機器視覺在過去十年中取得了長足的進步。能夠檢測視頻幀內邊緣和移動的最新算法，以及與圖像傳感器，可編程邏輯，微控製器和圖形處理單元（GPU）相關的矽技術的進步，已幫助將其帶入了廣泛的嵌入式領域應用程序。可以下載到FPGA的更複雜的設計與新的開發環境（例如OpenCV）一起使用，以使嵌入式係統設計人員可以更輕鬆地訪問機器視覺。

機器視覺的這種不斷增長的擴散正在與將工業係統連接到物聯網（IoT）的趨勢融合。隨著傳感器變得越來越智能化（部分地由支持的計算機視覺算法驅動），因此生成的數據為工業係統的運行提供了寶貴的見解。反過來，這又開辟了監視設備的新方式，將自主機器人係統（如無人機）連接到物聯網基礎設施。

轉向機器視覺的部分原因是帶寬考慮，而另一個主要動機是使工業操作的更多部分自動化的前景。機器視覺的關鍵應用之一是檢查係統。在過去的十年中，帶有CMOS圖像傳感器的高性能相機係統的價格已大幅下降，從而可以在製造過程中更高分辨率地檢查電路板和係統。這些相機模塊與FPGA結合在一起，可以增加處理和決策的能力。這使攝像機可以對接收到的數據做出相應的響應，從而減少了通過網絡發送視頻的需求，並提高了整體操作效率。

將檢查設備的機器視覺元素連接到物聯網，可為正在對工廠性能進行分析的企業係統提供更多數據。機器視覺可以提供適合此類企業係統的抽象級別的信息，而不是原始數據。這顯著降低了服務器和整個網絡的帶寬開銷-企業係統正在處理來自物聯網的數百萬個數據點，因此服務器負載的任何減少都將有助於做出更及時的決策。

機器視覺攝取量的增加也為自動化工廠中的機器人製導係統打開了市場。因此，檢查機器可以基於從機器視覺係統獲得的結果，繞開中央企業服務器並直接與工廠中的其他設備進行通信。這樣可以提高效率，並再次減少網絡和服務器上的負載。機器視覺還被用於控製自動化設備，特別是在物料搬運中。這涵蓋了從自動機器人控製係統到工廠周圍物料轉移到倉庫中用於識別產品的自動揀選機的所有內容。

對於自主式物料搬運機器人，機器視覺就像在地板上確定一條線從一個位置到另一個位置一樣簡單。但是，它也可用於檢測途中的人員或障礙物，從而使工廠操作員和機器人可以安全高效地協同工作。如前所述，產品揀選現在也采用了機器視覺，通過條形碼識別物品，然後對齊機械手以捕獲特定物品並將其放入籃子。攝像機和隨之而來的本地處理都是必不可少的，並且作為廣泛的物聯網的一部分，拾取器/自主機器人也受到不斷監控。

隨著無人機越來越依賴於機器視覺，這種情況甚至擴展到了空中。事實證明，無人機是在難以到達的區域（例如，石油管道和天然氣設施）進行檢查的一種高效方法。除了允許無人機識別並接近特定目標區域外，以便可以對其進行更仔細地檢查之外，機器視覺還被用於防撞目的-通過將攝像頭係統連接至目標區域，避免固定障礙物甚至其他無人機。

然後是監視市場。越來越多地使用機器視覺在這裏具有巨大的意義。無需每秒反饋百萬位的視頻數據供操作員查看，而是可以在本地處理視頻並觸發警報，而無需任何人工幹預。在FPGA上運行的機器視覺算法越來越精確。結果，它們更好地區分了入侵者，動物或樹上的葉子（例如）的移動，從而使操作員可以同時支持更多數量的監視節點。此外，監控攝像機本身可以指示其他機器響應警報。自主地麵和空中車輛（如無人機）的組合可能會改變監視的整個方式。成像係統不是安裝在固定的攝像機上，而是安裝在機載飛行器上，該機在飛行過程中會不斷監視該區域。這些無人機隨後在電池電量耗盡時返回充電基地，並派出其他無人機代替它們。這意味著可以提供恒定的監視範圍。更高級的機器視覺算法能夠識別潛在威脅，然後召集其他空中和地麵飛船到該地區以進一步監視情況-所有這些都無需操作員參與。相同類型的情況同樣適用於農業應用，其中空運飛機上的機器視覺算法可以監視農作物的狀況，並在出現問題時將操作員（或自動拖拉機）引導至目標區域響應動作的形式。

此處概述的應用程序已通過底層硬件和軟件技術的進步而實現。機器視覺算法的結構越來越複雜，可以將它們下載到最新的FPGA和GPU。這些設備一次可以處理8或16個通道，支持每秒60幀的速率。它們還可以與OpenCV等高級軟件結合使用。

最初，OpenCV最初主要專注於研究和原型製作，近年來已越來越多地用於從雲到移動的各種平台上的已部署產品中。最新版本OpenCV 3.1已發布。以前的版本3.0是一項重大改進，將OpenCV提升到現代C ++標準，並合並了對3D視覺和增強現實的擴展支持。新的3.1版本引入了針對重要功能的改進算法，例如校準，光流，圖像濾波，分割和特征檢測。

未來的可能性

在機器視覺之後，機器學習是顯而易見的下一階段。計算機視覺算法能夠提供對靜止圖像和視頻內容的確定性分析，但是機器學習正在應用其他神經網絡方法來“教”係統尋找什麽。例如，最新版本的OpenCV現在支持用於機器學習的深度神經網絡。

FPGA和GPU性能的提高為機器學習開辟了新的機會。這依賴於訓練階段，在該階段中，神經網絡顯示了許多不同的圖像，這些圖像標記有感興趣的對象，通常由實驗室或雲中的大型服務器係統處理。它產生一係列權重和偏差數據，然後將其應用於嵌入式設計中實現的同一網絡。這個“推理引擎”使用這些權重來評估它正在查看的新數據是否包含那些對象。例如，最新的監控攝像頭正在使用神經網絡機器學習算法來超越傳統功能（例如監視和記錄），並提供其他視頻分析功能（例如人群密度監視，立體視覺，麵部識別，人員計數和行為分析）。然後可以將該本地處理交付到物聯網中，從而集成到雲中更廣泛的分析軟件中。


 

返回列表