相机和AI：工业机器视觉技术加速发展的双引擎

图源： rawpixel-com/freepik.com

很多时候，机器视觉会与计算机视觉一词混为一谈。然而，事实上二者还是有区别的。对机器视觉而言，它通常与具备计算机视觉能力的工业应用联系在一起，需要摄像头来捕捉和提供图像数据。计算机视觉的任务则是将已有的图像数字化，处理其中包含的数据并采取某种行动。

一般来讲，机器视觉系统的处理能力相对较小，主要用于精益制造环境，通过高速执行实际任务以获取完成指定作业所需的数据。计算机视觉系统是处理视觉数据的人工智能（AI）和机器学习（ML）算法的所在，它需要收集尽可能多的关于物体或场景的数据并充分理解它们。因此，计算机视觉既要能够分析来自运动检测器、红外传感器等来源的图像，又可以在没有相机的情况下执行任务，扫描数字网络照片或视频，处理来自任何来源（包括互联网）的图像。从本质上讲，机器视觉就是系统的眼睛，而计算机视觉则相当于系统的大脑。

机器视觉是一项看似简单但实际上相当复杂的技术。首先，它需要使用专门的光学器件来捕捉周围环境中的视觉信息。然后，再借助硬件和软件的组合对图像的某些特征进行处理、分析和测量。例如，作为制造系统的一部分的机器视觉应用程序可以用于分析在装配线上制造的零件的特定特性，确定零件是否符合质量标准。

在实际应用中，机器视觉常常被看作是计算机的一种视觉能力，其系统由一个或多个光学传感器（如高分辨率相机）、模数转换（ADC）和数字信号处理（DSP）等器件组成。相机和传感器用于收集感光形式的图像，并将其转化为电信号，所产生的电信号经数字化处理后被传输到计算机进行分析并提供所需的输出。在技术复杂性上，机器视觉与语音识别相似。

目前，用于制造业的机器视觉主要采用两种类型的相机，即：面阵扫描相机和线阵扫描相机。

面阵扫描相机使用矩形传感器在单个帧中拍摄照片，传感器中的像素数量对应于图像的宽度和高度。线阵扫描相机是逐个像素地构建图像，它们适用于拍摄运动中或尺寸不规则的物品的图像。在拍摄照片时，传感器在物体上以线性运动通过，因此，线阵扫描相机不像面阵扫描相机那样局限于特定的分辨率。

相机的灵敏度和分辨率是机器视觉系统的两个重要参数，其中，分辨率负责区分物体，而灵敏度是机器在光线昏暗或波长不可见的情况下检测物体或微弱脉冲的能力。一般来说，分辨率越大，视野就越有限。灵敏度和分辨率是相互依存的，如果其他因素不变，增加灵敏度就会降低分辨率，而增加分辨率则会降低灵敏度。面阵相机的分辨率和扫描频率一般均低于线阵相机。

许多机器视觉相机的分辨率超过4,500万像素，这些相机能以极高的速度拍摄物体而不会失真。推动机器视觉功能的另一个进步是基于事件的视觉传感器。这些传感器处理图像的方式与人眼的视神经处理信息的方式类似。更具体地说，这些基于事件的视觉传感器检测每个像素的亮度变化。这种能力使机器视觉能够在比传统的基于帧的视觉传感器暗得多的环境中使用。

当然，出于应用成本的考虑，机器视觉系统不是越复杂越好，而应选择适合的。一维（1D）视觉、二维（2D）视觉以及三维（3D）视觉这三种类型是常用的、面向不同任务的机器视觉系统。

机器人之所以能与人类做同样的工作，主要归功于机器视觉。机器人手臂用它来检查从装配线上下来的零件和产品，确定哪些符合质量标准。此外，机器视觉还使机器人和人类之间的协作更加高效和安全。现在，机器视觉已经成为工业4.0过程自动化的关键技术，其中汽车、制药、包装、食品和饮料等垂直行业是使用机器人系统比较突出的领域。

据Grand View Research的分析，2022年，全球机器视觉市场规模为168.9亿美元，预计2023年至2030年将以12.3%的复合年增长率（CAGR）增长，到2030年，市场规模将达到416亿美元。按照产品划分，机器视觉产品可细分为基于PC的和基于智能摄像头的系统。2022年，基于PC的细分市场在全球的市场份额超过54.92%，接下来的几年里预计这一趋势仍将得到延续。

与机构或教育应用中使用的机器视觉系统相比，工业机器视觉系统通常更耐用，并要求较高的可靠性、稳定性和准确性，而它们的成本则比在军事、航空航天、国防和政府应用中使用的系统要低很多。这也是近些年机器视觉在工业领域日益普及的重要原因。

在工业应用中，机器视觉常常被用于执行各种任务，下面我们就列举一些：

现代机器视觉系统开始越来越多地使用人工智能（AI）方法与技术，如机器学习或深度学习，以及人工神经网络。AI能够处理大量以前难以收集的图像和数据信息，加快了决策过程。例如，签名和字符识别，有了人工智能的加持，机器视觉系统可以快速甄别其中的细微差别。

在制造业中，AI有助于物体识别和材料检查，使机器视觉系统能够理解物体或材料形状和纹理的变化。在质量保证方面，AI系统可以分析出现的异常现象，而不是单纯地检出和拒绝不符合规范的产品。机器视觉与AI和深度学习相结合，扩大了机器人在执行生产线任务中的作用，如挑选、分拣、放置和执行生产线扫描。这种技术组合还使机器人能够在其他环境中运行，如超市、医院和餐馆等。基于AI的机器视觉还可以在更广泛的背景和照明设置中识别缺陷，并灵活应对产品外观和缺陷类型的变化，例如凹痕或变色。

深度学习是人工智能中一个更复杂、更强大的子集，在机器视觉应用中也越来越多地被采用。在人工智能的支持下，机器视觉系统常常被用来执行复杂的任务，比如质量控制、装配控制、过程控制和机器人操控等。在过去几年里，将人工智能融入机器视觉应用是工业机器视觉技术发展的主要加速器。在“未来的工厂”中，机器视觉和AI技术将是过程自动化和提高效率的关键组成部分。

机器视觉与AI的技术进步离不开芯片组的支持。新一代嵌入式芯片的功能更强大，成本合理，适用于处理图像和运行基于AI的机器视觉算法，可将深度学习训练时间从数周减少到数小时。

工业机器视觉是使用相机、镜头和照明设备对制成品进行自动视觉检查。这是一种实时检测部件的方法，既快速又准确，它可以对高速生产线上的每一件产品进行拍摄和分析，通过复杂的算法来检查和评估在工业环境中获取的图像，确保100%的质量控制。它还可以自动化许多工业检查，包括缺陷和问题的目视检查、产品存在与否检查、产品类型验证、测量和产品代码读取等。今天，工业自动化正在以惊人的速度发展，机器视觉技术在其发展和扩张中发挥着至关重要的作用。

在刚刚过去几年里，融入了人工智能的机器视觉技术帮助许多机器人和自动驾驶汽车实现了几乎与人类相似的感知水平。通过使用大量先进的光学传感器，如高分辨率相机，这些机器人和汽车最终能够以自己的方式拥有“看”的能力。多种技术的融合和飞速发展使得新应用的潜力显著增加，这意味着未来的机器视觉技术将与更多的行业相关，所创建的解决方案也将更加通用和智能。