機器視覺是一項令人興奮的技術，在toC領域，我們已經看到了體驗到了它的強大之處。在其他領域，隨著AI的繼續發展，全新的用例還在不斷出現和成熟。
所謂機器視覺(machine vision，MV)，就是不同技術和方法的組合來自動提取圖像信息，為機器在工業和非工業環境中執行給定任務提供操作指導和關鍵數據。
近期，IoT Analytics對機器視覺市場的最新研究表明，相機、AI和芯片組的進步正在推動機器視覺應用的使用，這些進步增強了典型的機器視覺優勢，例如節省成本、提高競爭力或提高產品質量，也影響了IoT Analytics在研究中確定的39個機器視覺應用的前景。
2022年的研究表明，機器視覺預計將在未來幾年經歷持續強勁的投資流入，同時，機器視覺還擁有所有工業4.0技術中最高的投資回報率(ROI)和最快的攤銷時間。
盡管機器視覺技術已經存在了30多年，但最近的技術轉變依然為其產業應用提供了新的推動力。
三項技術進步
關鍵技術轉變1：先進相機(Advanced cameras)
當前，分辨率超過4500萬像素的相機不僅在許多情況下優于人眼，而且還可以以極高的速度無失真地追蹤移動的物體。然而，還有其他的一些創新可能對用戶來說并不明顯，其中一個就是引入了“基于事件的視覺傳感器”(Event-based vision sensors)。與視神經處理信息的方式類似，基于事件的視覺傳感器僅通過檢測每個像素的亮度變化來捕獲圖像，與傳統的基于幀的視覺傳感器相比，在更暗的環境或更惡劣的天氣條件下也可以擁有更好的效果。
關鍵技術轉變2：更好的決策型AI
從基于規則的機器視覺到基于AI的機器視覺的轉變是有影響力的。通常，基于規則的機器視覺是更為嚴格的描述，只適用于可量化的、清晰的和非常具體的特征，例如，產品上的劃痕是水平的、長度為30毫米等。相反，基于AI的機器視覺可以為無法量化的特征提供準確的結果，可以更加靈活地處理產品外觀和缺陷類型的變化，深度學習是AI的一個更復雜和強大的子集，也越來越多地用于機器視覺應用。
關鍵技術轉變3：更強大的硬件和AI芯片
芯片的進步與AI的進步密切相關，最新的芯片功能已經十分強大，適合處理圖像和運行基于AI的計算機視覺算法，這些性能的提升有助于將深度學習的訓練時間從幾周縮短到幾個小時。現在的很多智能相機也都配備了強大的AI芯片，例如ADLINK的NEON-2000-JNX系列就內置了英偉達的Jetson XavierNX模塊。
七個即將到來的機器視覺應用
根據IoT Analytics的市場研究，由于前面提到的相機、AI和芯片的最新變動，有七個機器視覺應用正被大力推動，在其分析的39個用例中，這七個用例被標記為“特別令人感興趣”。
1、缺陷檢測
缺陷檢測是一種機器視覺用例，主要部署在質量檢測過程中。在過去，非AI機器視覺需要一個包含所有可能缺陷圖像的數據庫，以便系統成功識別缺陷。然而，今天的機器視覺技術已經可以在不需要特定圖像的情況下識別某些缺陷，進行異常檢測。以富士通日本工廠為例，通過訓練AI修復數千張有缺陷(例如形狀，大小和顏色異常)的模擬圖像中的異常區域，從而生成正常圖像，使得工廠檢查印刷電路板所需的小時數減少了25%。當AI對特定類型的異常檢測得不夠準確時，就可以產生更多此類型異常的模擬圖片，從而精確地改善模型的弱點。
2、流程/操作優化
另一個與制造相關的機器視覺用例是流程/操作優化。例如，機器人現在可以比人類以更高的精度和效率完成復雜任務。其結果就是，借助于機器視覺，機器人或其他機械可以用和以前不同的方式來執行操作，或者完成從前無法完成的事情。例如，弗勞恩霍夫-設計工程機電一體化研究所(IEM)所開發的新型橡膠研磨解決方案，就是使用三菱電機機械臂、光學激光掃描儀和配備AI軟件的控制系統，開發了一種新的AI研磨系統，該系統使得研磨復雜橡膠狀材料的過程自動化。據該團隊稱，新方法可以縮短高達40%的橡膠研磨過程花費的時間。
3、自動駕駛
機器視覺在開發全自動駕駛汽車的過程中起著至關重要的作用。自動駕駛有六個級別，從0級(全手動)到5級(全自動)。如今，大多數商用車輛都還在提供1級或2級的輔助駕駛，只有少數可以提供3級，而想要達到4級或5級，車輛使用的技術必須實現飛躍才可以，而非常復雜的機器視覺系統和AI計算正是讓這一技術實現飛躍的一部分。谷歌Waymo One的自動叫車服務就是4級自動駕駛的一個例子。每輛車都配備了Waymo司機系統，這是一個復雜的MV系統，由五個激光雷達、四個雷達、29個攝像頭和AI軟件組成，可以收集傳感器數據并實時計算最佳路線。該解決方案已經收集了超過2000萬英里的真實駕駛體驗數據。
4、托盤尺寸標注
在物流領域，即將到來的機器視覺用例之一是托盤尺寸標注。創新的3D飛行時間(time-of-flight)技術使得測量裝載托盤的尺寸成為可能，消除了手動測量所花費的時間，并最大程度地減少了由于尺寸重量不準確而導致的承運人的潛在費用。產品包裝公司DSSmith與機器視覺公司NeAdvanced和傳感器儀表公司SICK合作，在生產傳送帶的末端安裝了攝像頭，并在所有托盤被拾取之前對其進行快照，準確地提供了托盤的尺寸和體積。隨著時間的推移，制造商可以使用這些信息來優化生產，而承運人也可以使用它來確保貨物安全有效地移動，并減少相關費用。
5、姿態/運動分析
機器視覺也在醫療保健領域實現了一些新的應用，相機精度和質量的進步使身體姿勢和運動分析成為可能。現在，只需使用相機而無需額外的設備，就可以識別骨骼和關節的位置和方向。人體工程學、骨科等醫療保健以及手勢交互等都可以從這種機器視覺應用中受益。利用德國相機制造商IDS研發的新型工業相機，生物醫學解決方案公司DIERS開發了一種解決方案，可以對人體背部、脊柱和骨盆進行快速、高分辨率的光學測量，通過使用相機連續記錄設備投射到患者背部的光線，可以生成脊柱曲率的準確表示，從而幫助骨科醫生檢測肌肉系統的不平衡或姿態缺陷。
6、自動結帳
通過使用基于機器視覺的解決方案，可以顯著減少結賬所需的時間，改善零售店的自動結賬體驗。初創公司Mashgin已經開發出一種機器視覺解決方案，可以對產品進行掃描而不必搜索條形碼。由于自動結賬解決方案減少了排隊時間，使得交易量增加了34%。
7、污染物識別
污染物的識別是食品質量評估的重要組成部分，但這一過程很難用傳統方法來解決，因為需要一個包含所有可能污染物組合的數據庫。然而，通過AI便可以有效地識別加工食品中的變色、異物和其他異常。例如，冷凍食品公司Apeto在20多條生產線上測試并部署了自動化定性評估解決方案，從而確保加工食品部門能夠成功檢測原料中的所有污染物。
寫在最后
IoT Analytics預計，從2022年到2027年，機器視覺市場將以8%的CAGR增長。與當今許多技術領域一樣，預計從AI的進步中受益的軟件增長最快。IoT Analytics的研究還表明，在確定的313家機器視覺供應商中，約60%已經提供了特定的機器視覺軟件，預計上述七個用例將在接下來的幾年中變得更加普遍，更多的其他用例也會出現。
