什么是機器視覺？

　　機器視覺(Machine Vision，簡稱MV ）是不同技術和方法的結合，可自動提取圖像信息，為機器在工業和非工業環境中執行給定任務提供操作指導/關鍵數據。

　　高投資回報率的持續報告除其他外，是最近技術發展的結果，特別是在以下領域：

• 相機技術
• 人工智能 (AI)
• 芯片組

　　這些進步增強了典型的機器視覺優勢，例如節省成本、提高競爭力或提高產品質量。這些技術轉變也影響了我們在研究中確定的 39 種機器視覺應用的前景。

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

　　三個顯著的機器視覺技術轉變

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

　　關鍵技術轉變 #1：先進相機

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

　　但是，在幕后還發生了其他創新，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。與傳統的基于框架的視覺傳感器相比，這允許更黑暗的環境或更惡劣的天氣條件（例如，適用于自動駕駛）。

　　關鍵技術轉變 #2：利用人工智能做出更好的決策

　　從基于規則的機器視覺（基于預先確定的參數進行決策）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）的轉變具有重大影響。

　　基于規則的機器視覺是“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果，在更廣泛的背景和照明設置中識別缺陷，并靈活地處理產品外觀和缺陷類型（例如凹痕或變色）的變化。深度學習作為人工智能的一個更復雜、更強大的子集，它也越來越多地被機器視覺應用所采用。

　　關鍵技術轉變 #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習訓練時間從數周縮短至數小時。

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

　　即將到來的 7 大機器視覺應用

　　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用（根據我們的市場研究）得到了提升。

　　即將到來的機器視覺應用 #1：缺陷檢測

　　缺陷檢測是一種機器視覺用例，主要部署在制造業務的質量檢測過程中。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據庫，系統才能成功識別缺陷。然而，當今的 MV 技術無需針對該缺陷的特定圖像（即異常檢測）即可辨別出某些“異常”。

　　例子：

　　富士通測試這種解決方案在日本長野工廠生產，該工廠生產電子設備。該公司表示，檢查印刷電路板所需的時間減少了 25%。它通過修復數千張具有缺陷（例如，形狀、大小和顏色異常）的模擬圖像中的異常區域來訓練 AI 生成正常圖像，從而實現了這種效率提升。最初，訓練圖像沒有缺陷。在下一步中，添加模擬缺陷（例如，形狀、大小和顏色異常）。然后訓練 AI 去除該缺陷并將圖像恢復為原始形式。通過比較初始圖像和“恢復”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用 #2：過程/操作優化

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

　　例子：

　　一個典型的例子是德國弗勞恩霍夫設計工程機電一體化研究所 (IEM)開發的新型橡膠研磨解決方案。使用三菱電機機械臂、光學激光掃描儀和配備 AI 軟件的控制系統，該公司開發了一種新的 AI 研磨系統——RoboGrinder——可以自動完成復雜的橡膠類材料的研磨過程，這在以前是不可行的.據該團隊稱，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用#3：自動駕駛

　　機器視覺在開發完全自動駕駛汽車的過程中起著至關重要的作用。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（商用）車輛提供 1 級或 2 級駕駛輔助，只有少數提供 3 級選項。要達到 4 級或 5 級，就車輛使用的技術而言，需要實現飛躍。非常復雜的 MV 相機系統和 AI 驅動的計算是這一技術飛躍的一部分。

　　例子：

　　GoogleWaymo One自動叫車服務是商用 4 級自動駕駛汽車的一個例子。每輛車都配備了Waymo Driver系統，這是一個復雜的 MV 系統，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據并計算最佳路線的 AI 軟件組成。該解決方案已經收集了超過 2000 萬英里的真實世界駕駛體驗。

　　即將推出的機器視覺應用#4：托盤尺寸標注

　　物流垂直領域即將到來的關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生的費用。

　　例子：

　　產品包裝公司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傳送帶的末端，在所有托盤被拾取之前拍攝 3D 快照。該數據對制造商和承運商都至關重要，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化生產，而承運商可以使用它來確保使用正確的設備安全高效地運輸貨物。預期結果是提高成品和木托盤庫存數據的準確性和可靠性，并降低輔助費用。

　　即將到來的機器視覺應用#5：身體姿勢/運動分析

　　機器視覺還在醫療保健領域實現了多項新應用。相機精度和質量的進步使身體姿勢和運動分析成為可能。現在可以僅使用相機而不需要額外的設備（例如，磨損的傳感器/配件）來識別骨骼和關節的位置和方向。工作空間人體工程學、醫療保健實踐（如骨科）和一般手勢交互可以從該機器視覺應用程序中受益。

　　例子：

　　利用德國相機制造商IDS的新型 USB 3.0 工業相機，生物醫學解決方案公司DIERS開發了一種解決方案，可以對人體背部、脊柱和骨盆進行快速、高分辨率的光學測量。通過使用相機連續記錄設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生檢測肌肉系統的不平衡或姿勢缺陷。

　　即將推出的機器視覺應用#6：自動結賬

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

　　例子：

　　總部位于美國的初創公司Mashgin開發了一種機器視覺解決方案，可以對產品進行視覺掃描，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用 #7：污染物識別

　　產品中污染物的鑒定是食品行業質量評估的重要組成部分，但該過程很難用傳統的 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據庫。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。

　　結論與展望

　　本文中描述的三項技術進步正在推動使用機器視覺技術的新應用和改進應用。IoT Analytics 預計機器視覺市場從 2022 年到 2027 年將以 8% 的復合年增長率增長（已經考慮到 2023 年技術市場的艱難時期）。與當今的許多技術領域一樣，受益于人工智能進步的軟件有望實現最高增長。我們的研究表明，在我們確定的 313 家機器視覺供應商中，約有 60% 已經提供了特定的 MV 軟件。我們預計上述七個用例在接下來的幾年中會變得更加普遍——我們還預計會出現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，我們還沒有看到它的強大功能。