近年來，3D 傳感技術(shù)不斷改進，組件模塊日趨緊湊，高質(zhì)量 CMOS 圖像傳感器和功能強大的數(shù)據(jù)處理器價格大幅跳水，機器視覺的應(yīng)用也呈現(xiàn)出井噴態(tài)勢。
智能交通系統(tǒng)： 交通監(jiān)控、自動駕駛車輛、駕駛員安全輔助
安全與執(zhí)法： 安全監(jiān)控、攝像網(wǎng)絡(luò)、遙控感應(yīng)、水下和惡劣環(huán)境作業(yè)
生命科學(xué)： 農(nóng)業(yè)、林業(yè)、漁業(yè)、土木/建筑工程、商業(yè)、體育、時尚、家居等
多媒體： 數(shù)據(jù)庫存檔/檢索、文檔、文化/遺產(chǎn)、虛擬現(xiàn)實 (VR)/混合現(xiàn)實 (MR)/增強現(xiàn)實 (AR)、娛樂
生物醫(yī)學(xué)： 斷層掃描、內(nèi)窺鏡檢查、計算機輔助診斷、計算機輔助手術(shù)、計算解剖學(xué)、生物信息學(xué)、護理
人機交互： 面部/手勢/行為/步態(tài)/凝視分析、生物識別、可穿戴計算、第一人稱視覺系統(tǒng)
若要成功開發(fā)和實施機器視覺解決方案，關(guān)鍵是選擇值得信賴的技術(shù)合作伙伴，建立必要的硬件組件和軟件框架，提供視覺算法、攝像頭接口標(biāo)準(zhǔn)、高級分析、人工智能和機器學(xué)習(xí)。對于任何企業(yè)來說，都有可為之事和不可為之事。我們在此列出了開發(fā)現(xiàn)代機器視覺解決方案時需要考慮的 10 大注意事項。
1. 人工智能開發(fā)，數(shù)據(jù)質(zhì)量先行：機器視覺系統(tǒng)若要正常運行，需要獲取、處理、分析和理解圖像，而這些工作均需依靠人工智能完成。為 實現(xiàn)這種理解，首先需要編譯信息，亦即讓人工智能用來學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。訓(xùn)練數(shù)據(jù)質(zhì)量越好，人工智能的質(zhì)量就越好。由此也可以提高機器視覺系統(tǒng)的性能。如果訓(xùn)練數(shù)據(jù)質(zhì)量低劣或數(shù)量不足，將妨礙人工智能和機器視覺應(yīng)用取得成功。如果缺乏適當(dāng)?shù)挠?xùn)練數(shù)據(jù)，即使編程再好，人工智能也無法達(dá)到預(yù)期效果。
2. 功能不斷疊加，漸漸脫離初衷： 開始每個項目時，都要設(shè)定一系列合乎實際的期望和有望實現(xiàn)的目標(biāo)。人類大腦能夠同時處理來自五種感官的數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)立即采取行動，這是真正意義上的一心多用。通過編程處理，機器通常能夠很好地完成單一任務(wù)，但在需要學(xué)習(xí)和執(zhí)行多項任務(wù)時，人工智能可能遇到困難。初始規(guī)劃階段，需要重點關(guān)注關(guān)系到成敗的主要功能。人工智能應(yīng)用的初始版本便執(zhí)行種類繁多的任務(wù)，可能會導(dǎo)致任務(wù)無法正確執(zhí)行，并導(dǎo)致初始結(jié)果滿意度欠缺。
3. 視覺的語言： 成功的機器視覺應(yīng)用不僅需要功能強大的硬件，還離不開高超的編程技能。編程可以采用人工智能框架和編碼語言的形式。人工智能框架可以簡化、加速人工智能應(yīng)用開發(fā)，包括機器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和自然語言處理 (NLP)。人工智能框架可以充當(dāng)人工智能系統(tǒng)的開發(fā)模板。與從頭開始開發(fā)人工智能應(yīng)用相比，這種方法的開發(fā)、部署和管理難度都大大降低。有幾種編程語言可以與人工智能配合使用，每種語言都有獨到的優(yōu)勢。其中包括 Caffe、Python、Pytorch、TensorFlow、C++、Lisp、Java、R、Prolog 和 Model Zoo
4. 選擇合適的硬件主器件：選擇運行機器視覺人工智能應(yīng)用程序的硬件時，存在諸多選項?，F(xiàn)場可編程邏輯門陣列 (FPGA)、圖形處理單元 (GPU) 以及微控制器 (MCU) 都各有所長。
FPGA: FPGA 是非常強大的處理單元，配置后可以滿足幾乎所有應(yīng)用程序的需求?？梢詣?chuàng)建定制的 FPGA 架構(gòu)來處理特定的應(yīng)用程序。與其他選項（如 GPU 和 CPU）相比，可以實現(xiàn)更高的性能、更低的成本和更好的能效。
GPU: GPU 是專用處理器，主要用于處理圖像和視頻。與 CPU 相比，其處理單元更簡單，但承載更多的內(nèi)核。因此，GPU 非常適合需要并行處理大量數(shù)據(jù)的應(yīng)用程序，例如圖像像素或視頻編解碼器。然而，GPU 也存在一些局限性：能耗高，同時由于使用 CUDA 和 OpenCL 等語言進行編程，靈活性不及 CPU。
CPUs: CPU 的核心數(shù)量有限，無法快速處理人工智能所需的大量數(shù)據(jù)。因此，CPU 僅適用于有效批量較小的小模型。CPU 的優(yōu)點是易于編程、成本較低，同時廣泛支持各類編程框架。
5. 圖像傳感器和照明： CMOS 傳感器的前照式 (FSI) 和背照式 (BSI) 技術(shù)取得了巨大的進步，即使在低光照水平下也可以獲得更高分辨率的圖像。適當(dāng)?shù)恼彰饕彩侵匾目紤]因素。所有照明性能的基礎(chǔ)都可以歸結(jié)為三種主要的圖像傳感器特性：量子效率 (QE)、暗電流和飽和容量。量子效率是設(shè)備為特定數(shù)量的入射光子所產(chǎn)生的電荷的比率。由于 QE 在不同的波長上會發(fā)生變化，因此最好將其繪制為波長的函數(shù)。由此，可以實現(xiàn)設(shè)備靈敏度的精準(zhǔn)測量。安裝在相機內(nèi)時，由于外部光學(xué)和電子效應(yīng)，相機的最大 QE 應(yīng)小于傳感器。
此外，暗電流和飽和容量也是機器視覺系統(tǒng)設(shè)計的重要考慮因素。暗電流測量 CMOS 成像器內(nèi)熱產(chǎn)生的電子數(shù)量變化，以及同時可能帶來的噪聲。飽和容量表示單個像素可以存儲的電子數(shù)。盡管這些參數(shù)通常未在相機制造商的數(shù)據(jù)表中說明，但可以與QE測量值一起，用以計算最大信噪比 (S/N)、絕對靈敏度和應(yīng)用的動態(tài)范圍。
適當(dāng)?shù)囊曈X照明有助于提高機器視覺應(yīng)用程序的準(zhǔn)確性和效率。視覺照明需要考慮的其他因素包括波長（例如紅外線）、固定照明甚至照明放置。研究證明，直接照射到機器視覺系統(tǒng)攝像機上的光源和反射物會降低物體檢測的準(zhǔn)確性。
6. 背景識別： 背景可能給機器視覺系統(tǒng)帶來特殊的問題。想象一下，安全系統(tǒng)無法偵察到壞人深色外套中的黑色槍支。同樣，工廠環(huán)境中的反光金屬物體也可能導(dǎo)致視覺檢測算法無法正常運行，從而出現(xiàn)此類困難。輔助算法可以通過關(guān)注電磁波 (EM) 光譜的不同波長（例如紅外和自適應(yīng)光）來緩解這種情況。
7. 對象的定位和方向： 人工智能可以幫助機器視覺解決方案識別從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的物體。如果您使用相同的物體但更改其方向，一些機器視覺系統(tǒng)就會出錯。這種情況可以通過為人工智能提供精確的訓(xùn)練集來緩解，但也會導(dǎo)致數(shù)據(jù)量變得密集。
8. 物體縮放： 我們分別從兩英尺遠(yuǎn)和 10 英尺遠(yuǎn)的距離看籃球時，知道兩次看到的是同一物體，只是距離不同。在這一點上，多樣化的訓(xùn)練集和人工智能的準(zhǔn)確測試有助于確保某個距離的物體可以被正確識別。鏡頭和焦距的選擇也直接影響到應(yīng)用程序的性能。大多數(shù)機器視覺系統(tǒng)都讀取像素值，但若要成功部署到移動應(yīng)用，縮放方面的考慮同樣不可或缺。
9. 物體變形： 機器視覺系統(tǒng)能夠識別存在微小偏差的同一物體，這種能力在機器視覺應(yīng)用中至關(guān)重要，特別是在交通和安全方面。對于應(yīng)用的準(zhǔn)確性和操作安全性而言，識別四肢有關(guān)節(jié)的行人極其重要。此處需要再次強調(diào)為人工智能學(xué)習(xí)提供高質(zhì)量訓(xùn)練集的必要性，但同樣導(dǎo)致數(shù)據(jù)量更密集。
10. 動作和運動： 快速運動/移動會給機器視覺系統(tǒng)帶來問題。對于安全性至關(guān)重要的應(yīng)用而言，這可能帶來致命的危險。這種情況可以通過選擇適當(dāng)?shù)某上衿骺扉T、特殊的編程算法和照明來緩解。廉價的圖像傳感器通常使用卷簾快門，這會破壞快速移動的圖像。全局快門可能增加圖像傳感器的成本，但卻是適當(dāng)捕捉快速運動的必要功能。預(yù)測和準(zhǔn)備能力是判斷人類智力的兩大標(biāo)準(zhǔn)。人工智能應(yīng)用程序同樣如此。
機器視覺系統(tǒng)的新市場包括：
智能交通系統(tǒng)： 交通監(jiān)控、自動駕駛車輛、駕駛員安全輔助
安全與執(zhí)法： 安全監(jiān)控、攝像網(wǎng)絡(luò)、遙控感應(yīng)、水下和惡劣環(huán)境作業(yè)
生命科學(xué)： 農(nóng)業(yè)、林業(yè)、漁業(yè)、土木/建筑工程、商業(yè)、體育、時尚、家居等
多媒體： 數(shù)據(jù)庫存檔/檢索、文檔、文化/遺產(chǎn)、虛擬現(xiàn)實 (VR)/混合現(xiàn)實 (MR)/增強現(xiàn)實 (AR)、娛樂
生物醫(yī)學(xué)： 斷層掃描、內(nèi)窺鏡檢查、計算機輔助診斷、計算機輔助手術(shù)、計算解剖學(xué)、生物信息學(xué)、護理
人機交互： 面部/手勢/行為/步態(tài)/凝視分析、生物識別、可穿戴計算、第一人稱視覺系統(tǒng)
若要成功開發(fā)和實施機器視覺解決方案，關(guān)鍵是選擇值得信賴的技術(shù)合作伙伴，建立必要的硬件組件和軟件框架，提供視覺算法、攝像頭接口標(biāo)準(zhǔn)、高級分析、人工智能和機器學(xué)習(xí)。對于任何企業(yè)來說，都有可為之事和不可為之事。我們在此列出了開發(fā)現(xiàn)代機器視覺解決方案時需要考慮的 10 大注意事項。
1. 人工智能開發(fā)，數(shù)據(jù)質(zhì)量先行：機器視覺系統(tǒng)若要正常運行，需要獲取、處理、分析和理解圖像，而這些工作均需依靠人工智能完成。為 實現(xiàn)這種理解，首先需要編譯信息，亦即讓人工智能用來學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。訓(xùn)練數(shù)據(jù)質(zhì)量越好，人工智能的質(zhì)量就越好。由此也可以提高機器視覺系統(tǒng)的性能。如果訓(xùn)練數(shù)據(jù)質(zhì)量低劣或數(shù)量不足，將妨礙人工智能和機器視覺應(yīng)用取得成功。如果缺乏適當(dāng)?shù)挠?xùn)練數(shù)據(jù)，即使編程再好，人工智能也無法達(dá)到預(yù)期效果。
2. 功能不斷疊加，漸漸脫離初衷： 開始每個項目時，都要設(shè)定一系列合乎實際的期望和有望實現(xiàn)的目標(biāo)。人類大腦能夠同時處理來自五種感官的數(shù)據(jù)，并根據(jù)這些數(shù)據(jù)立即采取行動，這是真正意義上的一心多用。通過編程處理，機器通常能夠很好地完成單一任務(wù)，但在需要學(xué)習(xí)和執(zhí)行多項任務(wù)時，人工智能可能遇到困難。初始規(guī)劃階段，需要重點關(guān)注關(guān)系到成敗的主要功能。人工智能應(yīng)用的初始版本便執(zhí)行種類繁多的任務(wù)，可能會導(dǎo)致任務(wù)無法正確執(zhí)行，并導(dǎo)致初始結(jié)果滿意度欠缺。
3. 視覺的語言： 成功的機器視覺應(yīng)用不僅需要功能強大的硬件，還離不開高超的編程技能。編程可以采用人工智能框架和編碼語言的形式。人工智能框架可以簡化、加速人工智能應(yīng)用開發(fā)，包括機器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和自然語言處理 (NLP)。人工智能框架可以充當(dāng)人工智能系統(tǒng)的開發(fā)模板。與從頭開始開發(fā)人工智能應(yīng)用相比，這種方法的開發(fā)、部署和管理難度都大大降低。有幾種編程語言可以與人工智能配合使用，每種語言都有獨到的優(yōu)勢。其中包括 Caffe、Python、Pytorch、TensorFlow、C++、Lisp、Java、R、Prolog 和 Model Zoo
4. 選擇合適的硬件主器件：選擇運行機器視覺人工智能應(yīng)用程序的硬件時，存在諸多選項?，F(xiàn)場可編程邏輯門陣列 (FPGA)、圖形處理單元 (GPU) 以及微控制器 (MCU) 都各有所長。
FPGA: FPGA 是非常強大的處理單元，配置后可以滿足幾乎所有應(yīng)用程序的需求?？梢詣?chuàng)建定制的 FPGA 架構(gòu)來處理特定的應(yīng)用程序。與其他選項（如 GPU 和 CPU）相比，可以實現(xiàn)更高的性能、更低的成本和更好的能效。
GPU: GPU 是專用處理器，主要用于處理圖像和視頻。與 CPU 相比，其處理單元更簡單，但承載更多的內(nèi)核。因此，GPU 非常適合需要并行處理大量數(shù)據(jù)的應(yīng)用程序，例如圖像像素或視頻編解碼器。然而，GPU 也存在一些局限性：能耗高，同時由于使用 CUDA 和 OpenCL 等語言進行編程，靈活性不及 CPU。
CPUs: CPU 的核心數(shù)量有限，無法快速處理人工智能所需的大量數(shù)據(jù)。因此，CPU 僅適用于有效批量較小的小模型。CPU 的優(yōu)點是易于編程、成本較低，同時廣泛支持各類編程框架。
5. 圖像傳感器和照明： CMOS 傳感器的前照式 (FSI) 和背照式 (BSI) 技術(shù)取得了巨大的進步，即使在低光照水平下也可以獲得更高分辨率的圖像。適當(dāng)?shù)恼彰饕彩侵匾目紤]因素。所有照明性能的基礎(chǔ)都可以歸結(jié)為三種主要的圖像傳感器特性：量子效率 (QE)、暗電流和飽和容量。量子效率是設(shè)備為特定數(shù)量的入射光子所產(chǎn)生的電荷的比率。由于 QE 在不同的波長上會發(fā)生變化，因此最好將其繪制為波長的函數(shù)。由此，可以實現(xiàn)設(shè)備靈敏度的精準(zhǔn)測量。安裝在相機內(nèi)時，由于外部光學(xué)和電子效應(yīng)，相機的最大 QE 應(yīng)小于傳感器。
此外，暗電流和飽和容量也是機器視覺系統(tǒng)設(shè)計的重要考慮因素。暗電流測量 CMOS 成像器內(nèi)熱產(chǎn)生的電子數(shù)量變化，以及同時可能帶來的噪聲。飽和容量表示單個像素可以存儲的電子數(shù)。盡管這些參數(shù)通常未在相機制造商的數(shù)據(jù)表中說明，但可以與QE測量值一起，用以計算最大信噪比 (S/N)、絕對靈敏度和應(yīng)用的動態(tài)范圍。
適當(dāng)?shù)囊曈X照明有助于提高機器視覺應(yīng)用程序的準(zhǔn)確性和效率。視覺照明需要考慮的其他因素包括波長（例如紅外線）、固定照明甚至照明放置。研究證明，直接照射到機器視覺系統(tǒng)攝像機上的光源和反射物會降低物體檢測的準(zhǔn)確性。
6. 背景識別： 背景可能給機器視覺系統(tǒng)帶來特殊的問題。想象一下，安全系統(tǒng)無法偵察到壞人深色外套中的黑色槍支。同樣，工廠環(huán)境中的反光金屬物體也可能導(dǎo)致視覺檢測算法無法正常運行，從而出現(xiàn)此類困難。輔助算法可以通過關(guān)注電磁波 (EM) 光譜的不同波長（例如紅外和自適應(yīng)光）來緩解這種情況。
7. 對象的定位和方向： 人工智能可以幫助機器視覺解決方案識別從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的物體。如果您使用相同的物體但更改其方向，一些機器視覺系統(tǒng)就會出錯。這種情況可以通過為人工智能提供精確的訓(xùn)練集來緩解，但也會導(dǎo)致數(shù)據(jù)量變得密集。
8. 物體縮放： 我們分別從兩英尺遠(yuǎn)和 10 英尺遠(yuǎn)的距離看籃球時，知道兩次看到的是同一物體，只是距離不同。在這一點上，多樣化的訓(xùn)練集和人工智能的準(zhǔn)確測試有助于確保某個距離的物體可以被正確識別。鏡頭和焦距的選擇也直接影響到應(yīng)用程序的性能。大多數(shù)機器視覺系統(tǒng)都讀取像素值，但若要成功部署到移動應(yīng)用，縮放方面的考慮同樣不可或缺。
9. 物體變形： 機器視覺系統(tǒng)能夠識別存在微小偏差的同一物體，這種能力在機器視覺應(yīng)用中至關(guān)重要，特別是在交通和安全方面。對于應(yīng)用的準(zhǔn)確性和操作安全性而言，識別四肢有關(guān)節(jié)的行人極其重要。此處需要再次強調(diào)為人工智能學(xué)習(xí)提供高質(zhì)量訓(xùn)練集的必要性，但同樣導(dǎo)致數(shù)據(jù)量更密集。
10. 動作和運動： 快速運動/移動會給機器視覺系統(tǒng)帶來問題。對于安全性至關(guān)重要的應(yīng)用而言，這可能帶來致命的危險。這種情況可以通過選擇適當(dāng)?shù)某上衿骺扉T、特殊的編程算法和照明來緩解。廉價的圖像傳感器通常使用卷簾快門，這會破壞快速移動的圖像。全局快門可能增加圖像傳感器的成本，但卻是適當(dāng)捕捉快速運動的必要功能。預(yù)測和準(zhǔn)備能力是判斷人類智力的兩大標(biāo)準(zhǔn)。人工智能應(yīng)用程序同樣如此。
