机器视觉——工业4.0的关键技术

对机器视觉（MV）市场的最新研究表明，相机技术、人工智能技术和AI芯片的快速发展正在推动机器视觉应用的爆发应用，MV越来越受到市场和投资人的青睐。

机器视觉——工业 4.0 的关键技术

在所有工业 4.0 技术中，机器视觉 （MV） 具有最高的投资回报率 （ROI），2022 年的研究表明，机器视觉预计将在未来几年投资增长强劲。

什么是机器视觉

MV是不同技术和方法的组合，用于自动提取图像信息，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。

 

 

特别是相机技术、人工智能、芯片组等领域的持续创新，为机器视觉的发展提供强劲的支持，也深入影响机器视觉应用的格局。

关键技术：先进的相机技术

分辨率超过45万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捕获物体而不会失真。“基于事件的视觉传感器”的技术创新促进了相机技术发展。

 

 

基于事件的视觉传感器：

与视神经处理信息的方式类似，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，适合自动驾驶）。

关键技术：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MV模型输出的决策）的转变影响着机器视觉的应用。

基于规则的MV是“刚性的”，仅适用于可量化、清晰和非常具体的特征（例如，产品上的划痕是水平的，长度为30毫米）。它回答了一个是/否问题。

相反，基于AI的MV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。深度学习是人工智能的一个更复杂、更强大的子集，在机器视觉应用中也越来越多地被采用。

 

 

关键技术：采用AI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。最新一代的芯片功能更强大，适合处理图像和运行基于AI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几周缩短到几小时。

 

 

许多智能相机机器视觉系统现在都配备了强大的AI芯片，例如凌华科技的NEON-2000-JNX系列内置了Nvidia Jetson Xavier NX模块。

CORPORATE CULTURE

由于相机技术、人工智能和AI芯片的新技术的发展，下面介绍7个机器视觉的典型应用场景

机器视觉应用#1：缺陷识别

缺陷识别是一种机器视觉应用，主要部署在制造操作的质量检测过程中。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，以便系统成功识别缺陷。然而，今天的MV技术可以识别某些东西是不需要该缺陷的特定图像（即异常检测）。

 

检查印刷电路板，通过训练AI通过修复数千个有缺陷（例如形状，大小和颜色异常）的模拟图像中的异常区域来生成正常图像，从而实现了这种效率改进。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）。

然后训练人工智能以消除该缺陷并将图像恢复到其原始形式。通过比较初始图像和“恢复”图像来测量精度。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，从而精确定位和改善AI的不足。

机器视觉应用#2：流程/操作优化

另一个（主要是）与制造相关的机器视觉用例是流程/操作优化。更好的相机技术和人工智能的结合允许实现特定结果的新方法。例如，机器人现在可以以比人类更高的精度和效率处理更复杂的任务。结果是，借助MV技术，机器人（或其他机械）可以完成负责的多任务。

 

 

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。该公司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，开发了一种新的AI研磨系统RoboGrinder，该系统可以自动研磨复杂的橡胶状材料，这在以前是无法实现的。

机器视觉应用#3：自动驾驶

机器视觉在开发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L0（全手动）到L5（全自动）。如今，大多数（商用）车辆提供L 1 级或L 2 级驾驶辅助，只有少数提供L 3 级选项。要达到L 4 级或L 5 级，需要车辆在技术应用上有质的飞跃。非常复杂的MV相机系统和AI硬件芯片是解决这一过程的重要部分。

 

 

Google Waymo One自动驾驶叫车服务是商用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AI软件组成，可以收集传感器数据并实时计算最佳路线。该解决方案已经收集了超过20万英里的真实驾驶经验。

机器视觉应用#4：托盘尺寸标注

物流垂直领域即的机器视觉应用是托盘尺寸标注。使用先进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体积重量不准确而产生的潜在费用。

 

 

例如：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，试行托盘体积测量解决方案。摄像头安装在生产传送带的末端，并在取货之前拍摄所有托盘的 3D 快照。这些数据对制造商和承运人都至关重要，因为它可以准确地提供托盘的尺寸和体积负载。

制造商可以使用这些信息来优化生产，而承运人可以使用它来确保使用正确的设备安全有效地运输货物。预期结果是提高了成品和木托盘库存数据的准确性和可靠性，并降低了附加费用。

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几个新的应用。相机精度和质量的进步使身体姿势和运动分析成为可能。现在只需使用摄像头即可识别骨骼和关节的位置和方向，而无需使用其他设备（例如，磨损的传感器/附件）。人体工程学、骨科等医疗保健实践和一般手势交互都可以从这种机器视觉应用中受益。

例如：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线，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。

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，可以显著减少结账所需的时间。

 

 

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。总部位于德克萨斯州的DK商店等客户报告说，由于自动结账解决方案减少了等待排队，交易量增加了34%。

机器视觉应用#7：污染物识别

产品中污染物的识别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。

 

 

冷冻食品公司Apetito在20多条生产线上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材料中的所有污染物。

CORPORATE CULTURE 写在最后

相机技术、人工智能和AI芯片正在推动机器视觉技术的新的创新应用。IoT Analytics 预计，未来8年机器视觉市场将以 27% 的年增长率增长。受益于人工智能技术的快速发展，未来机器视觉领域还会涌现出不同的应用场景，商业化机会不断涌现。

编辑：黄飞