机器视觉

机器视觉应用渐广2022年产值将超过140亿美元

机器视觉在工厂自动化系统中向来扮演重要环节,当初发展时,仅作为人类时觉的替代品,不过随着技术的提升,机器视觉在产线的应用逐渐加深,现在此技术的辨识速度与精度,以非人眼可比,根据研究机构指出,机器视觉到2022年全球产值将超过140亿美元,就目前发展来来看,未来几年的重点技术将包括机器人、3D视觉、工业感测器、影像处理技术、机器人控制软体或演算法、类人工智慧技术等方面,而在这些技术中,3D视觉和机器人将是主要关键。

在机器视觉发展初期,台湾厂商大多使用靠引进国外的机器视觉产品,再针对客户需求整合系统,后期工业电脑产业崛起,台湾相关厂商开始着重机器视觉的开发,再加上市场对工业智慧相机、图像撷取设备以及影像处理等产品及应用需求的增加,无论在技术或应用面,机器视觉都已有大幅成长。

不过近年来中国大陆的相关产业也迅速蓬勃,相关资料统计,目前中国的机器视觉企业已超过102家,机器视觉产品代理商超过200家,专业的机器视觉系统整合商超过50家,从光源、工业相机、工业镜头、影像撷取卡以及处理软体等所有机器视觉产业链渐趋完整。

2018工业和自动化领域的机器视觉市场分析

机器视觉是自动化革命的核心

工厂里正在进行一场悄无声息的革命。我们面临的变革力量与以前的工业革命时期发生的变化相似,但是这种变革力量不是蒸汽或电力相关技术。如今的发展趋势是自主性和按需生产,对人类和机器都是如此。工厂内部的转型升级是来源于自动化相关技术。

机器视觉(Machine Vision, MV)是这场自动化革命的核心。机器视觉相机市场将从2017年的20亿美元增长到2023年的40亿美元左右,复合年增长率(CAGR)为12%。自动化不仅限于机器人技术,还涉及制造周期的几乎所有机器。对质量的需求,促进了机器视觉在汽车、电子、半导体、食品和包装行业的发展。食品分拣是推动自动化发展的一个有趣例子。总体而言,分拣水果和食品的能力有助于增加农业食品的营收,特别是在亚洲市场。事实上,机器视觉已经“飞跃”工厂,现身于农场、牧场、道路和停车场(如车牌识别)等多种环境中。最近资本市场上最为火热的机器视觉领域非“自动驾驶汽车”莫属,Yole预计该机器视觉细分市场未来五年的复合年增长率将高达140%。

质量检测比人眼更快的机器视觉

机器视觉,或称基于影像的自动检测和分析,当涉及准确和可靠的产品检测时,拥有超越人类视觉的全面优势,且通常还结合了不同的技术。

人眼是个非常复杂的工具,但它也有局限性。例如,在检查产品时,机器视觉不仅更快且准确得多。而人眼是个特别复杂的工具,与大脑结合,使我们能够感知周围环境,即使目标的确切形状发生变化,也能够在瞬间辨识它们。

运用视觉感知来分析我们的环境,并有一个能够锐利聚焦特定区域的广阔视野。随着人类不断适应许多不同的刺激和环境以求生存,这些能力已经在几千年中逐渐演变进化。

但是,人类的视觉感受也有重要的局限性。首先,我们只有两只眼睛,它们反应太慢而无法详细看到快速移动的物体,而且它们只对光谱的有限部分敏感,眩光和反射也妨碍了长时间专注物体某些属性(如尺寸或颜色)的能力。另外,我们对于影像的感知和储存还是很主观,因此,难怪人眼无法进行准确测量,以至于它们不是验证产品质量的理想工具。

机器视觉:比人眼更可靠、更准确

自动驾驶系统:基于Zynq的实时物体检测

作者:Steve Leibson,编译:Stark

最近几年关于自动驾驶汽车的新闻不断出现在头条新闻,各大传统汽车制造商与互联网公司结合纷纷杀入自动驾驶这个“蓝海”市场,与其说这是汽车行业所经历的一场巨大革命,倒不如说是人工智能(AI)的兴起,自动驾驶的根本原理就是利用机器视觉系统。当然自动驾驶汽车的发展也是一步一步的并且需要经验的积累,目前我们看到特斯拉、百度等厂商都推出了辅助自动驾驶系统,还远远没有实现完全的自动驾驶,此外自动驾驶汽车真正上路还必须得到国家机动车管理部门的政策许可,因此不得不承认自动驾驶汽车还有很长的一段路要走。(图1:自动驾驶汽车要能够实时感知路况信息)

机器视觉技术可以应用于自动驾驶系统中实现路况信息的采集和检测,其中CNN(卷积神经网络)在机器视觉系统中用于图像处理具有压倒性的优势。CNN网络根据复杂度可以划分为很多个“网络层”,典型的卷积神经网络可以划分为卷积层、池化层和全连接层,它能够将数量庞大的图像识别问题进行不断的降维处理,最终被训练后用于高效的图像识别。

【视频】PBX:硬件加速的智能机器视觉产品

本视频由厦门瑞为信息技术有限公司(Reconova)带来。瑞为公司主要提供面向智能家电、智能零售及智能安全应用开发基于机器视觉的智能传感产品。赛灵思 Zynq SoC 帮助瑞为公司在芯片上设计了一款整体智能摄像头,不仅可以使用硬件对其智能视觉算法进行加速,而且还可促进降低功耗和成本。

CPU vs FPGA?图像处理谁更“应景”?

作者:Brandon Treece,NI总部数据采集和控制产品市场经理

机器视觉在工业自动化系统中的应用已经有一定的历史,它取代了传统的人工检查,提高了生产质量和产量。 我们已经看到了相机在计算机、移动设备和汽车等日常生活设备中的迅速普及,但是机器视觉的最大进步莫过于处理能力。随着处理器的性能以每两年翻一番的速度不断提升,以及多核CPU和FPGA等并行处理技术日益受到关注,视觉系统设计人员现在可以应用复杂的算法来可视化数据,并创建出更加智能的系统。

性能的提高意味着设计人员可以获得更高的数据吞吐量,从而实现更快速的图像采集,使用更高分辨率的传感器,并充分利用市场上具有最高动态范围的一些新款相机。性能的提高不仅可让设计人员更快速地采集图像,而且还能更快速地处理图像。预处理算法(如阈值和滤波)或处理算法(如模式匹配)也可以更快速地执行。最终设计人员能够比以往更快地基于可视化数据制定决策。

德州奥斯汀NI总部数据采集和控制产品市场经理,主要负责机器视觉领域的Brandon Treece认为,随着视觉系统越来越多地集成最新一代多核CPU和强大FPGA,视觉系统设计人员需要了解使用这些处理元件的好处和得失。他们不仅需要在正确的硬件上运行正确的算法,还需要了解哪些架构最适合作为其设计的基础。

机器视觉行业的现状和未来

实现“中国制造2025”,完成从制造大国向制造强国的转变,智能制造是主攻方向。在智能制造过程中,机器视觉主要用计算机来模拟人的视觉功能,也就是把客观事物的图像信息提取、处理并理解,最终用于实际检测、测量和控制。随着智能制造的愈演愈烈,市场对于机器视觉的需求也将逐渐增多。

机器视觉可说是工业自动化系统的灵魂之窗,从物件/条码辨识、产品检测、外观尺寸量测到机械手臂/传动设备定位,都是机器视觉技术可以发挥的舞台。而为了因应层出不穷的新应用需求,工业相机的设计也出现新的发展方向。

全球机器视觉系统及部件市场空间(亿美元)(来源:前瞻产业研究院)

全球机器视觉系统及部件市场空间(亿美元)(来源:前瞻产业研究院)

作者:蒙面侠客

在科技发展的潮流中,我们不仅需要更好的功能,更需要更好的用户体验。关于汽车我们需要自动驾驶,关于机器人我们需要他们能够像人类一样能够看清周围的世界,关于我们自己我们需要更好的视觉盛宴,这些需求都可以在强大的硬件平台下实现。探寻一款硬件,并找到相应的开发工具链是很有必要的。

神经网络会成为机器视觉的未来趋势吗?

作者:Peter Behringer /Dr. Florian Hoppe

什么是神经网络?为什么它会成为工业图像处理系统的热点话题?因为神经网络不仅使开发人员从复杂的差异化标准界定程序中解脱出来,还能够自主识别并学习这一标准,并将这一“能力”应用于精确的任务中。但神经网络并不能保持持续可靠地运作,也无法主动实现与时俱进的更新。它们必须先接受专业且深入的培训。本文详细描述了应该如何进行这一培训,所需的准备工作以及与建立神经网络有关的各个开发步骤。

1 简介
1.1 苹果和梨
有人说苹果和桔子根本不具备可比性,而如果谈及机器视觉系统的话,苹果和梨这一组合似乎也找不到任何共同点。即便如此,我们仍然急切地需要能够精确处理不同任务的系统,类似能够基于图像数据区分两种不同类型水果的任务。

视觉导向应用中的可扩展解决方案

作者:前赛灵思机器视觉市场战略总监Aaron Behman

在这篇文章中,前赛灵思机器视觉市场战略总监Aaron Behman 针对嵌入式视觉方面的问题进行了介绍,并解读了赛灵思 All Programmable Zynq® SoC 的独特解决方案。希望能为读者了解该领域的问题有所帮助。

一、嵌入式视觉四大普遍趋势

嵌入式视觉可划分为两个高级类别;感知环境和采取行动。视觉导向的机器人和无人机属于后面的采取行动类。

在民用领域,目前无人机是商业、医疗、农业、广播和执法应用中最热门的话题之一。对许多这样的应用,无人机可提供显著的优势。在广播和执法领域,无人机能够以低得多的成本提供之前需要直升机才能提供的能力。无人机还能执行预订服务,例如即将推出的 Amazon Prime 交货服务,或者如乌干达偏远地区的医疗产品交货服务。在农业应用中,无人机能使用高光谱成像来判断作物的健康状况。而这些应用,只不过是目前已经在使用或正在考虑使用无人机技术应用的冰山一角。

同步内容