如何在嵌入式视觉应用中使用深度学习

工业4.0（又名工业物联网）和智能工厂等当前的技术趋势正在深刻地改变工业价值创造过程，其特点是更高程度的数字化，连通性和自动化。

所有涉及的组件，包括机器，机器人，传输和处理系统，传感器和图像采集设备，始终如一地联网并通过各种协议相互通信。机器人技术的创新趋势也正在改变工业生产的面貌。新一代更小，更紧凑，更具移动性的机器人正在塑造高度自动化的装配车间的形象。协作机器人与他们的同事分享某些任务，紧密合作，甚至经常将工件交给彼此。

此外，机器视觉已成为这种通用自动化生产方案中不可或缺的一部分。该技术在这方面发挥了关键作用：在不同位置张贴的许多图像采集设备（如相机，扫描仪和3D传感器）无缝记录生产过程。然后，集成的机器视觉软件处理生成的数字图像数据，并使其可用于生产链中的众多应用程序。

例如，该软件可以基于光学特征明确地识别许多不同的物体并精确地定位和对准工件。该技术还支持故障检查：可靠地识别并自动拒绝有缺陷的产品。作为“生产之眼”，机器视觉广泛监控整个生产情况，从而使过程更安全，更有效。这尤其适用于协作之间的相互作用及其与人类的相互作用。

与此同时，机器视觉算法也在嵌入式平台上运行并进行优化，这一点变得越来越重要。当两个技术世界彼此无缝集成时，这被称为嵌入式视觉。在工业4.0的背景下，使用带有集成嵌入式软件的紧凑型设备，特别是智能相机，移动视觉传感器，智能手机，平板电脑和手持设备，正在显着增加。它们在工业环境中激增的原因是，今天的设备配备了具有长期可用性的高性能工业级处理器。

现代嵌入式视觉系统能够满足数字化的巨大需求，尤其是当它们配备人工智能（AI）时。 这些基于AI的技术包括例如深度学习和卷积神经网络（CNN）。这些方法的特别之处在于它们能够实现极高且强大的识别率。

在深度学习过程的情况下，首先使用诸如由图像获取设备生成的大量数字图像数据来训练CNN。在此培训过程中，自动学习特定“类”的典型特征 - 包括例如特定对象属性和区别特征。基于训练结果，可以精确地分类和识别要识别的对象，之后可以将它们直接分配给特定的类。利用深度学习技术，不仅可以对对象进行分类，而且可以精确地对对象和故障进行定位。

在嵌入式视觉应用中使用深度学习

如今，深度学习功能已经在许多嵌入式视觉应用中得到应用。所有这些应用程序的共同点是它们通常会生成大量数据，并且经常涉及非工业场景，例如自动驾驶。相关车辆已经配备了许多传感器和摄像头，可以从当前的交通状况中收集数字数据。集成视觉软件借助深度学习算法实时分析数据流。

例如，这使得可以识别情况，处理他们的信息，并使用它来精确地控制车辆 - 这使得自动驾驶成为可能。基于深度学习的嵌入式视觉技术也经常用于智能城市环境中。在大城市，某些基础设施过程，如街道交通，照明和电力供应，以数字网络化，以便为居民提供特殊服务。最后，这些技术被用于智能家居应用，例如，数字语音助手和机器人真空吸尘器。

机器视觉过程的自动化

那么深度学习技术在嵌入式和机器视觉环境中的优势是什么？繁琐的手动特征提取不再是必需的。深度学习算法能够自动地从训练数据中学习特定的区别特征，例如纹理，颜色以及灰度等级，并根据相关性对它们进行加权。通常，这项任务必须由经过培训的机器视觉专家手动执行，这使得它非常耗时且成本高昂。

对象特征通常非常复杂，人类几乎不可能解释。另一方面，从训练数据中自动学习区分标准节省了大量的努力，时间和金钱。深度学习的另一个好处是，也可以区分更抽象的对象，而传统的手动方法只能对可以清楚描述的对象进行分类。这包括具有更复杂，精致结构或出现在极其嘈杂背景下的物体。在大多数情况下，人类将无法辨别这些对象中任何明确的，有区别的特征。

由于训练需要极高的计算能力，因此复杂的神经网络在具有高端图形处理器的相应功能强大的PC上进行训练。但是，经过全面培训的网络也可用于大量嵌入式设备，这意味着紧凑，强大的嵌入式视觉解决方案也可以从最高的识别率中受益。

基于AI的技术（如深度学习和CNN）变得越来越重要，特别是在高度自动化的工业4.0环境中。这就是为什么它们目前是最先进的机器视觉解决方案的重要组成部分。如果算法还对相关的嵌入式平台如ARM运行®流程架构，鲁棒机器视觉软件的AI功能的整个范围内可以在紧凑的设备上使用。

fqj