高效的工業(yè)生產(chǎn)需要機(jī)器視覺給出快速又精準(zhǔn)的決策

 

在生產(chǎn)線上用于測量的相機(jī)要能快速判斷液位、尺寸，用來定位的相機(jī)系統(tǒng)要能快速準(zhǔn)確的給出正確的物品位置，及時通知機(jī)械手臂在哪里尋找抓取物品，用作計件檢驗(yàn)的相機(jī)系統(tǒng)要能夠快速計算出數(shù)量，是否溢出，用作解碼識別的相機(jī)系統(tǒng)要能夠快速準(zhǔn)確識別二維碼，字符信息等。相機(jī)系統(tǒng)做出快速精準(zhǔn)決策的關(guān)鍵就是圖像能夠清晰準(zhǔn)確的提供這些信息，不同的檢測應(yīng)用對圖像的分辨率、清晰度、噪聲、以及相機(jī)的幀率、系統(tǒng)成本等都有不同的要求。

 

隨著工業(yè)自動化的發(fā)展，檢測種類的多樣性，驅(qū)使圖像傳感器不斷的更新?lián)Q代，工藝一直在突破提升。這個發(fā)展從安森美半導(dǎo)體的幾代CMOS產(chǎn)品系列中可見一斑：在2005年推出的LUPA系列開始有了高速輸出接口，接下來2010年推出的VITA系列在全局快門性能上有了很大了提升，支持卷簾快門和全局快門兩種模式，在2014年推出的PYTHON系列增加了像素內(nèi)圖像矯正，有效的優(yōu)化了全局快門傳感器的噪聲性能，2019年剛推出的XGS系列使用了減少節(jié)點(diǎn)的像素工藝對噪聲和圖像一致性更是有了飛躍般的提升，今后安森美半導(dǎo)體將會在工業(yè)級圖像傳感器使用背照式和堆棧式工藝來推動圖像傳感器的進(jìn)一步發(fā)展。

 

隨著工藝的提升，圖像傳感器的像元越來越小，但它卻可以達(dá)到大尺寸像元的圖像效果，這就使傳感器的分辨率可以越做越大，帶寬也越來越高，也推動了整體相機(jī)系統(tǒng)的提升和發(fā)展，來滿足工業(yè)生產(chǎn)快速精確的推斷和決策。

 

人工智能是新工具

 

快速精確的決策需求推動整個生態(tài)系統(tǒng)來實(shí)現(xiàn)高級數(shù)據(jù)收集和推斷，提供了真正進(jìn)入工業(yè)4.0的機(jī)會，人工智能(AI)正是需要的新工具，用來管理工業(yè)系統(tǒng)成像不斷增長的數(shù)據(jù)集。AI可以通過自適應(yīng)制造、自動質(zhì)量控制、預(yù)測性維護(hù)等方案有效地應(yīng)對當(dāng)今制造業(yè)面臨的挑戰(zhàn)，如工廠中的PCB板檢測、鈑金缺陷檢測、食品衛(wèi)生檢測、零部件均勻度檢測、平板檢測的應(yīng)用中，工廠操作員的疲勞會影響對產(chǎn)品質(zhì)量的一致性評估，但是機(jī)器視覺相機(jī)和深度學(xué)習(xí)解決了這個問題。如今，AI已用于60％以上的計算機(jī)視覺應(yīng)用中，而AI在制造應(yīng)用中的增長已超過50％年復(fù)合增長率。

 

工業(yè)中AI應(yīng)用的發(fā)展給圖像傳感器帶來了更高的挑戰(zhàn)，包括推動了全局快門性能、高速拍攝、高分辨率、使用不可見光譜區(qū)域和三維體積深度提供的信息進(jìn)行關(guān)鍵推斷，以及神經(jīng)網(wǎng)絡(luò)處理的發(fā)展。

 

全局快門：實(shí)現(xiàn)高速視覺成像的關(guān)鍵

 

傳統(tǒng)的卷簾快門圖像傳感器可為靜態(tài)或慢速移動的物體成像提供出色的靈敏度。但全局快門在檢測快速移動物體的工業(yè)應(yīng)用中至關(guān)重要。如高速裝配線的機(jī)器視覺檢測之類的任務(wù)需要準(zhǔn)確的判斷，全局快門圖像傳感器通過完全同時同步曝光捕獲所有像素，來消除使用卷簾快門傳感器逐行曝光帶來的空間失真變形的效果，正確還原了運(yùn)動物體的真實(shí)樣子，接下來才能進(jìn)行強(qiáng)大的AI分類計算。如安森美半導(dǎo)體的全局快門圖像傳感器XGS 2000，以220 fps的速度捕獲高質(zhì)量、精確和快速移動的200萬像素全局快門圖像場景，可以為物流和工業(yè)掃描儀等不同場景下應(yīng)用提供清晰、低噪聲的圖像。

 

圖1：卷簾快門vs. 全局快門

 

高速也是快速移動物體檢測的工業(yè)應(yīng)用另一個至關(guān)重要點(diǎn)。高速裝配線的機(jī)器視覺檢查需要快速的幀率和較短的積分時間，可以使用短曝光和快速讀出消除圖像模糊的效果。工廠的視覺檢測基本都是對應(yīng)高速移動的物體，特別是工廠高速運(yùn)轉(zhuǎn)的生產(chǎn)線上，傳送帶的速度特別快，那么在最短的時間內(nèi)成像讀出數(shù)據(jù)，減少或消除拍攝圖像中的運(yùn)動模糊，才能利用AI算法實(shí)現(xiàn)正確的智能判斷和快速決策。

 

市場對高分辨率的需求不斷增長

 

越來越多的應(yīng)用對分辨率有了很高的需求，例如手機(jī)/電視/電腦顯示器的LCD、OLED屏幕檢測。在這檢測應(yīng)用中，使用相機(jī)檢測顯示器的輸出，以查找顯示亮度的均勻性、顏色準(zhǔn)確性、線條缺陷、顆粒缺陷等。這就要求檢測相機(jī)提供非常高的圖像質(zhì)量和高度均勻性，以確保相機(jī)中的質(zhì)量問題不會被誤解為顯示器中的產(chǎn)品缺陷。顯示屏實(shí)際上都由紅綠藍(lán)等多個LED子像素組成，檢測系統(tǒng)需要能夠解析所有這些子像素，以便正確成像和顯示并確認(rèn)設(shè)備的質(zhì)量，為提高檢測的精度和可靠性，行業(yè)中通常會使用圖像傳感器靶面的3x3，或者4x4, 甚至5x5個像元來識別顯示屏設(shè)備的一個LED子像素，這就需要用到更多的傳感器像元個數(shù)，并且隨著顯示器分辨率的不斷提高-從傳統(tǒng)高清到4k到8k甚至更高，檢測相機(jī)所需的分辨率也在不斷提高，才不會犧牲應(yīng)用所需的高圖像質(zhì)量和均勻性，為AI算法的精度提供更可靠的數(shù)據(jù)支持。

 

又如另一個常見的工業(yè)成像應(yīng)用是印刷電路板檢測，以確認(rèn)電路板組件上的集成元器件、電容器、電阻器等已正確安裝并焊接到位。電路板的檢測速度是受圖像分辨率和幀率的組合影響，圖像中能夠捕獲的電路板尺寸面積越大，一次可以檢測的電路板就越多，圖像能捕獲的越快，檢測的效率就越高。雖然當(dāng)前市場上提供的圖像傳感器可以每秒輸出約500或1400個像素的數(shù)據(jù)，但是安森美半導(dǎo)體的XGS 45000可以以接近1900個像素/秒的速度捕獲更多的圖像數(shù)據(jù)用于算法判斷，比競爭對手快3倍以上，圖像數(shù)據(jù)寬度可以達(dá)8000個像素。高分辨率和高帶寬的結(jié)合使這種檢測應(yīng)用的AI算法可以更快，更有效地執(zhí)行，從而提高了制造過程的生產(chǎn)率。

 

圖2：XGS 45000的演示效果

 

再如用于監(jiān)控或廣播的影像應(yīng)用，圖像需求結(jié)合了上述性能，該應(yīng)用對圖像質(zhì)量的要求非常高，市場對分辨率的需求也不斷增長，從高清到4K到現(xiàn)在的8k，高分辨率提供了更強(qiáng)大的圖像結(jié)構(gòu)和細(xì)節(jié)可以看到寬視野的能力，還提供了用于AI分類的裁剪開窗的選項，來放大感興趣的內(nèi)容。安森美半導(dǎo)體的XGS 45000圖像傳感器實(shí)際上具有比8k視頻所需的分辨率更高，不僅可以使用少量裁切來提供8k視頻，還由于XGS 45000具有很高的帶寬，它可以60幀每秒的速度提供8k視頻以及完整的12位輸出，滿足了該應(yīng)用所需的高分辨率、高帶寬和高圖像質(zhì)量。

 

值得一提的是，安森美半導(dǎo)體也提供完整的參考設(shè)計X-Cube，基于X-class圖像傳感器系列， 在1.1英寸光學(xué)格式提供1600萬像素分辨率，提供用于機(jī)器視覺和ITS的 29 mm x 29 mm工業(yè)相機(jī)占位所需的成像細(xì)節(jié)和性能，且一個攝像機(jī)可支持多種分辨率，幫助設(shè)計人員加快開發(fā)。

 

圖3：高分辨率X-Cube 系統(tǒng)用于29 mm x 29 mm 相機(jī)設(shè)計

 

從僅捕獲RGB信息和X,Y二維信息到添加深度信息或多光譜區(qū)域信息

 

除了圖像傳感器的性能提升，另外更為豐富的成像信息的集成也可以增強(qiáng)人工智能的性能，逐漸成為工業(yè)客戶做出明智決策的關(guān)鍵。

 

通過對多種模式和AI處理的投資，也使得安森美半導(dǎo)體具備獨(dú)特的優(yōu)勢，從僅提供三種紅綠藍(lán)(RGB)組成的成像系統(tǒng)發(fā)展到添加詳細(xì)的光譜特征，這樣可以在檢測中看到RGB無法識別的地方。使用12比特位的圖像數(shù)據(jù)，可以提高識別圖像的精度，從僅提供x、y二維定位信息到使用結(jié)合了深度像元技術(shù)或毫米波雷達(dá)、激光雷達(dá)技術(shù)和圖像融合后帶來深度信息，可更深入地了解檢測對象的全部體積大小高度等的信息，也就是深度學(xué)習(xí)。

 

所以現(xiàn)在圖像傳感器的開發(fā)正在從僅捕獲RGB信息轉(zhuǎn)移到新的形式，增強(qiáng)的數(shù)據(jù)集提供的信息將不僅僅是顏色和二維位置。圖像傳感器的廠家都在開發(fā)新技術(shù)以獲取更可靠的深度信息或者多光譜區(qū)域信息。比如開發(fā)通過融合內(nèi)部不同數(shù)據(jù)流的Super Depth像元技術(shù)，開發(fā)通過有規(guī)律的結(jié)構(gòu)，調(diào)制入射光振幅或相位的衍射光柵技術(shù)，開發(fā)基于單光子雪崩二極管(SPAD)和硅光電倍增管(SiPM)的傳感器等方式來實(shí)現(xiàn)為圖像提供更多的深度信息。

 

或者開發(fā)基于等離子體波導(dǎo)濾波片，或以法布里-珀羅（F-P)結(jié)構(gòu)原理為基礎(chǔ)的多通道分光濾光片制造技術(shù)實(shí)現(xiàn)在更多的光譜區(qū)域成像的超多光譜技術(shù)。

 

神經(jīng)網(wǎng)絡(luò)處理

 

隨著人工智能的發(fā)展，分類系統(tǒng)設(shè)計需要功能強(qiáng)大的圖像處理單元(GPU)或張量處理單元(TPU)神經(jīng)網(wǎng)絡(luò)處理器，因?yàn)橛?xùn)練和推理都需要大量計算，人工智能界正在面臨前所未有的算力挑戰(zhàn)，網(wǎng)絡(luò)拓?fù)湫枰獢?shù)億個乘法和加法邏輯計算（MAC），需要數(shù)百萬個卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，就比如能實(shí)現(xiàn)分類/目標(biāo)檢測/語義分割等多目標(biāo)任務(wù)的MobileNetV2結(jié)構(gòu)就具有3億個MAC計算和420萬個參數(shù)，但這相對于ResNet微結(jié)構(gòu)，已經(jīng)是減少了9倍的計算量。

 

訓(xùn)練過程由于涉及海量的大數(shù)據(jù)和復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，需要的計算規(guī)模非常龐大，通常需要GPU或云去完成，推斷部署環(huán)節(jié)的計算量相比訓(xùn)練環(huán)節(jié)會少一些，但仍然涉及大量的矩陣運(yùn)算，通常在邊緣的高功率GPU / TPU上執(zhí)行以實(shí)現(xiàn)低延遲。面對深度學(xué)習(xí)的訓(xùn)練和推斷的算力需求，市場上大部分使用的是NVIDIA的GPU或google的TPU來實(shí)現(xiàn)。

 

AI的發(fā)展

 

要真正實(shí)現(xiàn)快速決策，AI也需要發(fā)展。 如今，用于成像的AI決策已從云過渡到邊緣再遷移到與成像系統(tǒng)本身。 比如把AI的訓(xùn)練環(huán)節(jié)保留在GPU或云端，利用堆棧工藝可以將決策或甚至與之相關(guān)的一些預(yù)處理集成到圖像傳感器上，比如在傳感器上集成用于圖像識別的底層或者輕算力的卷積神經(jīng)網(wǎng)絡(luò)層，集成具有內(nèi)存的數(shù)字矩陣乘法計算單元體系結(jié)構(gòu)。這些AI功能集成在圖像傳感器中都將會實(shí)現(xiàn)，也已經(jīng)有公司發(fā)布了內(nèi)置人工智能引擎的圖像傳感器芯片。

 

如安森美半導(dǎo)體的融合了AI的水果新鮮度分類系統(tǒng)的演示，整個ECOsystem是基于安森美半導(dǎo)體的AR1335的相機(jī)和NVIDIA Xavier edge GPU, 使用了TensorRT版本的MobileNetV2結(jié)構(gòu)來處理分類新鮮和腐爛的蘋果、橘子、香蕉等6類多達(dá)上萬個CNN訓(xùn)練參數(shù)，可以識別三種水果及其新鮮度，這個系統(tǒng)的準(zhǔn)確率達(dá)到97%以上。

 

圖4：AI用于機(jī)器視覺，識別水果新鮮度

 

總結(jié)

 

圖像傳感器的開發(fā)正在從僅提供RGB和二維坐標(biāo)信息轉(zhuǎn)移到新的更豐富的形式。 圖像傳感器可提供更多類型的數(shù)據(jù)，無論是深度數(shù)據(jù)還是增加的光譜信息，以及AI合并這些數(shù)據(jù)集并實(shí)現(xiàn)高級決策，從而使系統(tǒng)能夠通過新的測量和決策機(jī)會提供更快、更準(zhǔn)確的結(jié)果。安森美半導(dǎo)體是工業(yè)機(jī)器視覺的領(lǐng)袖之一，以全方位的智能感知產(chǎn)品陣容和領(lǐng)先的技術(shù)，應(yīng)對工業(yè)AI應(yīng)用挑戰(zhàn)并推進(jìn)智能制造的創(chuàng)新。

 

 

推薦閱讀：