當前的嵌入式開發(fā)技術趨勢，如工業(yè)4.0(又稱工業(yè)物聯(lián)網(wǎng))和智能工廠，正在深刻地改變工業(yè)價值創(chuàng)造過程，其特征是更高程度的數(shù)字化、連接性和自動化。所有涉及的組件，包括機器、機器人、傳輸和處理系統(tǒng)、傳感器和圖像采集設備，都始終聯(lián)網(wǎng)，并通過各種協(xié)議相互通信。

機器人技術的創(chuàng)新趨勢也正在改變工業(yè)生產(chǎn)的面貌。新一代更小、更緊湊、移動性更強的機器人正在塑造高度自動化裝配車間的形象。協(xié)作機器人(cobots)與他們的人類同事分擔某些任務，密切合作，甚至經(jīng)?；ハ鄠鬟f工件。此外，cobots可以快速靈活地進行重組，使它們能夠用于各種生產(chǎn)任務。

機器視覺已經(jīng)成為這種普遍自動化生產(chǎn)場景中不可或缺的一部分。這項技術在這里發(fā)揮了重要作用：許多圖像采集設備——如相機、掃描儀和3D傳感器——分布在不同的位置，無縫記錄生產(chǎn)過程。然后，集成機器視覺軟件處理生成的數(shù)字圖像數(shù)據(jù)，并將其用于生產(chǎn)鏈中的眾多應用。例如，該軟件可以根據(jù)光學特征明確識別許多不同的物體，并精確定位和對齊工件。該技術還支持故障檢測：缺陷產(chǎn)品被可靠識別并自動剔除。作為“生產(chǎn)的眼睛”，機器視覺廣泛地監(jiān)控整個生產(chǎn)情況，從而使過程更加安全和高效。這尤其適用于機器人之間的相互作用以及它們與人類的相互作用。

緊湊型設備變得越來越普遍

與此同時，機器視覺算法在嵌入式開發(fā)平臺上運行并針對嵌入式平臺進行優(yōu)化也變得越來越重要。當這兩個技術世界彼此無縫集成時，這就是所謂的嵌入式視覺。在工業(yè)4.0的背景下，集成嵌入式軟件的緊湊型設備的使用正在顯著增加，特別是智能相機、移動視覺傳感器、智能手機、平板電腦和手持設備。它們在工業(yè)環(huán)境中激增的原因是，今天的設備配備了長期可用的高性能工業(yè)級處理器。這種處理器還使他們能夠執(zhí)行復雜的機器視覺任務——前提是他們擁有強大而健壯的機器視覺軟件。為了讓這款軟件能夠無錯運行，它必須與各種各樣的嵌入式平臺兼容，并針對這些平臺進行優(yōu)化，包括流行的Arm?處理器架構。MVTec就是一個很好的例子。其最新發(fā)布的HALCON標準機器視覺軟件HALCON18.11可以輕松地在這些平臺上運行，無論是64位還是32位。對用戶的好處：通常只在固定電腦上運行的強大機器視覺功能也可以在所有緊湊型設備上使用。

現(xiàn)代嵌入式視覺系統(tǒng)能夠滿足數(shù)字化的巨大需求——尤其是當它們配備了人工智能(AI)時。這些基于人工智能的技術包括，例如，深度學習和卷積神經(jīng)網(wǎng)絡(CNN)。這些方法的特別之處在于它們能夠?qū)崿F(xiàn)極高且穩(wěn)健的識別率。

在深度學習過程的情況下，大量的數(shù)字圖像數(shù)據(jù)，例如由圖像采集設備生成的數(shù)據(jù)，首先用于訓練CNN。在這個訓練過程中，特定“類”的典型特征被自動學習，例如，包括特定對象屬性和區(qū)別特征。基于訓練的結果，待識別的對象可以被精確地分類和識別，之后嵌入式開發(fā)人員可以將它們直接分配到特定的類別。利用深度學習技術，不僅可以對對象進行分類，還可以精確定位對象和故障。

在嵌入式視覺應用中使用深度學習

今天，深度學習功能已經(jīng)用于許多嵌入式視覺應用中。所有這些應用的共同點是，它們通常會生成大量數(shù)據(jù)，并經(jīng)常涉及非工業(yè)場景，如自動駕駛。相關車輛已經(jīng)配備了大量的傳感器和攝像頭，從主要的交通狀況中收集數(shù)字數(shù)據(jù)。集成視覺軟件在深度學習算法的幫助下實時分析數(shù)據(jù)流。例如，這使得識別情況、處理信息并利用信息精確控制車輛成為可能——這是自動駕駛成為可能的首要原因?；谏疃葘W習的嵌入式視覺技術也經(jīng)常用于智能城市環(huán)境中。在大城市，為了向居民提供特殊服務，某些基礎設施過程，如街道交通、照明和電力供應被數(shù)字化地網(wǎng)絡化。最后，這些技術用于智能家居應用，例如數(shù)字語音助理和機器人吸塵器。

機器視覺過程的自動化

那么深度學習技術在嵌入式和機器視覺環(huán)境下有什么優(yōu)勢呢?

不再需要繁瑣的手動特征提取。深度學習算法能夠從訓練數(shù)據(jù)中自動學習特定的區(qū)分特征，如紋理、顏色以及灰度等級，并根據(jù)相關性對它們進行加權。通常，在嵌入式開發(fā)中，這項任務必須由訓練有素的機器視覺專家手動執(zhí)行，這非常耗時且成本高昂。

物體的特征通常非常復雜，人類幾乎無法解釋。另一方面，從訓練數(shù)據(jù)中自動學習區(qū)分標準節(jié)省了大量的精力、時間和金錢。深度學習的另一個好處是，它還可以區(qū)分更抽象的對象，而傳統(tǒng)的手動方法只能對可以清晰描述的對象進行分類。這包括具有更復雜、更精細結構的物體，或者在極其嘈雜的背景下出現(xiàn)的物體。在大多數(shù)情況下，人類無法辨別這些物體中任何明確的、可區(qū)分的特征。

因為訓練需要極高的計算能力，所以復雜的神經(jīng)網(wǎng)絡是在具有高端圖形處理器的相應強大的PC上訓練的。然而，訓練有素的網(wǎng)絡也可以用于大量嵌入式設備，這意味著緊湊、魯棒的嵌入式視覺解決方案也可以受益于最高的識別率。

結論

深度學習和CNN等基于人工智能的技術正變得越來越重要，特別是在高度自動化的工業(yè)4.0環(huán)境中。這就是為什么它們目前是最先進的機器視覺解決方案的重要組成部分。如果算法也運行在諸如Arm的相關嵌入式開發(fā)平臺上?過程架構，強大的機器視覺軟件的整個人工智能功能范圍可以在緊湊型設備上使用。