机器视觉行业新技术未来发展趋势
思瀚产业研究院 埃科光电    2023-07-12

（1）高精度高分辨率光学成像技术

高精度光学成像是机器视觉行业始终追求的技术发展目标。高精度光学成像需要光源、镜头、相机、图像采集卡等各部分的精密配合，要求新型光源、更全面的波长覆盖和创新的光源布局等光源技术，以及提供更大靶面和更小像元的新型镜头和相机产品。

高精度光学成像技术增强了机器视觉的图像信息获取能力，通过多样化光学成像技术，获取到传统成像中难以获取的图像信息，并通过高速、高灵敏度的图像采集技术深度挖掘图像中隐含的内部信息，满足更高分辨率、更多维度、更大空间带宽积的光电成像需求。

（2）3D 视觉技术

目前机器视觉主要采用的 2D 机器视觉技术仅能获取固定平面内的形状及纹理信息等二维图像，这主要基于物体在灰度或者彩色图像中对比度的特征提供处理分析结果。2D 机器视觉技术的缺点包括无法提供物体高度、平面度、表面角度、体积等三维信息；容易受光照条件变化的影响；对物体的运动比较敏感等。

随着智能制造变革来临，面对复杂的物件辨识和尺寸量度任务，以及人机互动所需要的复杂互动，2D 视觉在精度和距离测量方面均出现技术限制。3D 机器视觉技术相对于 2D 技术提供了更丰富的被摄目标信息，可以识别物体的深度、形貌、位姿等 3D 信息。3D 技术提供了丰富的三维信息，使机器能够感知物理环境的变化，并相应地进行调整，从而在应用中提高了灵活性和实用性，扩大了机器视觉的应用场景。

（3）多光谱成像技术

多光谱技术，利用像元级的镀膜技术实现对不同波长光谱信号的采集，从而得到高分辨率的多/高光谱的图像信号，大大简化了视觉系统的光学部件复杂性。光谱技术推动机器视觉实现目标的多种特征分析。随着机器视觉的快速发展和普及，机器视觉产品已经广泛应用于 3C、锂电池、半导体、PCB、新型显示、汽车零配件、光伏、物流、医药、包装印刷、轨道交通等众多产业中。

各行业样本的复杂性要求机器视觉从可见光光谱到非可见光光谱、从单一光谱到多光谱，不仅需要实现目标的外观检测，也需要实现目标的材料成分、颜色、温度等复杂特征的分析。多光谱技术利用光的衍射和折射特性，通过光栅、棱镜等分光元件，获取到不同谱段的有效信号，实现目标高维信息参量获取，并通过相关分析算法将谱域信号与测量需求建立联系，如物质成分、温度、三维面型等，进而满足复杂多样化的测量需求。

（4）高集成智能相机技术

在工业领域中，随着机器视觉的应用逐渐深入，自动化程度越来越高，机器视觉核心部件的智能化程度不断提升，集成更多边缘智能已经成为工业相机未来发展的主要趋势之一。智能工业相机是一个兼具图像采集、图像处理和信息传递功能的小型机器视觉检测系统，是一种嵌入式计算机视觉检测系统，提供了具有多功能、模块化、高可靠性、易于实现的机器视觉解决方案。

它将图像传感器、处理模块、通讯模块和其他外设集成到一个单一的相机内，由于这种一体化的设计，可降低系统的复杂度，并提高可靠性，同时系统尺寸大大缩小，拓宽了机器视觉的应用领域。

智能工业相机可以在特定的应用环境中实现图像处理并利用内嵌的人工智能算法做出逻辑判断，为自动化场景提供无需人工干预的智能方案，是工业自动化领域集成边缘智能的重要手段。通过对智能芯片和算法的集成，智能工业相机具有强大的软硬件功能，未来将在各个工业领域中发挥重要作用，例如可应用于高端工业检查、产品分类、质量检测、视觉传感器网络、条码阅读、入侵检测和交通监控等工业过程。

深度学习方法作为传统神经网络的拓展，近年来在语音、图像、自然语言等的语义认知问题上取得巨大的进展，为解决机器视觉大数据的表示和理解问题提供了通用的框架。

随着机器视觉在不同行业应用的扩展，传统算法的机器视觉在针对缺陷类型复杂化、细微化、背景噪声复杂等外观检测以及分选定级应用场景时，呈现通用性低、不易复制、对使用人员要求高等缺点。基于深度学习的机器视觉采用更复杂的规则实现精细的量化评估，凭借 AI 深度学习更强的特征提取能力为机器视觉提供更多应用可能，使得机器视觉能够解决更加复杂背景下的定位与识别、工件的缺陷检测和分割、畸变物体的分类、难辨字符与文本的读取等复杂的工作任务。

随着工业机器视觉的检测对象越来越复杂，应用越来越广泛，机器视觉应用逐渐从传统机器视觉向基于深度学习的机器视觉过渡，机器视觉的应用领域也会因深度学习技术而得到极大扩展。

此外，基于深度学习方法的机器视觉系统对机器视觉核心部件的软硬件水平提出了更高要求，与深度学习算法相匹配的工业相机和图像采集卡等机器视觉核心部件的技术发展将成为机器视觉未来发展趋势之一。