Industry 4.0 - Digital Bosch plant in Blaichach, Germany

工業 4.0 - 德國 Blaichach 的博世數位化工廠

行動物聯網雲端縮時應用方案

顯著改進的硬體和現代軟體技術相結合，使智慧攝影機功能強大、價格低廉且易於使用。

智慧攝影機檢查零件，以提供合格/不合格決策，這有助於加快產品上市並消除現場故障。照片由 Lydey Automation 提供

智慧攝影機的優勢，使其成為製造環境的理想搭配。智慧攝影機將攝影機機、處理器、軟體和通信整合在一個小型、低功耗的封裝中，是高度整合的光學檢測工具，用於控制品質和提高生產力 —— 製造中的必需任務。智慧攝影機是在 1990 年代開發的，但由於消費電子產品的改進，和易於使用的軟體的開發，直到最近十年才變得實用。

根據功能和價格，存在兩個級別的智慧攝影機：

甲視覺感測器是一個專門的智慧攝影機在單個視圖（圖像）提供有限的功能。在瓶子檢測應用中，這種有限的功能可能是讀取瓶子上的條形碼、讀取日期和批號、尋找標籤的位置或透過測量瓶子的垂直位置來檢查瓶子的封口（瓶蓋）是否就位。單一視圖意味著每個檢查週期只使用一張圖像。

除了智慧攝影機的元素外，視覺感測器可能還有內置照明和廉價鏡頭的選項。在機器視覺中，照明是任何視覺系統的關鍵部分。整合這些元素並在單一視圖中，僅具有單一功能可降低系統成本並簡化設置。

智慧攝影機視覺系統（的 SCV）具有單個視圖，但在該視圖提供了許多功能。在裝瓶示例中，單個 SCVS 可以檢查標籤的存在和位置、讀取條碼並驗證日期和批號。如果一個項目（例如條形碼）不在 SCVS 的視野中，則可以使用第二個 SCVS 來讀取條碼。

智能相機

智慧攝影機的超小外形尺寸 (44 x 44 x 39 mm) 非常適合空間有限的應用。資料來源：Teledyne DALSA。

然而，對於非常苛刻的任務，例如高速印刷檢測，或需要整合多個視圖的功能，應使用標準視覺系統，而不是智慧攝影機。視覺系統由連接到一個或多個，標準機器視覺攝影機的更大、更高性能的處理器組成。它可以處理多個視圖（攝影機圖像），每個視圖具有許多功能。例如，透過視覺系統中的四個攝影機，你可以組合瓶子的四個視圖，來檢查瓶子的「邊緣」是否有損壞。

裝瓶檢測中的智慧攝影機

在裝瓶線上，瓶子被貼上標籤、灌裝和封蓋（封蓋）的速度，遠遠超出人類的視覺。按照難度的大致順序，這裡有一些機器視覺任務 —— 智慧攝影機可以處理更基本的任務，但更複雜的任務則需要傳統的視覺系統。

透過讀取條碼驗證產品
檢查標籤的存在和品質
驗證日期和批號
檢查是否正確關閉
檢查每個封口上的印刷或密封
檢查瓶子的「唇」是否損壞
尋找瓶子裡的異物

財務和實際考慮推動了應用於瓶子，或任何製成品的機器視覺檢測量。例如，褪色的印刷可能只會導致消費者重新選擇瓶子，但藥品中的異物可能會造成傷害和昂貴的訴訟。

軟體如何發揮作用

雖然智慧攝影機和智慧手機可能具有相似的硬體，但軟體會塑造你對產品的看法。早期的機器視覺系統通常提供一個子程序庫，並且需要在編程和機器視覺算法方面，具有廣泛的專業知識。

智能相機

這款智慧攝影機是一種高度整合的光學檢測工具，用於控制品質和提高生產力。資料來源：Teledyne DALSA。

現代機器視覺軟體，使用三種技術來輕鬆開發機器視覺應用。首先，圖形用戶介面 (GUI) 以易於使用和記憶的方式，直觀地呈現機器視覺系統中的組件和算法。使用 GUI，你可以獲得所見即所得，而不必記住晦澀難懂的命令和函數調用。

其次，個別算法已被收集到包含專家知識的工具中。一個常見的例子是條碼工具，它結合了條碼的外觀、一維和二維條碼的各種類型和模式，以及讀取代碼所需的圖像處理操作等知識。你只需在圖像中圍繞條碼繪製一個矩形，指定條碼類型，以及要查找的條碼數量。處理和讀取由該工具完成，你不需要額外的知識。

第三，對於任務序列，提供圖形編程。在圖形編程中，你使用 GUI 將函數和控制操作，插入到程序中 —— 一個處理序列。在我們的瓶子檢測示例中，智慧攝影機視覺系統 (SCVS) 可能首先讀取條碼，以確定存在哪種產品。然後它可能會測量位置，以檢查封蓋是否就位，以及標籤是否就位。當與 GUI 和工具結合使用時，圖形編程在解決視覺任務方面，提供了極好的簡便性和靈活性。

智慧攝影機如何在物聯網、深度學習、大數據和雲端中發揮作用

智慧攝影機與當前的技術趨勢之間，存在著有趣而重要的聯繫。物聯網 (IoT) 是連接網路的「智慧設備」（例如家用恆溫器和安全系統）的標語。智慧攝影機是物聯網就緒設備，因為它們使用網路協議，與生產控制系統「對話」。因此，可以發現並配置智慧攝影機，以支持「按需」製造。但是，將你的機器視覺系統，暴露給更廣泛的網路通常是沒有必要的，並且存在安全風險。

深度學習是指一個多層人工神經網路，其中所有層都是「可教的」。如果可以教會視覺系統，從例如好的和壞的胡蘿蔔的示例圖像中，辨識好的和壞的零件，那就太好了，這是一個具有挑戰性的應用，因為「好」的定義各不相同，這與加工零件不同。

大數據 —— 在這種情況下，需要大量的訓練圖像來訓練深度學習網路，因為網路必須「學習」，從圖像中提取的關鍵元素（特徵）以及如何基於那些元素。

然而，這種機器視覺方法存在挑戰。首先，收集大量訓練數據通常很困難，尤其是在產品缺陷很少的情況下。其次，訓練神經網絡需要大量計算能力，可能來自云中的分佈式處理，因此在智慧攝影機上是不切實際的。然而，一旦網路經過訓練，它就可以被轉移並在智慧攝影機上運行。例如，人臉辨識等視覺任務，目前在使用類似於智慧攝影機的硬體的智慧手機上運行。

由消費者需求驅動的顯著改進硬體與現代軟體技術相結合，使智慧攝影機功能強大、易於使用且價格低廉。我們期待智慧攝影機和視覺系統變得更加智慧和易用。