■ 你應該知道的 3 種機器視覺技術

 
什麼是電腦視覺以及它為何重要？

IDVIEW 最佳工地管理解決方案

KAPERNIKOV

點雲機器視覺 Point Cloud Machine Vision

雷達技術使用無線電波來檢測和辨識遠距離的物體。你可以在許多行業應用中找到雷達，包括空中交通控制和遙感。同樣的工作原理適用於雷射雷達（光檢測和範圍），儘管這項技術使用光脈衝而不是無線電波。

雷射雷達感測器有一個發射器和接收器。發射器發出光脈衝。這個脈衝遇到了一個將光反射回接收器的物體。透過測量反射光返回接收器所需的時間，雷射雷達可以確定到物體的距離，也可以確定其速度和其他運動特性。此資訊可以對映成 3D 顯示，即點雲影像。

雷射雷達的優勢：

• 堅固性：雷射雷達在各種天氣和光線條件下都很有效。
• 深度：雷射雷達提供與物體（第三維度）的距離及其速度的資訊。
• 計算能力：與傳統攝影機相比，雷射雷達所需的處理能力更少。

雷射雷達的缺點：

• 無顏色：雷射雷達提供沒有顏色資訊的單通道影像。
• 無文字：雷射雷達不適用於文字辨識，因為這需要非常高的點密度。

Kapernikov 幫助比利時鐵路網路營運商 Infrabel 進行各種點雲機器視覺專案。我們的解決方案使 Infrabel 能夠監控其基礎設施（如電纜、軌道）和植被過度生長的狀況。與人工檢查相比，雷射雷達的使用要便宜得多，更精確得多，並直接整合到 Infrabel 的管道中。這種基於軟體的方法也幫助 Infrabel 縮減了專用工具的數量。

高光譜機器視覺

高光譜成像結合了來自電磁頻譜不同部分的資訊。我們的眼睛只能感知可見光，可見光構成該光譜的一部分。當光線進入眼睛時，它會落在視網膜上，視網膜是眼睛後面的一個膜，由三種類型的光敏細胞組成。傳統的攝影機影像也由 3 個訊號（紅色、綠色和藍色）生成，這些訊號密切複製視網膜中的訊號。透過結合紅光、綠光和藍光，攝影機可以重現各種顏色。

但電磁波譜比可見光要寬得多。光譜的其他部分也提供了寶貴的資訊。例如，短波長的 X 射線能夠穿過物質，並提供結構內部的視覺影攝影機。另一個例子是長波長紅外線輻射，可用於熱感或夜視。

在機器視覺中，我們可以結合來自頻譜不同部分的資訊，以擴充傳統攝影機的功能。要做到這一點，我們需要在 RGB 訊號之上新增通道。通道的寬度和數量可能差異很大，從幾個（多光譜）到數百個（超光譜）甚至數千個（超光譜）的通道，波長範圍從熱紅外線到紫外線。

高光譜成像的優點：

• 廣泛的功能：高光譜攝影機揭示了在光學光譜中看不到的細節。
• 成像光譜：高光譜攝影機將成像和光譜相結合，使它們能夠視覺化材料並確定其特徵，即提供空間和光譜資訊。
• 功多功能性：高光譜攝影機可以針對特定應用進行最佳化。

高光譜成像的缺點：

• 高成本：高光譜攝影機比標準 RGB 攝影機貴幾倍。
• 重型影像尺寸：高光譜攝影機需要大量的資料儲存和處理能力。
• 複雜性：為了將接收的資訊調整為人類可讀的形式，需要額外的後處理演算法。

高光譜成像有許多應用，包括：

• 遙感：安裝在衛星或無人機上的高光譜攝影機從上面收集視覺資訊。這可用於特定目的，如陸上石油勘探的地球表面掃描，以及水和沿海管理（例如葉綠素含量）。
• 工業應用的品質控制：這包括檢測異物、假藥和自動廢棄物分類。
• 醫療應用：在這裡，高光譜成像是一種新興技術，特別是在疾病診斷和影像引導手術方面。

AI 機器視覺

從歷史上看，機器視覺和人工智慧（AI）是密切相關的。卷積神經網路（CNN）是一種現代人工智慧工具，其靈感來自我們的大腦如何感知視覺資訊。開發第一個卷積網路是為了解決手寫數位資料集的影像辨識問題。結果令人驚歎，並證明人工智慧機器視覺很容易超越當時存在的所有其他方法。

今天，人工智慧不僅限於影像辨識（例如 這是狗的形象嗎？）。它還用於更複雜的任務，如物體檢測（例如 圖片裡有狗嗎？它在哪裡？） 和例項分割（例如影像中是否有狗，哪些畫素對應於狗？） 人工智慧可以使用任何機器視覺系統的輸入，無論是雷射雷達、傳統攝影機還是高光譜攝影機。人機視覺開發人員的作用，是收集和準備輸入資料，選擇適合特定任務的模型架構，並訓練模型以最佳化其效能。

人工智慧機器視覺的優勢：

• 輕鬆找到人類觀眾看不到的趨勢和模式。
• 模型直接從資料中學習
• 廣泛的應用

人工智慧機器視覺的缺點：

• 時間密集型：資料需要由人們準備和標記，這可能是時間密集型的。
• 泛化錯誤：對新的、看不見的資料樣本執行相同的任務，將需要你重新訓練模型。
• 難以解釋：大多數人工智慧演算法不容易被人類操作員解釋，這使得錯誤分析更加困難。
• 資源密集型：使用高階演算法的人工智慧機器視覺將需要多個 GPU 單元。

Kapernikov 為最佳排序工作，是人工智慧機器視覺的一個很好的例子。Kapernikov 開發了最先進的機器學習演算法，以幫助 Optimum 在其光學分揀機中管理食物分揀過程。多虧了這些演算法，學習檢測/辨識新產品的速度更快，也更直觀，並且很容易對排序程式進行線上調整。

該演算法辨識在收穫過程中進入機器的危險異物，如石頭、金屬或玻璃。其次，它監測產品品質，將蔬菜分為好的和損壞的。結果令人印象深刻：這兩項任務都以生產執行的速度即時執行，並順利整合到生產管道中。

總之，機器視覺是一種強大的技術，能夠解決先進的工業問題。在本報導中，我們只回顧了三種類型的機器視覺技術，當然還有更多。在Kapernikov，我們將幫助你，為你的具體問題選擇最佳機器視覺技術，並確保它以最高效、最穩健的方式工作。

按此回今日3S Market新聞首頁