智能机器视觉系统，超越传统制造

因应人工智能与工业自动化快速发展，结合相机与图像处理以取代或补强人力的智能机器视觉技术与相关应用持续升温，并在工业检测与制造领域获得了广泛的部署。然而，对于超越传统制造应用以外的智能领域，机器视觉仍然深藏着无限潜力与商机。

多年以来，这个以知识为导向的产业经历智能机器视觉系统的元件与模组日益复杂化；另一方面，与智能机器视觉系统相关的市场应用也持续扩展到超越工业制造以外的新应用领域，特别是如今当嵌入式系统持续展现动能之际，即将来临的先进感测器、机器对机器（M2M）通讯系统以及物联网（IoT）等新兴技术发展，将进一步推动智能机器视觉应用扩展至消费性电子、可穿戴式装置、汽车先进驾驶辅助系统（ADAS）以及智能化监控等更贴近大众生活的领域。

对于智能机器视觉系统设计人员来说，设计一款能有效执行不同视觉演算法的软件是一项艰巨的挑战。厂商选择图像/视讯分析处理解决方案时，可以选择全部集中在CPU完成，也可以选择卸载一部份图像处理工作给GPU，或者专为影像处理增加的逻辑。例如，DLIA工业缺陷检测。在需要图像处理的应用中，DLIA已经让GPU处理的一部份执行多种智能视觉演算，从而为CPU分担工作负载。

发明于1980年代初的卷积神经网络，就是智能机器视觉系统的“智能”，也可称呼为深度学习（deep learning），深度学习是卷积神经网络的代表算法之一。它由多层排列的人工神经元组成，它们反映出了人类大脑处理视觉的方法。随着摩尔定律推动着计算机技术越来越强大，这些网络能够更好的模仿神经网络的实际运作方式，多年的发展也让卷积神经网络更加强大，更加“智能”。

“智能机器视觉系统，超越传统制造”，并不是一句空话，它是正在逐步实现的现实，特别是经历过三年疫情后的我国劳力市场，解决“用人荒”的利器之一就是智能机器视觉系统。它能让产品生产转化为自动化生产、无人化生产、智能化生产，这也是国家致力推进的智能制造的政策纲领，以数字化、网络化和智能化的手段为基础，通过高度集成的信息、物流、物理和人力资源，实现产品全生命周期的全过程可持续性管理的先进制造模式。它将推动制造业高质量发展，提升制造业与其他领域的融合度，发挥巨大的经济和社会效益。