关键技术#1：先进相机
分辨率超过45兆像素的相机现在不仅优于人眼，而且还可以捕捉高速物体，在很多情况下。在许多应用中，这种高分辨率相机是非常有利的，例如在安全和监控应用中进行面部识别或车辆识别。
除了像素数量，还有其他一些幕后技术的进步，使得现代相机能够在各种环境和条件下捕捉到高质量的图像。其中一项创新是引入了基于事件的视觉传感器。
基于事件的视觉传感器
基于事件的视觉传感器处理图像信息的方式类似于视神经。与传统的基于框架的视觉传感器不同，这种传感器仅检测每个像素的亮度变化，即亮度变化。这种技术具有以下优势：
提高了在黑暗环境或恶劣天气条件下的性能。
基于事件的视觉传感器可以更好地处理图像中的噪声，从而提高了图像质量。
由于只关注亮度变化，因此可以降低数据处理和存储的需求，从而减少了计算资源的使用。
还可以捕获到快速移动的物体，并提高图像的刷新率。
基于事件的视觉传感器在自动驾驶等领域具有广泛的应用前景，因为它们可以更好地处理复杂的视觉信息并提高安全性。
关键技术#2：利用人工智能做出更好的决策
采用人工智能助力更优决策从基于规则的机器视觉到基于人工智能的机器视觉的转变，是一项颇具影响力的转变。基于规则的机器视觉聚焦于预设参数进行决策，这类决策过程相对僵化，仅能针对可量化、清晰且具体的特征（例如，产品上的划痕是否是特定长度和方向）给出二元决策结果（是/否）。然而，基于人工智能的机器视觉则能提供更精确的结果，它考虑了更宽泛的背景和光照条件，并可以灵活处理产品外观和缺陷类型的多样性。特别是深度学习，作为人工智能的一个子集，越来越被机器视觉应用所采用。
关键技术#3：配备人工智能芯片的更强大的硬件
更强大的硬件与人工智能相结合人工智能的发展与芯片技术的进步密不可分。最新一代的芯片功能更强大，更适宜处理图像以及运行基于人工智能的计算机视觉算法。这些进步有助于将深度学习训练时间从几周缩短到几个小时。现在，许多智能相机机器视觉系统都配备了强大的AI芯片，例如凌华科技的NEON-2000-JNX系列内置了Nvidia Jetson Xavier NX模块。这样的配置使得机器视觉系统可以更快地做出决策，提高整体运行效率。
即将推出的 7 个最热门MV应用
即将推出的机器视觉应用#1：缺陷检测
缺陷检测是一种机器视觉用例，主要部署在制造业务的质量检查过程中。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，系统才能成功识别缺陷。然而，今天的 MV 技术可以识别出某些东西“不正常”，而不需要针对该缺陷的特定图像（即异常检测）。
例子：
富士通 测试日本长野工厂生产电子设备，采用了这样的解决方案。该公司表示，检查印刷电路板所需的时间减少了 25%。它通过训练人工智能通过修复数千张有缺陷的模拟图像中的异常区域（例如形状、大小和颜色异常）来生成正常图像，从而实现了这种效率的提高。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、尺寸和颜色异常）。然后，人工智能经过训练，可以消除该缺陷并将图像恢复到原始形式。通过比较初始图像和“恢复”图像来测量准确性。这样，当人工智能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。
即将推出的机器视觉应用#2：流程/操作优化
另一个（主要）与制造相关的机器视觉用例是流程/操作优化。更好的相机和人工智能的结合可以提供新的方法来实现特定的结果。例如，机器人现在可以比人类以更高的精度和效率完成更复杂的任务。结果是，利用 MV 技术，机器人（或其他机械）可以做以前以不同方式执行的事情。
例子：
一个典型的例子是弗劳恩霍夫机电一体化设计工程研究所 (IEM)开发的新型橡胶研磨解决方案。该公司利用三菱电机机械臂、光学激光扫描仪和配备人工智能软件的控制系统，开发了一种新的人工智能研磨系统——RoboGrinder——可以自动化研磨复杂橡胶类材料的过程，这在以前是不可行的。据该团队称，新方法可减少高达 40% 的典型橡胶研磨流程。
即将推出的机器视觉应用#3：自动驾驶
机器视觉在开发全自动车辆的过程中发挥着至关重要的作用。自动驾驶有六个级别，从0（完全手动）到5（完全自动）。如今，大多数（商用）车辆都提供 1 级或 2 级驾驶辅助，只有少数 提供 3 级选项。要达到 4 级或 5 级，车辆所使用的技术需要实现飞跃。非常复杂的MV相机系统和人工智能驱动的计算是这一技术飞跃的一部分。
例子：
谷歌 Waymo One自动乘车服务是商用 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 5 个 LiDAR、4 个雷达、29 个摄像头和 AI 软件组成，可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 2000 万英里的真实驾驶体验。
即将推出的机器视觉应用#4：托盘尺寸标注
物流垂直领域即将到来的关键机器视觉用例之一是托盘尺寸标注。新颖的 3D 飞行时间* 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，并最大程度地减少因尺寸重量不准确而导致承运商产生的潜在费用。
例子：
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，试点托盘尺寸测量解决方案。摄像机安装在生产传送带的末端，在所有托盘被拾取之前拍摄 3D 快照。该数据对于制造商和承运商都至关重要，因为它准确地提供了托盘的尺寸和体积负载。制造商可以使用这些信息来随着时间的推移优化生产，而承运商可以使用它来确保使用正确的设备安全有效地运输货物。预期结果是提高成品和木托盘库存数据的准确性和可靠性，并降低辅助费用。
即将推出的机器视觉应用#5：身体姿势/运动分析
机器视觉还在医疗保健领域实现了多种新应用。相机精度和质量的进步使得身体姿势和运动分析成为可能。现在可以仅使用相机来识别骨骼和关节的位置和方向，而无需额外的设备（例如，磨损的传感器/配件）。工作空间人体工程学、医疗保健实践（例如整形外科）和一般手势交互都可以从该机器视觉应用程序中受益。
例子：
生物医学解决方案公司DIERS利用德国相机制造商IDS的新型 USB 3.0 工业相机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。通过使用摄像头连续记录设备投射到患者背部的光，计算机软件可以生成脊柱曲率的准确表示。该解决方案可帮助骨科医生检测肌肉系统的不平衡或姿势缺陷。
即将推出的机器视觉应用#6：自动结帐
机器视觉旨在改善零售商店的自动结账体验。通过使用基于 MV 的解决方案，可以显着减少结帐所需的时间。
例子：
美国初创公司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 商店等客户表示，由于自动结账解决方案减少了排队等候的时间，交易量增加了 34% 。
即将推出的机器视觉应用#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 方法来解决，因为它是高度定性的，并且需要每个可能的污染物组合的数据库。然而，通过利用人工智能，可以有效识别加工食品中的变色、异物和其他此类异常情况。
例子：
冷冻食品公司Apetito在 20 多条生产线中测试并部署了自动定性评估解决方案，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。