| ▲ 关 注 我 们 ，让 物 流 更 简 单！ 来源 | Soo56 (ID:WxSoo56) 编辑 | popo 关键字：机器视觉,嵌入式视觉技术, 全文约3196字, 4图, 阅读需要15分钟 （这是一篇读起来生涩，却能促进物流行业发展的技术文！） 传统的视觉架构正在发生变化，从相机和传感器演变为网络化和智能化的紧凑型嵌入式设备，且具有实时分析所需的处理能力。  嵌入式视觉为机器人应用带来了新的处理能力和扩展的数据源，该领域的一个关键进展是智能成像设备和边缘处理。 传统上，机器人上的摄像头或传感器会将数据传回中央处理器进行决策。这种方法对带宽提出了挑战，尤其是在集成了许多图像和数据源的新应用程序。同时，组件成本、尺寸、重量和功率也是机器人应用中的重要设计障碍。 目前，我们正看到智能设备的发展绕过了传统的摄像头，转而采用传感器和紧凑的处理板。智能设备支持边缘计算，接收和处理数据，做出决策，然后将数据发送到其他设备，或本地或基于云的处理和分析。 本地决策大大减少了需要传输回中央处理器的数据量；减少带宽和延迟需求，同时为更复杂的分析任务保留中央CPU处理余量。紧凑的智能设备还允许位于系统中不同位置的机器人，通过分布式架构提供可伸缩性。  智能集成传感器装置和被处理基板的紧凑、低成本的方式将机器人技术应用于边缘处理。 随着机器人技术的改变，嵌入式视觉技术有哪些新的需求? 传统的视觉架构正在发生变化，从摄像头和传感器到网络化、智能化、紧凑的嵌入式设备，这些设备具备实时分析所需的处理能力。这尤其适用于机器人技术，在机器人技术中，重复化和自动化的过程——例如在取放系统中的边缘检测——是嵌入式处理的理想方法。 Pleora是如何应对这些新挑战的? pleora总部设在加拿大渥太华，是全球领先的联网和机器视觉传感器设备商。协助创建和GigE Vision，USB3 Vision，genicam 标准。近年来， pleora 的重点已经扩展到传感器网络、嵌入式硬件和软件，包括用于机器人技术。 我们看到，在机器人内部，传感器网络正在演变为一个由“智能设备”组成的网络，这些“智能设备”通过网络连接在一起，通过不断传递处理过的数据来实现“更智能”的机器人应用程序。 随着工业自动化系统向网络化环境发展，我们看到了硬件和软件技术的巨大机遇。 传统上，我们提供一个外部帧捕获器来将图像提要转换为GigEVision或USB3 Vision，而现在，它是一个“智能设备”，可以分析数据并在将信息传递到下一个设备进行进一步处理之前做出决策。软件也将在机器人领域发挥关键作用，成本和规模是关键需求。 当我们展望自动化制造车间时，一个经常被忽视的因素是确保所有这些设备都能使用一种共同的语言。例如，我们开发了软件技术，可以将任何图像或数据传感器转换成GigE视觉设备。 这使得紧凑、低成本的智能设备能够彼此无缝通信，并返回到本地或云处理。这方面的一个例子是3D检测，例如在汽车市场上，机器人手臂上的传感器用于识别制造过程中的表面缺陷和不连续点。 今天，设计师们想要将这些传感器的图像转换成GigE视觉，这样他们就可以使用传统的机器视觉处理来进行分析。 展望未来，集成检查系统以便共享数据和分析具有明显的价值。 这些3D传感器体积小，功耗低，通常是移动检测系统的一部分，这意味着没有额外的硬件空间，比如帧捕捉器。通过软件方法，这些设备可以作为“虚拟GigE传感器”出现，以创建无缝集成的网络。 对数据的日益重视也将影响机器人系统的设计。图像和数据传感器仍将在收集支持基于云的分析所需的大量信息方面发挥重要作用。需要将大量潜在敏感的高带宽传感器数据传输到云，以帮助推动新领域的技术发展，如无损压缩、加密、安全、更高带宽和无线传感器接口。 如何看待云技术在推动机器人发展方面的作用? 云计算——以及对更广泛数据集的访问——将在将机器学习和人工智能引入机器人方面发挥重要作用。机器人可以通过从收集的数据中提取算法来进行决策，而不是依赖于基于规则的编程。从专门构建的检查系统演化而来，我们可以看到“学习系统”，它适应并发现新的缺陷类型，或者基于对更广泛的数据集的访问执行新的功能。 对于机器人行业来说，廉价的云计算意味着，由于专用的基础设施需求，曾经在计算上过于昂贵的算法现在可以负担得起了。对于对象识别、检测和分类等应用程序，曾经需要大量计算资源的过程的“学习”部分现在可以在云中进行，而不是通过专用的、拥有的和昂贵的基础设施进行。成像系统需要的处理能力可以精确地反复模拟人类的理解、学习新的过程、识别甚至纠正缺陷，现在任何系统设计人员都可以做到这一点。 由于云计算，而不是“拥有”图像处理能力，最终用户可以访问数百万个系统和设备共享的数据，以帮助支持持续的流程和生产改进。  基于云的处理使机器人应用程序能够访问更广泛的数据集，并帮助引领机器学习和成像应用程序的人工智能。 机器学习呢？如何帮助机器人向前发展? 展望机器学习和人工智能，自然发展将开发一个充分利用云的过程。理想情况下，机器人将拥有无限的远程访问实时数据的能力，这些数据可用于不断优化智能。除了识别物体，机器人系统还可以通过编程来预测和理解模式，知道下一步该做什么，然后执行。 网络就绪和智能成像资源的结合，以及不断进化和改进的算法，将使机器人技术进入工业4.0和物联网的初始阶段。  使用软件，机器人设计师可以将传感器转换为虚拟GigE Vision设备，该设备可以与其他设备无缝通信以及本地和基于云的处理。 在机器人领域成功实现云计算和高级机器学习有哪些关键挑战? 共享数据的概念对于vision行业来说是一个全新的概念。通过一种可伸缩的基于云的方法来学习新的数据集，可以不断更新和改进处理算法以提高效率。 作为向云处理和高级机器学习发展的一部分，我们将认识到数据所有权和分析服务越来越重要。真正的价值是来自全球事件源的大量数据集，这些数据集可以帮助快速训练计算机模型，以识别对象、缺陷和缺陷，并支持向自主学习机器人系统的迁移。 我们在视觉系统中定位智能的位置也会发生变化。以前，机器人系统设计人员必须将高带宽、低延迟的视频从传感器源传输到集中的PC机进行处理和分析。如今，以智能嵌入式设备的形式，越来越复杂的处理可以发生在离传感器非常近的地方，或者在传感器本身的位置。 在研究技术开发时，经常忽略的一个领域是最终用户。即使在我们考虑机器学习和机器人的人工智能时，也经常会有人类操作员参与这个过程。在我们的产品开发中，我们一直在集中精力考虑最终用户——无论是系统集成商还是装配线上的技术人员——以确保我们提供了一个简单的解决方案，能够解决真正的用户问题，而不会给他们的日常任务增加复杂性。 展望未来5年，嵌入式视觉及其在机器人领域的应用有哪些进步? 传感器和嵌入式技术将继续变得更小、更便宜、更强大——这些都是机器人行业的关键优势。我们已经认识到边缘处理对于机器人应用程序中的基本任务的好处，并且随着更强大的嵌入式技术的引入，这种优势还将继续扩大。 随着传感器技术变得更加容易获得，工业4.0的一个趋势是提高3D、高光谱和红外检测能力。作为工业4.0解决方案的一部分，“高清晰度检测”将利用不同的传感器、边缘处理和无线传输来加速检测、提高质量和提高自动化程度。然而，每种传感器类型都有自己的接口和数据格式，这意味着现在的设计人员无法轻松地创建“混合和匹配”系统来从先进的传感器功能中获益。将需要新的软件技术将传统视频图像与3D、高光谱和红外数据融合，以创建机器人过程的增强视图。 END. 注：文章为作者独立观点，不代表Soo56立场  ▽ 延伸阅读     ▼ 有需求 找方案 ？ 点击原文阅读，立即发布需求 或 库猫管家（微信：185 0073 8832） 好方案，寻报道 ？ 发邮件至 zhangxy@soo56.com 或 微信：185 0073 8856  ▼ 点击原文阅读，立即发布需求!  ---------------------------------------------------------------------------------------------------------------------- 我们尊重原创，也注重分享，文章来源于微信公众号：物流搜索，建议关注公众号查看原文。如若侵权请联系qter@qter.org。 ---------------------------------------------------------------------------------------------------------------------- |
Copyright © 2001-2019 Comsenz Inc. Powered by Discuz! X3.4 ICP证: 冀ICP备10016221号-2
