影響機器視覺檢測行業(yè)的最新技術趨勢包括嵌入式視覺，深度學習和不可見光成像的有效性。

  隨著技術的進步和智能工廠的發(fā)展，機器視覺檢測設備在過去十年中發(fā)生了巨大變化。預計到2022年，全球視覺檢測設備市場將增長近一倍，達到136.2億美元，因為行業(yè)對質量檢測的要求增加了。亞太地區(qū)將繼續(xù)成為全球最大的市場，到2022年將占收入的38.4％。在技術，靈活性，效率和準確性方面表現(xiàn)出高度創(chuàng)新的外觀檢測供應商將在不斷發(fā)展的市場中取得最大的成功。

     盡管全球經(jīng)濟的不確定性將影響外觀檢測行業(yè)，但行業(yè)協(xié)會和專家普遍認為這不會造成嚴重損害。借助深度學習軟件，嵌入式視覺等硬件平臺有望蓬勃發(fā)展，工廠級別的傳統(tǒng)應用程序也將保持強勁增長。那么，下面我們來看下影響視覺檢測行業(yè)的三大趨勢。

一、嵌入式視覺將繼續(xù)增長

       得益于越來越多的行業(yè)應用程序的支持，嵌入式視覺將繼續(xù)快速增長，例如自動駕駛，生命科學，消費電子，邊境監(jiān)控和農業(yè)等。

       處理能力大大增強，內存變得非常便宜。用戶可以選擇一個非常小的相機，并使用來自不同來源的云數(shù)據(jù)。將這些因素與機器學習結合在一起時，如果使用單獨的軟件包，則具有內在的愿景。

      客戶希望系統(tǒng)集成商為其開發(fā)整個嵌入式視覺系統(tǒng)。嵌入式視覺使智能相機達到了其最初的意圖，即在非常小的外殼內，盡可能靠近圖像傳感器以進行圖像處理視頻分析。為了響應嵌入式視覺市場，我們開發(fā)了為了在低成本，低功耗平臺（從攝像機設計到FPGA編程）中快速提供特定于應用程序的解決方案，該平臺可以集成人工智能和深度學習功能。

     為客戶設計一個有吸引力的系統(tǒng)是嵌入式視覺的最大挑戰(zhàn)。通過低成本，低功耗的設備，可以將外觀檢測中客戶的所有功能都置于很小的尺寸中，這是一項艱巨的任務。向消費者介紹完全不同的硬件解決方案并非易事，但最終希望是，客戶將以某種方式生產更多對用戶更友好，更小且最終成本更低的產品。

     在許多使用案例中，傳統(tǒng)的視覺檢測無法與嵌入式視覺競爭。

二、深度學習的更多應用

        用于視覺檢測的深度學習一直處于顛覆性技術的最前沿。如果您涉足視覺檢測行業(yè)，您可能已經(jīng)看到了該軟件如何與深度學習算法相集成以及如何快速產生結果。這些系統(tǒng)可以運行數(shù)千個排列，并且在識別和歷史記錄以及其他應用程序的視覺檢查中具有100％的準確性。

        深度學習將對傳統(tǒng)的圖像分析方法產生深遠的影響。這不僅將改變我們生產的產品，還將改變我們與客戶互動的方式。深度學習將在解決傳統(tǒng)視覺檢測無法解決的應用程序中發(fā)揮重要作用。例如，在冷凍干燥的小瓶中檢測疫苗時，每次的結果差異很大，主要取決于它們的干燥方式。采用傳統(tǒng)的檢測過程非常具有挑戰(zhàn)性，因為在某些情況下，可能是粒子看起來與裂縫非常相似，而深度學習有助于區(qū)分這種細微的差異。

三、提高不可見光成像的效率

         盡管深度學習可能是從圖像中收集信息的最新方法，但這并不是唯一的選擇。短波紅外相機和照明的進步提高了不可見成像的效率。在這些更高波長的環(huán)境中，您可以實現(xiàn)更多應用，例如發(fā)現(xiàn)飛機機翼復合材料內部的缺陷。我們現(xiàn)在將高功率SWIRLED引入高速視覺檢查應用市場。

        對高光譜成像的需求不斷增長。當您在大范圍內觀察數(shù)百個光譜條以檢測物體之間的細微差異時，您需要一個寬帶光源。這將使我們減少使用LED的數(shù)量，并創(chuàng)建模擬鹵素燈光源的寬帶。

外觀檢測面臨的挑戰(zhàn)

         智能傳感器，智能相機和可配置視覺系統(tǒng)已大大消除了開發(fā)視覺檢測系統(tǒng)的需求。當今最常見的應用是通過即用型即插即用技術完成的。在過去的十年中，智能相機變得越來越強大，照明公司提供的產品范圍也不斷擴大。但是，隨著軟件功能的增強和價格的不斷下降，軟件包的互聯(lián)和標準化仍然存在問題。

        不同的公司對同一事物使用不同的術語。甚至像以太網(wǎng)這樣的標準化通信在公司之間也存在巨大差異，并且在視覺行業(yè)也沒有真正推動開放軟件標準的推動。

        當今的視覺產品可以滿足大多數(shù)應用的需求。隨著技術和客戶需求的發(fā)展，系統(tǒng)集成商必須保持清醒。例如，在3D影像市場中，硬件創(chuàng)新先于軟件創(chuàng)新。

       盡管有很多3D傳感器和攝像機可供使用，例如激光三角測量，帶有偽隨機碼型發(fā)生器的立體聲傳感器等，但是為了實現(xiàn)快速的系統(tǒng)開發(fā)，開發(fā)工具鏈有很大差距。

       例如，許多OEM當前使用開放式標準3D傳感器，從頭開始編寫程序應用程序，或使用“封閉式”系統(tǒng)進行工具配置，這通常很昂貴。高速機載圖像處理可能需要具有現(xiàn)場可編程門陣列（FPGA）的3D傳感器，從而使非FPGA程序員可以在軟件包中部署3D圖像處理算法。

       另一個挑戰(zhàn)是從人工智能和深度學習中獲取信息的能力。最大的挑戰(zhàn)是區(qū)分炒作與實質。現(xiàn)實情況是“許多人工智能和深度學習算法有時太麻煩了。

      盡管視覺檢測應用程序受益于深度學習算法，但是這些算法不能解決所有問題。與傳統(tǒng)編程相比，當人們想達到99％以上的準確性所需的努力時，這一點尤其明顯。盡管如此，這項技術確實占有一席之地，并將在未來幾年繼續(xù)發(fā)揮重要作用。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯(lián)系我們刪除（QQ: 2737591964），不便之處，敬請諒解！