機器視覺趨勢經常被討論，那么可能影響工業(yè)自動化中機器視覺的這些技術的選擇和實施有哪些實用的信息？

一、用于計量和視覺引導機器人（VGR）的3D成像

機器視覺市場中3D成像組件的擴展是一個強勁的趨勢，這是由對3D測量和指導的高需求以及作為3D成像系統(tǒng)一部分的成本效益技術的可用性的增加所推動的。部分擴展是針對某些應用的算法功能的激增，如3D測量，機器人引導（VGR - 視覺引導機器人以及相關任務，如拾取或隨機對象拾取和放置），以及自動移動機器人（AMR）指導和安全。

三維成像系統(tǒng)捕獲物理空間的視圖并提供表示包含深度的場景中的點以及熟悉的2D“平面”（x和y）位置的數據。一些可用的組件還提供灰度（對比度）或甚至彩色圖像以及3D數據。3D成像的基本優(yōu)勢在于提供3D位置，但另一個重要的好處是3D圖像通常是“對比度不容忍”。也就是說，圖像信息允許軟件處理深度變化而不是表面顏色特征的變化或陰影。

三維成像是機器視覺應用的強大技術。可以很容易地說它已經從“趨勢”轉移到機器視覺工具箱的標準部分。

實際執(zhí)行

3D組件的區(qū)分可能很困難，對功能的詳細討論超出了本討論的范圍。但是，第一步是確定目標應用程序的類型。需要分析分辨率，深度以及水平X，Y平面的要求。雖然大多數系統(tǒng)作為一個整體提供通用功能，但提供了更多的組件，這些組件在特定任務中具有目標和優(yōu)勢，例如，專門用于3D測量或3D箱子拾取。也就是說，除了能夠為應用程序提供適當的精確度量之外，任何3D解決方案的成功主要是軟件實現(xiàn)和系統(tǒng)集成。

實際限制

在表面上集成3D成像可能很簡單，但特定應用的細節(jié)存在挑戰(zhàn)。其中一些包括：

雖然看起來很明顯，但在物體或成像系統(tǒng)運動的應用中，任何一個位置的誤差都可能引入必須考慮的測量誤差。

大多數3D成像系統(tǒng)都表現(xiàn)出一定程度的“3D數據丟失”，即相對于主動照明和攝像機角度的特征陰影在3D信息中產生空白。根據應用，使用一些成像技術可以克服這種情況。

簡而言之，并非所有3D機器視覺應用都“準備好迎接黃金時段。”例如，雖然應用程序在挑選隨機定向，同質對象或“箱子拾取”已經很好地解決并且可以被認為是通用的在許多情況下，挑選異構和未知物體，包裹，盒子等在許多情況下仍然是3D成像的挑戰(zhàn)。此外，用于測量或區(qū)分的物體或表面的3D重建在生產率上可能是具有挑戰(zhàn)性的，因為可能需要許多圖像來完全建模和分析該部件。

二、不可見成像 - 紅外波長

更廣泛的可用性和改進的成像組件性能，以從紅外波長的非可見光捕獲和創(chuàng)建圖像是一種趨勢能力，可以積極影響各種機器視覺應用。這種趨勢的一部分是能夠在各種IR波長下產生光的LED照明的激增。用于這種類型的成像的用例是普遍的，并且識別IR成像可以在何時何地可以使應用受益，這主要取決于被成像的對象和應用的需要。

大約700-1000nm的“近紅外”（NIR）波長的成像已經用于機器視覺多年。用于成像約1000-2800nm的“短波紅外”（SWIR）波長的相機也不是全新的，但最近傳感器技術的進步使得這些相機在自動化應用中更加實用。最后，現(xiàn)在可以使用非冷卻且非常適合自動檢測的小型相機（微測輻射熱計）進行熱成像或大約7000-14000nm發(fā)射的IR波長的成像。

實際執(zhí)行

不可見成像具有特定用途。NIR已被用于消除機器視覺燈的高功率眩光造成的工作人員分心和不適，或突出顯示紅外燈可能以不同方式對顏色或某些材料作出反應的特定部件的特征。SWIR波長由一些完全不透明的材料（例如許多塑料）傳輸，并且以與可見光波長非常不同的方式被一些透明的材料（例如水）吸收。當熱像必須在自動化環(huán)境中進行測試時，熱成像是唯一的解決方案。

實際限制

總體而言，對于非可見成像，如果目標波長提供所需的成像結果，則該技術是一個不錯的選擇。但是，請記住，應用程序庫是機器視覺組合中用例的一小部分。限制可能包括：

很難總是準確地預測NIR或SWIR照明將如何與待檢查的材料相互作用。建議測試應用程序。

自動化中熱成像的一個共同挑戰(zhàn)是為相對于背景溫度的所需熱分布開發(fā)可靠的基線。例如，必須在部件由于散熱而冷卻之前進行“過熱”部件的檢查，并且在檢查過程中冷卻必須在部件之間保持一致。

成本正在下降，但SWIR和熱部件可能比可見成像部件更昂貴。

三、嵌入式成像

嵌入式成像作為機器視覺趨勢的情況取決于市場中關于技術定義的差異。將嵌入式視覺分類為任何結合圖像捕獲和處理的設備的一個定義涵蓋了傳統(tǒng)機器視覺組件的非常廣泛且可能重疊的部分。有人可能會將嵌入式視覺約束到那些完全集成在較低級別的設備（SOC - 芯片上的系統(tǒng)，或SOM - 模塊上的系統(tǒng)或單板計算機），以便將其集成到更大的設備中。易于想象的用例可能包括自動駕駛汽車和AMR甚至智能手機。

實際執(zhí)行

嵌入式視覺 - 無論是SOM，SOC還是具有嵌入式處理功能的攝像機 - 在某種意義上都體現(xiàn)了嵌入式視覺處理器的存在; 通常（但不是唯一地）GPU（圖形處理單元）或FPGA（現(xiàn)場可編程門陣列）。在任何一種情況下，處理器都針對特定任務進行編程，該任務是完整的應用程序或某些圖像處理。在大多數實現(xiàn)中，嵌入式視覺處理器需要低級編程以配置或創(chuàng)建應用程序。嵌入式視覺設備與主機系統(tǒng)的接口與標準機器視覺組件不同，這是實施的重要考慮因素。

通過組合利用相對于物體表面以多個角度指向的照射產生的圖像，可以更可靠地可視化在灰度圖像中不可見的特征。

實際限制

對于通用機器視覺，在特定的單用途應用中使用低級嵌入式視覺可能是不實際的，因為嵌入式視覺設備的編程仍然是一個開發(fā)而不是集成任務。具有嵌入式處理的機器視覺相機對于某些應用可能更實用。嵌入式視覺在機器視覺中的直接更廣泛的使用案例可能在于具有“預編程”嵌入式圖像處理應用的相機的實現(xiàn) - 特別是AI或深度學習，以及針對特定任務的商業(yè)成像。

四、液體鏡頭和高分辨率光學元件

機器視覺光學中兩個明顯的趨勢技術方向是更先進的高分辨率和大幅面相機鏡頭的激增，以及更加無縫集成組件液體鏡頭的趨勢。第一個趨勢是實用的； 隨著相機分辨率的增加和像素尺寸的減小，對更好的光學元件的需求被許多元件鏡片供應商理解并得到滿足。更多產品規(guī)格包括鏡頭性能的詳細信息，例如顯示系統(tǒng)調制傳遞函數（MTF）的圖表，這是鏡頭比較的一個很好的衡量標準。

液體鏡頭是可以根據外部信號改變焦點的裝置，而不需要像手動可調焦鏡頭那樣在鏡頭中進行任何機械改變。這不是一項新技術，液體鏡頭多年來一直用于智能傳感器，智能相機和其他機器視覺設備。然而，這些設備與機器視覺光學器件和相機的集成的最新進展使該技術更多地進入通用用途領域。

實際執(zhí)行

對于所有機器視覺應用，將鏡頭與應用的分辨率和物理要求相匹配是必需的集成任務。更多鏡頭選擇的可用性為用戶和解決方案提供商提供了更好的選擇。

液體鏡頭在成像距離可能會在應用中從一個部件變?yōu)榱硪徊糠值那闆r下非常有價值，因為它可以動態(tài)地實現(xiàn)非?？焖俚慕裹c變化，甚至具有自動對焦功

實際限制

廣泛的產品系列可能難以選擇和區(qū)分光學元件。評估組件相對于特定應用的規(guī)格和特性非常重要。

液體鏡頭技術可能難以實現(xiàn)，但是一些具有嵌入式處理的組件相機正變得可用于自動控制液體鏡頭。一些附加液體透鏡組件可能限制相關透鏡的傳感器覆蓋范圍（對于集成的液體透鏡系統(tǒng)而言不是這樣）。同時注意焦點變化會影響校準，因此液體鏡頭可能不適合需要精確校準的應用。

五、先進的照明技術和加工

用于機器視覺的照明組件的趨勢是可控制的多光譜設備的可用性，其在某些成像情況下實現(xiàn)更大的靈活性和高級能力。通過改變單色顏色，可以更好地克服沒有多個照明設備的部分族變化，或者甚至使用不同照明顏色的多個圖像來創(chuàng)建彩色圖像。使用不同照明角度的多個視圖的高速成像可用于創(chuàng)建對象的3D表示或提供高動態(tài)范圍（HDR）圖像。

六、AI和深度學習

最后，讓我們來解決幾十年來最受歡迎的機器視覺趨勢：人工智能，機器學習和深度學習。人工智能或人工智能是計算機科學的一個分支，涉及計算機模仿人類行為的方式。作為一門學科，人工智能自上世紀中葉以來一直存在。AI沒有描述任何特定技術，只描述目標; 任何編程邏輯都可能被稱為AI，甚至是簡單的if-then規(guī)則和決策樹。機器視覺搜索算法被稱為人工智能。

機器學習是AI的一個子集，深度學習是機器學習的一個子集。這些術語是通過學習算法實現(xiàn)AI的技術的名稱。機器學習是與系統(tǒng)相關的一般概念，其基于初始數據輸入可以在給定任務中學習和改進它們的性能。

深度學習是機器學習，它使用“深層”神經網絡，允許計算機基本上“通過實例”進行學習。該技術已被證明在圖像識別，聲音識別和語言處理等任務中表現(xiàn)優(yōu)異。深度學習是高度計算密集型的，通常需要特殊的處理器硬件（例如GPU，具有深度學習核心的圖形處理單元），特別是在學習過程中。在過去幾年中，可用于執(zhí)行機器視覺深度學習的軟件和硬件平臺迅速擴展。

來源：搜狐