（文章來源：機器視覺前沿）

機器視覺長期以來用于工業自動化系統中，以通過取代傳統上的人工檢查來提高生產質量和產量。從拾取和放置、對象跟蹤到計量、缺陷檢測等應用，利用視覺數據可以通過提供簡單的通過失敗信息或閉環控制回路，來提高整個系統的性能。

視覺的使用并不僅僅在工業自動化領域；我們也看到了相機在日常生活中的大量應用，例如用于計算機、移動設備，特別是在汽車中。攝像頭僅僅是在幾年前才被引入到汽車中，但是現在汽車中已經配備了大量攝像頭，以為駕駛員提供完整的360°車輛視圖。

但是談到機器視覺領域的最大技術進步，可能一直是處理能力。隨著處理器性能每兩年翻一番，以及對多核CPU、GPU和FPGA等并行處理技術的持續關注，視覺系統設計人員現在可以將高度復雜的算法應用于視覺數據，并創建更智能的系統。

首先，因為可以使用相同的軟件開發視覺系統和運動系統，設計者不需要熟悉多種編程語言或環境，因此降低了開發復雜性。第二，消除了以太網網絡上的潛在性能瓶頸，因為現在數據僅在單個應用中的環路之間傳遞，而不是在物理層之間傳遞。

這使得整個系統的運行具有確定性，因為一切共享相同的過程。當將視覺直接引入控制回路中時，例如在視覺伺服應用中，這是特別有價值的。這里，視覺系統在運動期間連續捕獲致動器和目標零件的圖像，直到運動完成。這些捕獲的圖像用于提供關于運動成功的反饋。有了這一反饋，設計人員可以提高現有自動化的精度和精密度，而無需升級到高性能運動硬件。

這種系統的一個很好的選擇是：使用將處理器和FPGA與I／O相結合的異構處理架構。已經有很多行業投資這種架構，包括美國Xilinx公司的Zynq全可編程SoC（將ARM處理器與Xilinx 7系列FPGA架構相結合），以及英特爾數十億美元收購Altera等。

不幸的是，雖然這種架構提供了很多性能和可擴展性，但是實現它的傳統方法需要專業知識，特別是在使用FPGA時。這為設計者帶來了巨大風險，并有可能導致使用該架構不切實際甚至不可能。然而，使用集成軟件（如NI LabVIEW），設計人員可以通過提取低級復雜性，并將所需的所有技術集成到單一開發環境中，來提高生產率，降低風險。

行業內這種機器每小時的產量大約為2000個零件。但是Master Machinery公司采取了不同的方法。他們設計了中央集權的、以軟件為中心的架構，并將主機控制器、機器視覺和運動系統、I／O和HMI全部集成到單獨的控制器中，所有都采用LabVIEW編程。除了不需要單個子系統實現成本節約之外，這種方法還具備性能優勢，其每小時大約能生產20000個零件，是競爭產品的10倍。

Master Machinery公司成功的關鍵因素之一是能夠將多個子系統組合在單個軟件堆棧中，特別是機器視覺和運動控制系統。使用這種統一的方法，Master Machinery公司不但簡化了設計機器視覺系統的方式，而且還簡化了如何設計整個系統。

機器視覺是一項復雜的任務，需要大量的處理能力。隨著摩爾定律繼續增加處理元件（如CPU、GPU和FPGA）的性能，設計人員可以使用這些組件來開發高度復雜的算法。設計人員還可以使用此技術來提高設計中其他組件的設計性能，特別是在運動控制和I／O領域。

隨著所有這些子系統性能的提高，用于開發這些機器的傳統分布式架構將面臨壓力。將這些任務整合到單個控制器中，運行在單個軟件環境下，消除了設計過程中的瓶頸，使設計人員可以專注于創新，而不必擔心實施問題。