BitFlow 确定了 2023 年五种机器视觉趋势

时间：2024-01-18  来源：青岛科美创视智能科技有限公司   浏览次数：162次

   机器视觉充当工厂的眼睛，利用成像技术捕获视觉信息以进行分析和快速决策。机器视觉最常见的用途是检测缺陷、对物体进行分类、定位和测量零件以及引导自动化机器人进行生产控制。

   如今，全球机器视觉市场规模超过 140 亿美元。机器视觉相机、镜头、图像采集卡、处理器和软件的年增长率约为 8%，而且没有放缓的迹象。

   图像采集卡制造商BitFlow预测，以下发展将有助于塑造 2023 年的机器视觉，进而为系统集成商和在工厂车间部署机器视觉的制造商带来新的机遇。

   持续增长

   COVID-19 大流行迅速增加了机器视觉技术在各行各业的采用，依靠自动化来解决持续的劳动力短缺问题的公司加速了这一趋势。由于包括全球供应链问题在内的诸多因素阻碍了生产计划，预计这一步伐将在 2023 年持续下去。受供应短缺影响的制造商正在用内部生产的组件取代离岸供应商，这些组件需要新的视觉检测系统。

        

   更先进的传感器

   新型成像传感器使机器视觉系统能够识别更小、更复杂且公差极其严格的零件中的缺陷。传感器的进步在多光谱、紫外线、短波红外和高光谱设计领域不断涌现。最终，更强大的传感器将产生对更高性能组件的需求来支持它们，例如照明系统和图像采集卡。

        

    CoaXPress Over Fibre

    更新后的 CoaXPress 2.0 接口支持高分辨率相机和主机 PC 之间更快、更可靠的数据传输。CoaXPress 2.0 提供高达 12.5 Gbps 的传输速度，提升了机器视觉应用的水平，同时降低了系统复杂性和成本。CoaXPress 的下一步是利用光纤布线的优势来替代同轴电缆。作为 CoaXPress 2.0 协议的扩展，CoaXPress over Fiber (CXPoF) 为硬件和软件提供通用GeniCam编程接口，并且独立于任何操作系统，使得从同轴升级到光纤变得简单。

        

    深度学习

    通过模仿人脑处理视觉输入的方式，深度学习将机器视觉带入需要做出高度主观决策的工业应用中，例如，图像中存在细微变化的地方，例如灰尘的存在或何时区分非常相似的物体。另外，就像大脑一样，它通过不断分析数据来“学习”或自我训练，从而创建好部分和坏部分的模型。卷积神经网络 (CNN) 处理大量数据集，特别是通过使用复杂的算法而不是完全基于规则的静态算法。深度学习代表了传统机器视觉的替代方案，虽然目前它在很少的应用中部署，但它有潜力提供巨大的商业价值。

        

    云计算

    机器视觉需要低延迟的高速、实时处理。现阶段，云计算很难实现这一点，因此通常使用边缘计算来缩短收集数据和处理之间的距离。然而，这种情况即将改变。尽管仍处于实验阶段，但使用机器视觉的公司已开始借助云计算的力量来处理其系统生成的大量图像数据流。上传速度的提高使云计算成为存储和共享数据以及可能很快成为 3D 分析、深度学习和人工智能的实用决策。

    除了减轻人类手动检查产品的责任之外，机器视觉还有越来越多的其他用途，包括运输、自动驾驶汽车、研究科学，以及在仓库中使用摄像头检查库存并在必要时自动订购补货。这里列出的创新将使这些用例以及更多用例受益，就像机器视觉服务的传统工业应用一样。