什么是机器视觉？

机器视觉(Machine Vision，简称MV ）是不同技术和方法的结合，可自动提取图像信息，为机器在工业和非工业环境中执行给定任务提供操作指导/关键数据。

高投资回报率的持续报告除其他外，是最近技术发展的结果，特别是在以下领域：

●相机技术

●人工智能 (AI)

●芯片组

这些进步增强了典型的机器视觉优势，例如节省成本、提高竞争力或提高产品质量。这些技术转变也影响了我们在研究中确定的 39 种机器视觉应用的前景。

本文重点介绍了一些从这些发展中受益匪浅的现有机器视觉应用程序（例如，缺陷检测）和新用例（例如，过程/操作优化和托盘尺寸标注）。

三个显着的机器视觉技术转变

机器视觉技术已经存在了 30 多年，但最近的技术变革为其采用提供了新的推动力。

关键技术转变 #1：先进相机

分辨率超过 45 兆像素的相机现在不仅（在许多情况下）优于人眼，而且它们还可以以极高的速度和不失真地捕捉物体。

但是，在幕后还发生了其他创新，用户可能并不那么明显。其中一项进步是引入“基于事件的视觉传感器”。

基于事件的视觉传感器：

类似于视神经处理信息的方式，基于事件的视觉传感器通过仅检测每个像素的亮度变化（即亮度变化）来捕获图像。与传统的基于框架的视觉传感器相比，这允许更黑暗的环境或更恶劣的天气条件（例如，适用于自动驾驶）。

关键技术转变 #2：利用人工智能做出更好的决策

从基于规则的机器视觉（基于预先确定的参数进行决策）到基于 AI 的机器视觉（基于适用的机器视觉模型的输出进行决策）的转变具有重大影响。

基于规则的机器视觉是“刚性的”，仅适用于可量化、清晰且非常具体的特征（例如，产品上的划痕是水平的，长度为 30 毫米）。它回答是/否问题。

相反，基于人工智能的 机器视觉可以为不可量化的特征提供准确的结果，在更广泛的背景和照明设置中识别缺陷，并灵活地处理产品外观和缺陷类型（例如凹痕或变色）的变化。深度学习作为人工智能的一个更复杂、更强大的子集，它也越来越多地被机器视觉应用所采用。

关键技术转变 #3：带有人工智能 芯片的更强大的硬件

人工智能的进步与芯片组的进步齐头并进。最新一代芯片功能更强大，适合处理图像和运行基于人工智能 的计算机视觉算法。这些进步有助于将深度学习训练时间从数周缩短至数小时。

许多智能相机机器视觉系统现在都配备了强大的人工智能芯片，例如凌华科技的 NEON-2000-JNX 系列就内置了NvidiaJetson Xavier NX 模块。

即将到来的 7 大机器视觉应用

由于上述最近在相机、人工智能和芯片组方面的改进，以下七种机器视觉应用（根据我们的市场研究）得到了提升。

即将到来的机器视觉应用 #1：缺陷检测

缺陷检测是一种机器视觉用例，主要部署在制造业务的质量检测过程中。过去，非人工智能机器视觉需要一个包含所有可能缺陷图像的数据库，系统才能成功识别缺陷。然而，当今的 MV 技术无需针对该缺陷的特定图像（即异常检测）即可辨别出某些“异常”。

例子：

富士通测试这种解决方案在日本长野工厂生产，该工厂生产电子设备。该公司表示，检查印刷电路板所需的时间减少了 25%。它通过修复数千张具有缺陷（例如，形状、大小和颜色异常）的模拟图像中的异常区域来训练 AI 生成正常图像，从而实现了这种效率提升。最初，训练图像没有缺陷。在下一步中，添加模拟缺陷（例如，形状、大小和颜色异常）。然后训练 AI 去除该缺陷并将图像恢复为原始形式。通过比较初始图像和“恢复”图像来衡量准确性。这样，当 AI 对特定类型的异常不太准确时，第一步可以生成更多此类异常，

即将到来的机器视觉应用 #2：过程/操作优化

另一个（主要是）与制造相关的机器视觉用例是过程/操作优化。更好的相机和人工智能的结合允许以新的方式实现特定的结果。例如，机器人现在可以比人类以更高的精度和效率完成更复杂的任务。结果是，使用 MV 技术，机器人（或其他机器）可以做以前以不同方式执行的事情。

例子：

一个典型的例子是德国弗劳恩霍夫设计工程机电一体化研究所 (IEM)开发的新型橡胶研磨解决方案。使用三菱电机机械臂、光学激光扫描仪和配备 AI 软件的控制系统，该公司开发了一种新的 AI 研磨系统——RoboGrinder——可以自动完成复杂的橡胶类材料的研磨过程，这在以前是不可行的.据该团队称，新方法可减少高达 40% 的典型橡胶研磨过程。

即将到来的机器视觉应用#3：自动驾驶

机器视觉在开发完全自动驾驶汽车的过程中起着至关重要的作用。自动驾驶有六个级别，从 0（完全手动）到 5（完全自动）。今天大多数（商用）车辆提供 1 级或 2 级驾驶辅助，只有少数提供 3 级选项。要达到 4 级或 5 级，就车辆使用的技术而言，需要实现飞跃。非常复杂的 MV 相机系统和 AI 驱动的计算是这一技术飞跃的一部分。

例子：

GoogleWaymo One自动叫车服务是商用 4 级自动驾驶汽车的一个例子。每辆车都配备了Waymo Driver系统，这是一个复杂的 MV 系统，由五个激光雷达、四个雷达、29 个摄像头和实时收集传感器数据并计算最佳路线的 AI 软件组成。该解决方案已经收集了超过 2000 万英里的真实世界驾驶体验。

即将推出的机器视觉应用#4：托盘尺寸标注

物流垂直领域即将到来的关键机器视觉用例之一是托盘尺寸标注。新颖的 3D 飞行时间* 相机技术可以测量装载托盘的尺寸，从而消除手动测量所花费的时间，并最大限度地减少承运人因尺寸重量不准确而可能产生的费用。

例子：

产品包装公司DS Smith与机器视觉公司Neadvance和传感器/过程仪表公司SICK合作试行托盘尺寸解决方案.一台摄像机安装在生产传送带的末端，在所有托盘被拾取之前拍摄 3D 快照。该数据对制造商和承运商都至关重要，因为它准确地提供了托盘的尺寸和体积负载。随着时间的推移，制造商可以使用这些信息来优化生产，而承运商可以使用它来确保使用正确的设备安全高效地运输货物。预期结果是提高成品和木托盘库存数据的准确性和可靠性，并降低辅助费用。

即将到来的机器视觉应用#5：身体姿势/运动分析

机器视觉还在医疗保健领域实现了多项新应用。相机精度和质量的进步使身体姿势和运动分析成为可能。现在可以仅使用相机而不需要额外的设备（例如，磨损的传感器/配件）来识别骨骼和关节的位置和方向。工作空间人体工程学、医疗保健实践（如骨科）和一般手势交互可以从该机器视觉应用程序中受益。

例子：

利用德国相机制造商IDS的新型 USB 3.0 工业相机，生物医学解决方案公司DIERS开发了一种解决方案，可以对人体背部、脊柱和骨盆进行快速、高分辨率的光学测量。通过使用相机连续记录设备投射到患者背部的光，计算机软件可以生成脊柱曲率的准确表示。该解决方案可帮助整形外科医生检测肌肉系统的不平衡或姿势缺陷。

即将推出的机器视觉应用#6：自动结账

机器视觉旨在改善零售店的自动结账体验。通过使用基于 MV 的解决方案，可以显着减少结帐所需的时间。

例子：

总部位于美国的初创公司Mashgin开发了一种机器视觉解决方案，可以对产品进行视觉扫描，而不必搜索条形码。德克萨斯州DK 商店等客户表示，由于自动结账解决方案减少了排队等候，交易量增加了34% 。

即将到来的机器视觉应用 #7：污染物识别

产品中污染物的鉴定是食品行业质量评估的重要组成部分，但该过程很难用传统的 MV 方法解决，因为它是高度定性的，并且需要一个包含每种可能的污染物组合的数据库。然而，通过利用人工智能，可以有效地识别加工食品中的变色、异物和其他此类异常情况。

例子：

冷冻食品公司Apetito在 20 多条生产线中测试并部署了自动化定性评估解决方案，从而确保加工食品部门能够成功检测原料中的所有污染物。

结论与展望

本文中描述的三项技术进步正在推动使用机器视觉技术的新应用和改进应用。IoT Analytics 预计机器视觉市场从 2022 年到 2027 年将以 8% 的复合年增长率增长（已经考虑到 2023 年技术市场的艰难时期）。与当今的许多技术领域一样，受益于人工智能进步的软件有望实现最高增长。我们的研究表明，在我们确定的 313 家机器视觉供应商中，约有 60% 已经提供了特定的 MV 软件。我们预计上述七个用例在接下来的几年中会变得更加普遍——我们还预计会出现许多我们在本文中没有讨论的其他用例。MV 是一项令人兴奋的技术，我们还没有看到它的强大功能。