例如，缺陷檢測）和新用例（例如，過程/操作優(yōu)化和托盤尺寸標注）。

三個顯著的機器視覺技術(shù)轉(zhuǎn)變

機器視覺技術(shù)已經(jīng)存在了 30 多年，但最近的技術(shù)變革為其采用提供了新的推動力。

關(guān)鍵技術(shù)轉(zhuǎn)變 #1：先進相機

分辨率超過 45 兆像素的相機現(xiàn)在不僅（在許多情況下）優(yōu)于人眼，而且它們還可以以極高的速度和不失真地捕捉物體。

但是，在幕后還發(fā)生了其他創(chuàng)新，用戶可能并不那么明顯。其中一項進步是引入“基于事件的視覺傳感器”。

基于事件的視覺傳感器：

類似于視神經(jīng)處理信息的方式，基于事件的視覺傳感器通過僅檢測每個像素的亮度變化（即亮度變化）來捕獲圖像。與傳統(tǒng)的基于框架的視覺傳感器相比，這允許更黑暗的環(huán)境或更惡劣的天氣條件（例如，適用于自動駕駛）。

關(guān)鍵技術(shù)轉(zhuǎn)變 #2：利用人工智能做出更好的決策

從基于規(guī)則的機器視覺（基于預(yù)先確定的參數(shù)進行決策）到基于 AI 的機器視覺（基于適用的機器視覺模型的輸出進行決策）的轉(zhuǎn)變具有重大影響。

基于規(guī)則的機器視覺是“剛性的”，僅適用于可量化、清晰且非常具體的特征（例如，產(chǎn)品上的劃痕是水平的，長度為 30 毫米）。它回答是/否問題。

相反，基于人工智能的 機器視覺可以為不可量化的特征提供準確的結(jié)果，在更廣泛的背景和照明設(shè)置中識別缺陷，并靈活地處理產(chǎn)品外觀和缺陷類型（例如凹痕或變色）的變化。深度學(xué)習(xí)作為人工智能的一個更復(fù)雜、更強大的子集，它也越來越多地被機器視覺應(yīng)用所采用。

關(guān)鍵技術(shù)轉(zhuǎn)變 #3：帶有人工智能 芯片的更強大的硬件

人工智能的進步與芯片組的進步齊頭并進。最新一代芯片功能更強大，適合處理圖像和運行基于人工智能 的計算機視覺算法。這些進步有助于將深度學(xué)習(xí)訓(xùn)練時間從數(shù)周縮短至數(shù)小時。

許多智能相機機器視覺系統(tǒng)現(xiàn)在都配備了強大的人工智能芯片，例如凌華科技的 NEON-2000-JNX 系列就內(nèi)置了NvidiaJetson Xavier NX 模塊。

即將到來的 7 大機器視覺應(yīng)用

由于上述最近在相機、人工智能和芯片組方面的改進，以下七種機器視覺應(yīng)用（根據(jù)我們的市場研究）得到了提升。

即將到來的機器視覺應(yīng)用 #1：缺陷檢測

缺陷檢測是一種機器視覺用例，主要部署在制造業(yè)務(wù)的質(zhì)量檢測過程中。過去，非人工智能機器視覺需要一個包含所有可能缺陷圖像的數(shù)據(jù)庫，系統(tǒng)才能成功識別缺陷。然而，當今的 MV 技術(shù)無需針對該缺陷的特定圖像（即異常檢測）即可辨別出某些“異?！薄?/p>

例子：

富士通測試這種解決方案在日本長野工廠生產(chǎn)，該工廠生產(chǎn)電子設(shè)備。該公司表示，檢查印刷電路板所需的時間減少了 25%。它通過修復(fù)數(shù)千張具有缺陷（例如，形狀、大小和顏色異常）的模擬圖像中的異常區(qū)域來訓(xùn)練 AI 生成正常圖像，從而實現(xiàn)了這種效率提升。最初，訓(xùn)練圖像沒有缺陷。在下一步中，添加模擬缺陷（例如，形狀、大小和顏色異常）。然后訓(xùn)練 AI 去除該缺陷并將圖像恢復(fù)為原始形式。通過比較初始圖像和“恢復(fù)”圖像來衡量準確性。這樣，當 AI 對特定類型的異常不太準確時，第一步可以生成更多此類異常，

即將到來的機器視覺應(yīng)用 #2：過程/操作優(yōu)化

另一個（主要是）與制造相關(guān)的機器視覺用例是過程/操作優(yōu)化。更好的相機和人工智能的結(jié)合允許以新的方式實現(xiàn)特定的結(jié)果。例如，機器人現(xiàn)在可以比人類以更高的精度和效率完成更復(fù)雜的任務(wù)。結(jié)果是，使用 MV 技術(shù)，機器人（或其他機器）可以做以前以不同方式執(zhí)行的事情。

例子：

一個典型的例子是德國弗勞恩霍夫設(shè)計工程機電一體化研究所 (IEM)開發(fā)的新型橡膠研磨解決方案。使用三菱電機機械臂、光學(xué)激光掃描儀和配備 AI 軟件的控制系統(tǒng)，該公司開發(fā)了一種新的 AI 研磨系統(tǒng)——RoboGrinder——可以自動完成復(fù)雜的橡膠類材料的研磨過程，這在以前是不可行的.據(jù)該團隊稱，新方法可減少高達 40% 的典型橡膠研磨過程。

即將到來的機器視覺應(yīng)用#3：自動駕駛

機器視覺在開發(fā)完全自動駕駛汽車的過程中起著至關(guān)重要的作用。自動駕駛有六個級別，從 0（完全手動）到 5（完全自動）。今天大多數(shù)（商用）車輛提供 1 級或 2 級駕駛輔助，只有少數(shù)提供 3 級選項。要達到 4 級或 5 級，就車輛使用的技術(shù)而言，需要實現(xiàn)飛躍。非常復(fù)雜的 MV 相機系統(tǒng)和 AI 驅(qū)動的計算是這一技術(shù)飛躍的一部分。

例子：

GoogleWaymo One自動叫車服務(wù)是商用 4 級自動駕駛汽車的一個例子。每輛車都配備了Waymo Driver系統(tǒng)，這是一個復(fù)雜的 MV 系統(tǒng)，由五個激光雷達、四個雷達、29 個攝像頭和實時收集傳感器數(shù)據(jù)并計算最佳路線的 AI 軟件組成。該解決方案已經(jīng)收集了超過 2000 萬英里的真實世界駕駛體驗。

即將推出的機器視覺應(yīng)用#4：托盤尺寸標注

物流垂直領(lǐng)域即將到來的關(guān)鍵機器視覺用例之一是托盤尺寸標注。新穎的 3D 飛行時間* 相機技術(shù)可以測量裝載托盤的尺寸，從而消除手動測量所花費的時間，并最大限度地減少承運人因尺寸重量不準確而可能產(chǎn)生的費用。

例子：

產(chǎn)品包裝公司DS Smith與機器視覺公司Neadvance和傳感器/過程儀表公司SICK合作試行托盤尺寸解決方案.一臺攝像機安裝在生產(chǎn)傳送帶的末端，在所有托盤被拾取之前拍攝 3D 快照。該數(shù)據(jù)對制造商和承運商都至關(guān)重要，因為它準確地提供了托盤的尺寸和體積負載。隨著時間的推移，制造商可以使用這些信息來優(yōu)化生產(chǎn)，而承運商可以使用它來確保使用正確的設(shè)備安全高效地運輸貨物。預(yù)期結(jié)果是提高成品和木托盤庫存數(shù)據(jù)的準確性和可靠性，并降低輔助費用。

即將到來的機器視覺應(yīng)用#5：身體姿勢/運動分析

機器視覺還在醫(yī)療保健領(lǐng)域?qū)崿F(xiàn)了多項新應(yīng)用。相機精度和質(zhì)量的進步使身體姿勢和運動分析成為可能。現(xiàn)在可以僅使用相機而不需要額外的設(shè)備（例如，磨損的傳感器/配件）來識別骨骼和關(guān)節(jié)的位置和方向。工作空間人體工程學(xué)、醫(yī)療保健實踐（如骨科）和一般手勢交互可以從該機器視覺應(yīng)用程序中受益。

例子：

利用德國相機制造商IDS的新型 USB 3.0 工業(yè)相機，生物醫(yī)學(xué)解決方案公司DIERS開發(fā)了一種解決方案，可以對人體背部、脊柱和骨盆進行快速、高分辨率的光學(xué)測量。通過使用相機連續(xù)記錄設(shè)備投射到患者背部的光，計算機軟件可以生成脊柱曲率的準確表示。該解決方案可幫助整形外科醫(yī)生檢測肌肉系統(tǒng)的不平衡或姿勢缺陷。

即將推出的機器視覺應(yīng)用#6：自動結(jié)賬

機器視覺旨在改善零售店的自動結(jié)賬體驗。通過使用基于 MV 的解決方案，可以顯著減少結(jié)帳所需的時間。

例子：

總部位于美國的初創(chuàng)公司Mashgin開發(fā)了一種機器視覺解決方案，可以對產(chǎn)品進行視覺掃描，而不必搜索條形碼。德克薩斯州DK 商店等客戶表示，由于自動結(jié)賬解決方案減少了排隊等候，交易量增加了34% 。

即將到來的機器視覺應(yīng)用 #7：污染物識別

產(chǎn)品中污染物的鑒定是食品行業(yè)質(zhì)量評估的重要組成部分，但該過程很難用傳統(tǒng)的 MV 方法解決，因為它是高度定性的，并且需要一個包含每種可能的污染物組合的數(shù)據(jù)庫。然而，通過利用人工智能，可以有效地識別加工食品中的變色、異物和其他此類異常情況。

例子：

冷凍食品公司Apetito在 20 多條生產(chǎn)線中測試并部署了自動化定性評估解決方案，從而確保加工食品部門能夠成功檢測原料中的所有污染物。

結(jié)論與展望

本文中描述的三項技術(shù)進步正在推動使用機器視覺技術(shù)的新應(yīng)用和改進應(yīng)用。IoT Analytics 預(yù)計機器視覺市場從 2022 年到 2027 年將以 8% 的復(fù)合年增長率增長（已經(jīng)考慮到 2023 年技術(shù)市場的艱難時期）。與當今的許多技術(shù)領(lǐng)域一樣，受益于人工智能進步的軟件有望實現(xiàn)最高增長。我們的研究表明，在我們確定的 313 家機器視覺供應(yīng)商中，約有 60% 已經(jīng)提供了特定的 MV 軟件。我們預(yù)計上述七個用例在接下來的幾年中會變得更加普遍——我們還預(yù)計會出現(xiàn)許多我們在本文中沒有討論的其他用例。MV 是一項令人興奮的技術(shù)，我們還沒有看到它的強大功能。