隨著技術的進步和智能工廠的發展 過去十年中機器視覺設備發生了翻天覆地的變化。亞太地區將繼續成為全球最大的市場 到2022年將占收入的38.4％。在技術、靈活性、效率和準確性方面表現出高度創新的機器視覺供應商 將在不斷發展的市場中取得最大的成功。

雖然全球經濟的不確定性將對機器視覺行業產生影響 但行業協會和專家普遍認為不會造成嚴重損害。伴隨著深度學習軟件 嵌入式視覺等硬件平臺有望蓬勃發展。工廠層面上的傳統應用也將保持強勁增長。

1.嵌入式視覺將繼續增長

得益于在越來越多的行業應用中獲得支持 嵌入式視覺將在2019年持續高速增長 例如自動駕駛、生命科學、消費電子、邊境監視和農業等。處理能力大幅增強 內存變得非常便宜 用戶可以選擇一個非常小的攝像頭 并利用來自不同來源的云端數據。當您將這些因素與機器學習結合到一個單獨的軟件包中時 您就有了嵌入的視覺。

客戶希望系統集成商為其開發整個嵌入式視覺系統。嵌入式視覺將智能相機帶向其初衷 即在一個非常小的外殼內 盡可能靠近圖像傳感器 進行圖像處理視頻分析。為了應對嵌入式視覺市場 開發了從相機設計到FPGA編程的專業知識 以便在低成本、低功耗的平臺中快速提供特定于應用程序的解決方案 該平臺可以集成人工智能和深度學習功能。

設計一個對客戶有吸引力的系統是嵌入式視覺的最大挑戰。通過低成本、低功耗設備 能夠將客戶在機器視覺領域中的所有功能放到非常小的外形尺寸中 這是一項任務艱巨的研發挑戰。AIA副總裁AlexShikany說 向消費者介紹完全不同的硬件解決方案并不件容易的事情 但最終的希望是 客戶將以某種方式對更用戶友好、更小、最終成本更低的產品做出響應。

在許多使用案例中 傳統機器視覺都無法與嵌入式視覺競爭。機器視覺數據不再局限于自己的孤島中 包括機器視覺的全自動系統有許多傳感器和運動組件 使我們能夠收集數據 以便更好地了解系統內設備的運行效率。

2.深度學習的更多應用

機器視覺的深度學習一直處于主要顛覆性技術的前沿。2019年可能會是該技術趨于成熟的一年 可以進行更廣泛的部署。“如果你投身于機器視覺行業 你可能已經看到了軟件如何與深度學習算法疊加 以及它如何能夠快速地產生結果的演示。”Shikany說 “這些系統可以運行成千上萬的排列 并且在識別和其他應用程序歷史與機器視覺方面達到100％的準確性。”

深度學習將對傳統的圖像分析方法產生深遠的影響。它不僅會改變我們生產的產品 還會改變我們與客戶互動的方式。深度學習將在解決傳統機器視覺無法解決的應用方面發揮重要作用。例如 在冷凍干燥的小瓶中檢查疫苗 每次結果都有很大差異 這很大程度上取決于它們的干燥方式。進采用傳統檢查過程非常具有挑戰性 因為在一個實例中可能是一個粒子看起來非常類似于裂縫 而深度學習則有助于區分這種細微差異。

3.提升非可見光成像的有效性

雖然深度學習可能是從圖像中收集信息的最新方式 但它并不是唯一的選擇。InGaAs短波紅外（SWIR）相機和照明的進步提高了非可見成像的有效性。在這些更高波長的環境中 你可以實現更多應用 比如透過一塊航空公司機翼的復合材料來查找其內部缺陷。我們現在正在把高功率的SWIRLED引入市場 用于高速機器視覺應用。

機器視覺的挑戰

智能傳感器、智能攝像頭和可配置視覺系統在很大程度上消除了對機器視覺系統開發的需求 目前最常見的應用程序是通過現成的即插即用技術完成的。過去十年來 智能相機的功能越來越強大 照明公司提供的產品范圍也越來越廣。然而 隨著軟件變得越來越強大 價格不斷下降 軟件包的互連和標準化仍存在問題。

不同的公司對相同的事情使用不同的術語。即使是像以太網這樣的標準化通信 在公司之間也存在巨大的差異 而且在視覺行業也沒有真正推動開放的軟件標準。

今天的視覺產品可以滿足大多數應用程序的需求 隨著技術和客戶需求的發展 系統集成商必須保持清醒。例如 在3D成像市場 硬件創新先于軟件創新。盡管有許多3D傳感器和攝像頭可用 例如激光三角測量、偽隨機圖形發生器的立體傳感器等 但要想實現快速的系統開發 在開發工具鏈中存在很大的空白。”

例如 很多OEM廠商目前使用開放式標準3D傳感器 從頭開始編程應用程序 或使用“封閉式”系統來進行工具的配置 這些工具通常成本高昂。也許需要一個具有現場可編程門陣列（FPGA）的3D傳感器 用于高速機載圖像處理 使非FPGA程序員能夠在一個軟件包中部署3D圖像處理算法。另一個挑戰是從人工智能和深度學習中獲取信息的能力。最大的挑戰是將炒作與實質區分開來。而現實是 “很多人工智能和深度學習算法有時過于繁瑣。”

雖然機器視覺應用程序受益于深度學習算法 但這些算法無法解決所有問題。與傳統編程相比 當人們比較試圖達到99%以上的精度所需的努力時 這一點尤其明顯。盡管如此 這項技術肯定有它的地位 并將在未來幾年繼續發揮重要作用。責任編輯：YYX