所謂機(jī)器視覺（machine vision，MV），就是不同技術(shù)和方法的組合來自動提取圖像信息，為機(jī)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)和關(guān)鍵數(shù)據(jù)。

　　近期，IoT Analytics對機(jī)器視覺市場的最新研究表明，相機(jī)、AI和芯片組的進(jìn)步正在推動機(jī)器視覺應(yīng)用的使用，這些進(jìn)步增強(qiáng)了典型的機(jī)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，也影響了IoT Analytics在研究中確定的39個機(jī)器視覺應(yīng)用的前景。

　　2022年的研究表明，機(jī)器視覺預(yù)計將在未來幾年經(jīng)歷持續(xù)強(qiáng)勁的投資流入，同時，機(jī)器視覺還擁有所有工業(yè)4.0技術(shù)中最高的投資回報率（ROI）和最快的攤銷時間。

　　盡管機(jī)器視覺技術(shù)已經(jīng)存在了30多年，但最近的技術(shù)轉(zhuǎn)變依然為其產(chǎn)業(yè)應(yīng)用提供了新的推動力。

　　三項技術(shù)進(jìn)步

　　關(guān)鍵技術(shù)轉(zhuǎn)變1：先進(jìn)相機(jī)（Advanced cameras）

　　當(dāng)前，分辨率超過4500萬像素的相機(jī)不僅在許多情況下優(yōu)于人眼，而且還可以以極高的速度無失真地追蹤移動的物體。然而，還有其他的一些創(chuàng)新可能對用戶來說并不明顯，其中一個就是引入了“基于事件的視覺傳感器”（Event-based vision sensors）。與視神經(jīng)處理信息的方式類似，基于事件的視覺傳感器僅通過檢測每個像素的亮度變化來捕獲圖像，與傳統(tǒng)的基于幀的視覺傳感器相比，在更暗的環(huán)境或更惡劣的天氣條件下也可以擁有更好的效果。

　　關(guān)鍵技術(shù)轉(zhuǎn)變2：更好的決策型AI

　　從基于規(guī)則的機(jī)器視覺到基于AI的機(jī)器視覺的轉(zhuǎn)變是有影響力的。通常，基于規(guī)則的機(jī)器視覺是更為嚴(yán)格的描述，只適用于可量化的、清晰的和非常具體的特征，例如，產(chǎn)品上的劃痕是水平的、長度為30毫米等。相反，基于AI的機(jī)器視覺可以為無法量化的特征提供準(zhǔn)確的結(jié)果，可以更加靈活地處理產(chǎn)品外觀和缺陷類型的變化，深度學(xué)習(xí)是AI的一個更復(fù)雜和強(qiáng)大的子集，也越來越多地用于機(jī)器視覺應(yīng)用。

　　關(guān)鍵技術(shù)轉(zhuǎn)變3：更強(qiáng)大的硬件和AI芯片

　　芯片的進(jìn)步與AI的進(jìn)步密切相關(guān)，最新的芯片功能已經(jīng)十分強(qiáng)大，適合處理圖像和運行基于AI的計算機(jī)視覺算法，這些性能的提升有助于將深度學(xué)習(xí)的訓(xùn)練時間從幾周縮短到幾個小時。現(xiàn)在的很多智能相機(jī)也都配備了強(qiáng)大的AI芯片，例如ADLINK的NEON-2000-JNX系列就內(nèi)置了英偉達(dá)的Jetson XavierNX模塊。

　　七個即將到來的機(jī)器視覺應(yīng)用

　　根據(jù)IoT Analytics的市場研究，由于前面提到的相機(jī)、AI和芯片的最新變動，有七個機(jī)器視覺應(yīng)用正被大力推動，在其分析的39個用例中，這七個用例被標(biāo)記為“特別令人感興趣”。

　　1、缺陷檢測

　　缺陷檢測是一種機(jī)器視覺用例，主要部署在質(zhì)量檢測過程中。在過去，非AI機(jī)器視覺需要一個包含所有可能缺陷圖像的數(shù)據(jù)庫，以便系統(tǒng)成功識別缺陷。然而，今天的機(jī)器視覺技術(shù)已經(jīng)可以在不需要特定圖像的情況下識別某些缺陷，進(jìn)行異常檢測。以富士通日本工廠為例，通過訓(xùn)練AI修復(fù)數(shù)千張有缺陷（例如形狀，大小和顏色異常）的模擬圖像中的異常區(qū)域，從而生成正常圖像，使得工廠檢查印刷電路板所需的小時數(shù)減少了25%。當(dāng)AI對特定類型的異常檢測得不夠準(zhǔn)確時，就可以產(chǎn)生更多此類型異常的模擬圖片，從而精確地改善模型的弱點。

　　2、流程/操作優(yōu)化

　　另一個與制造相關(guān)的機(jī)器視覺用例是流程/操作優(yōu)化。例如，機(jī)器人現(xiàn)在可以比人類以更高的精度和效率完成復(fù)雜任務(wù)。其結(jié)果就是，借助于機(jī)器視覺，機(jī)器人或其他機(jī)械可以用和以前不同的方式來執(zhí)行操作，或者完成從前無法完成的事情。例如，弗勞恩霍夫-設(shè)計工程機(jī)電一體化研究所（IEM）所開發(fā)的新型橡膠研磨解決方案，就是使用三菱電機(jī)機(jī)械臂、光學(xué)激光掃描儀和配備AI軟件的控制系統(tǒng)，開發(fā)了一種新的AI研磨系統(tǒng)，該系統(tǒng)使得研磨復(fù)雜橡膠狀材料的過程自動化。據(jù)該團(tuán)隊稱，新方法可以縮短高達(dá)40%的橡膠研磨過程花費的時間。

　　3、自動駕駛

　　機(jī)器視覺在開發(fā)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級（全手動）到5級（全自動）。如今，大多數(shù)商用車輛都還在提供1級或2級的輔助駕駛，只有少數(shù)可以提供3級，而想要達(dá)到4級或5級，車輛使用的技術(shù)必須實現(xiàn)飛躍才可以，而非常復(fù)雜的機(jī)器視覺系統(tǒng)和AI計算正是讓這一技術(shù)實現(xiàn)飛躍的一部分。谷歌Waymo One的自動叫車服務(wù)就是4級自動駕駛的一個例子。每輛車都配備了Waymo司機(jī)系統(tǒng)，這是一個復(fù)雜的MV系統(tǒng)，由五個激光雷達(dá)、四個雷達(dá)、29個攝像頭和AI軟件組成，可以收集傳感器數(shù)據(jù)并實時計算最佳路線。該解決方案已經(jīng)收集了超過2000萬英里的真實駕駛體驗數(shù)據(jù)。

　　4、托盤尺寸標(biāo)注

　　在物流領(lǐng)域，即將到來的機(jī)器視覺用例之一是托盤尺寸標(biāo)注。創(chuàng)新的3D飛行時間（time-of-flight）技術(shù)使得測量裝載托盤的尺寸成為可能，消除了手動測量所花費的時間，并最大程度地減少了由于尺寸重量不準(zhǔn)確而導(dǎo)致的承運人的潛在費用。產(chǎn)品包裝公司DSSmith與機(jī)器視覺公司NeAdvanced和傳感器儀表公司SICK合作，在生產(chǎn)傳送帶的末端安裝了攝像頭，并在所有托盤被拾取之前對其進(jìn)行快照，準(zhǔn)確地提供了托盤的尺寸和體積。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)，而承運人也可以使用它來確保貨物安全有效地移動，并減少相關(guān)費用。

　　5、姿態(tài)/運動分析

　　機(jī)器視覺也在醫(yī)療保健領(lǐng)域?qū)崿F(xiàn)了一些新的應(yīng)用，相機(jī)精度和質(zhì)量的進(jìn)步使身體姿勢和運動分析成為可能。現(xiàn)在，只需使用相機(jī)而無需額外的設(shè)備，就可以識別骨骼和關(guān)節(jié)的位置和方向。人體工程學(xué)、骨科等醫(yī)療保健以及手勢交互等都可以從這種機(jī)器視覺應(yīng)用中受益。利用德國相機(jī)制造商IDS研發(fā)的新型工業(yè)相機(jī)，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(jìn)行快速、高分辨率的光學(xué)測量，通過使用相機(jī)連續(xù)記錄設(shè)備投射到患者背部的光線，可以生成脊柱曲率的準(zhǔn)確表示，從而幫助骨科醫(yī)生檢測肌肉系統(tǒng)的不平衡或姿態(tài)缺陷。

　　6、自動結(jié)帳

　　通過使用基于機(jī)器視覺的解決方案，可以顯著減少結(jié)賬所需的時間，改善零售店的自動結(jié)賬體驗。初創(chuàng)公司Mashgin已經(jīng)開發(fā)出一種機(jī)器視覺解決方案，可以對產(chǎn)品進(jìn)行掃描而不必搜索條形碼。由于自動結(jié)賬解決方案減少了排隊時間，使得交易量增加了34%。

　　7、污染物識別

　　污染物的識別是食品質(zhì)量評估的重要組成部分，但這一過程很難用傳統(tǒng)方法來解決，因為需要一個包含所有可能污染物組合的數(shù)據(jù)庫。然而，通過AI便可以有效地識別加工食品中的變色、異物和其他異常。例如，冷凍食品公司Apeto在20多條生產(chǎn)線上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。

　　寫在最后

　　IoT Analytics預(yù)計，從2022年到2027年，機(jī)器視覺市場將以8%的CAGR增長。與當(dāng)今許多技術(shù)領(lǐng)域一樣，預(yù)計從AI的進(jìn)步中受益的軟件增長最快。IoT Analytics的研究還表明，在確定的313家機(jī)器視覺供應(yīng)商中，約60%已經(jīng)提供了特定的機(jī)器視覺軟件，預(yù)計上述七個用例將在接下來的幾年中變得更加普遍，更多的其他用例也會出現(xiàn)。