當前的技術趨勢，如工業 4.0（又稱工業物聯網）和智能工廠，正在深刻改變工業價值創造過程，其特點是更高程度的數字化、連接性和自動化。所有涉及的組件，包括機器、機器人、傳輸和處理系統、傳感器和圖像采集設備，都始終聯網并通過各種協議相互通信。機器人技術的創新趨勢也在改變工業生產的面貌。新一代更小、更緊湊、移動性更強的機器人正在塑造高度自動化裝配車間的形象。協作機器人（cobots）與他們的人類同事共享某些任務，密切合作，甚至經常將工件相互交接。

　　機器視覺已成為這種普遍自動化生產場景中不可或缺的一部分。該技術在這里有效地發揮了關鍵作用：安裝在不同位置的許多圖像采集設備——例如相機、掃描儀和 3D 傳感器——無縫記錄了生產過程。然后，集成機器視覺軟件處理生成的數字圖像數據，并使其可用于生產鏈中的眾多應用。例如，該軟件可以根據光學特征明確識別許多不同的對象，并精確定位和對齊工件。該技術還支持故障檢測：可靠地識別缺陷產品并自動剔除。作為“生產之眼”，機器視覺廣泛監控整個生產情況，從而使流程更安全、更高效。這尤其適用于協作機器人之間的相互作用及其與人類的相互作用。

　　緊湊型設備變得越來越普遍

　　同時，機器視覺算法也在嵌入式平臺上運行并針對嵌入式平臺進行優化變得越來越重要。當兩個技術世界無縫集成時，這被稱為嵌入式視覺。在工業 4.0 的背景下，集成嵌入式軟件的緊湊型設備的使用——特別是智能相機、移動視覺傳感器、智能手機、平板電腦和手持設備——正在顯著增加。它們在工業環境中激增的原因是當今的設備配備了具有長期可用性的高性能工業級處理器。此類處理器還使他們能夠執行復雜的機器視覺任務——前提是它們擁有強大而強大的機器視覺軟件。為了使該軟件無錯誤運行，?處理器架構。MVTec 就是一個很好的例子。其最新版本的 HALCON 標準機器視覺軟件 HALCON 18.11 可以在這些平臺上輕松操作，無論是 64 位還是 32 位。對用戶的好處：通常僅在固定 PC 上運行的強大機器視覺功能也可用于所有緊湊型設備。

　　現代嵌入式視覺系統能夠滿足數字化的巨大需求——尤其是當它們配備了人工智能 （AI） 時。這些基于人工智能的技術包括深度學習和卷積神經網絡 （CNN）。這些方法的特別之處在于它們能夠實現極高且穩健的識別率。

　　在深度學習過程中，首先使用大量數字圖像數據（例如圖像采集設備生成的數據）來訓練 CNN。在此訓練過程中，會自動學習特定“類”的典型特征——例如，特定對象屬性和顯著特征。根據訓練的結果，可以對要識別的對象進行精確的分類和識別，之后可以直接將它們分配到特定的類中。借助深度學習技術，不僅可以對對象進行分類，還可以對對象和故障進行精確定位。

　　在嵌入式視覺應用中使用深度學習

　　今天，深度學習功能已經在許多嵌入式視覺應用中使用。所有這些應用程序的共同點是它們通常會生成大量數據并且經常涉及非工業場景，例如自動駕駛。相關車輛已經配備了大量傳感器和攝像頭，可從主要交通狀況中收集數字數據。集成視覺軟件借助深度學習算法實時分析數據流。例如，這使得識別情況、處理信息并使用它來精確控制車輛成為可能——這首先使自動駕駛成為可能。基于深度學習的嵌入式視覺技術也經常用于智慧城市環境。在大城市，某些基礎設施流程，例如街道交通、照明和供電，都實現了數字網絡化，以便為居民提供特殊服務。最后，這些技術用于智能家居應用——例如，數字語音助手和機器人吸塵器。

　　機器視覺過程的自動化

　　那么深度學習技術在嵌入式和機器視覺環境中的優勢是什么？

　　不再需要繁瑣的手動特征提取。深度學習算法能夠從訓練數據中自動學習特定的區別特征，例如紋理、顏色以及灰度等級，并根據相關性對其進行加權。通常，這項任務必須由訓練有素的機器視覺專家手動執行，因此非常耗時且成本高昂。

　　對象特征通常非常復雜，人類幾乎不可能解釋。另一方面，從訓練數據中自動學習區分標準可以節省大量的精力、時間和金錢。深度學習的另一個好處是還可以區分更抽象的對象，而傳統的手動方法只能對可以清楚描述的對象進行分類。這包括具有更復雜、更精細結構或在極其嘈雜的背景下出現的對象。在大多數情況下，人類無法辨別這些物體中任何明確的、可區分的特征。

　　由于訓練需要極高的計算能力，因此復雜的神經網絡在配備高端圖形處理器的相應功能強大的 PC 上進行訓練。然而，經過充分訓練的網絡也可以在大量嵌入式設備上使用，這意味著緊湊、強大的嵌入式視覺解決方案也可以從盡可能高的識別率中受益。

　　結論

　　深度學習和 CNN 等基于人工智能的技術變得越來越重要，尤其是在高度自動化的工業 4.0 環境中。這就是為什么它們目前是最先進的機器視覺解決方案的重要組成部分。如果算法還可以在 Arm ?工藝架構等相關嵌入式平臺上運行，那么強大的機器視覺軟件的整個 AI 功能范圍都可以在緊湊型設備上使用。

　　審核編輯：郭婷