工業4.0（又名工業物聯網）和智能工廠等當前的技術趨勢正在深刻地改變工業價值創造過程，其特點是更高程度的數字化，連通性和自動化。

所有涉及的組件，包括機器，機器人，傳輸和處理系統，傳感器和圖像采集設備，始終如一地聯網并通過各種協議相互通信。機器人技術的創新趨勢也正在改變工業生產的面貌。新一代更小，更緊湊，更具移動性的機器人正在塑造高度自動化的裝配車間的形象。協作機器人與他們的同事分享某些任務，緊密合作，甚至經常將工件交給彼此。

此外，機器視覺已成為這種通用自動化生產方案中不可或缺的一部分。該技術在這方面發揮了關鍵作用：在不同位置張貼的許多圖像采集設備（如相機，掃描儀和3D傳感器）無縫記錄生產過程。然后，集成的機器視覺軟件處理生成的數字圖像數據，并使其可用于生產鏈中的眾多應用程序。

例如，該軟件可以基于光學特征明確地識別許多不同的物體并精確地定位和對準工件。該技術還支持故障檢查：可靠地識別并自動拒絕有缺陷的產品。作為“生產之眼”，機器視覺廣泛監控整個生產情況，從而使過程更安全，更有效。這尤其適用于協作之間的相互作用及其與人類的相互作用。

與此同時，機器視覺算法也在嵌入式平臺上運行并進行優化，這一點變得越來越重要。當兩個技術世界彼此無縫集成時，這被稱為嵌入式視覺。在工業4.0的背景下，使用帶有集成嵌入式軟件的緊湊型設備，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，正在顯著增加。它們在工業環境中激增的原因是，今天的設備配備了具有長期可用性的高性能工業級處理器。

現代嵌入式視覺系統能夠滿足數字化的巨大需求，尤其是當它們配備人工智能（AI）時。 這些基于AI的技術包括例如深度學習和卷積神經網絡（CNN）。這些方法的特別之處在于它們能夠實現極高且強大的識別率。

在深度學習過程的情況下，首先使用諸如由圖像獲取設備生成的大量數字圖像數據來訓練CNN。在此培訓過程中，自動學習特定“類”的典型特征 - 包括例如特定對象屬性和區別特征。基于訓練結果，可以精確地分類和識別要識別的對象，之后可以將它們直接分配給特定的類。利用深度學習技術，不僅可以對對象進行分類，而且可以精確地對對象和故障進行定位。

在嵌入式視覺應用中使用深度學習

如今，深度學習功能已經在許多嵌入式視覺應用中得到應用。所有這些應用程序的共同點是它們通常會生成大量數據，并且經常涉及非工業場景，例如自動駕駛。相關車輛已經配備了許多傳感器和攝像頭，可以從當前的交通狀況中收集數字數據。集成視覺軟件借助深度學習算法實時分析數據流。

例如，這使得可以識別情況，處理他們的信息，并使用它來精確地控制車輛 - 這使得自動駕駛成為可能。基于深度學習的嵌入式視覺技術也經常用于智能城市環境中。在大城市，某些基礎設施過程，如街道交通，照明和電力供應，以數字網絡化，以便為居民提供特殊服務。最后，這些技術被用于智能家居應用，例如，數字語音助手和機器人真空吸塵器。

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境中的優勢是什么？繁瑣的手動特征提取不再是必需的。深度學習算法能夠自動地從訓練數據中學習特定的區別特征，例如紋理，顏色以及灰度等級，并根據相關性對它們進行加權。通常，這項任務必須由經過培訓的機器視覺專家手動執行，這使得它非常耗時且成本高昂。

對象特征通常非常復雜，人類幾乎不可能解釋。另一方面，從訓練數據中自動學習區分標準節省了大量的努力，時間和金錢。深度學習的另一個好處是，也可以區分更抽象的對象，而傳統的手動方法只能對可以清楚描述的對象進行分類。這包括具有更復雜，精致結構或出現在極其嘈雜背景下的物體。在大多數情況下，人類將無法辨別這些對象中任何明確的，有區別的特征。

由于訓練需要極高的計算能力，因此復雜的神經網絡在具有高端圖形處理器的相應功能強大的PC上進行訓練。但是，經過全面培訓的網絡也可用于大量嵌入式設備，這意味著緊湊，強大的嵌入式視覺解決方案也可以從最高的識別率中受益。

基于AI的技術（如深度學習和CNN）變得越來越重要，特別是在高度自動化的工業4.0環境中。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。如果算法還對相關的嵌入式平臺如ARM運行?流程架構，魯棒機器視覺軟件的AI功能的整個范圍內可以在緊湊的設備上使用。

fqj