机器视觉系统在各行各业正变得越来越普遍。从制造业用来简化质量控制、自动驾驶汽车利用它们进行导航，到机器人依靠它们在与人协作时确保安全，机器视觉系统的应用正快速扩展。在这波发展浪潮中，设计工程师必须更加关注光学技术的可靠性并节约成本。
虽然机器视觉领域的关注焦点多放在人工智能(AI)算法上，但实际上，为这些模型进行分析所依赖的光学系统同样关键。唯有设计出更优异的光学与传感器组合，设计工程师才能在多方面推动机器视觉的优化发展。
在AI模型进行数据分析之前，光学系统即为机器视觉精度的基础。这些算法的实现依赖于充分且具有代表性的训练数据，而这些数据的取得，必须通过摄像头来完成。
目前已有部分组织采用人工智能合成的数据进行训练，但AI生成并非万全之策。合成的图像可能存在错误或虚构内容(幻觉)，进而影响模型的准确性。因此，仍需高品质来源的现实世界数据进行增强。
开发具备高分辨率与宽动态范围的相机技术，有助于AI团队捕捉现实物体的细节，进而更高效率地产出可靠的机器视觉模型。
图1：AI视觉与传统机器视觉并存。(来源：automate.org, Agmanic Vision)
在实际部署阶段，机器视觉算法仍需要依赖高分辨率的视觉输入。即使算法本身很精确，但如果分析的图像不够清晰或一致，也会产生不一致的结果。
照明条件等外部因素，亦会影响测量的准确性，因此光学系统设计时不可只着眼于相机本体，还必须考虑整体光源配置。例如，正确角度的光源光线可有效降低干扰，加上传感器能自动调整焦距，皆有利于提升系统的可靠性。
另外，视觉机器系统的光学输入并不局限于动态图像与静态图像，设计工程师还可以考虑整合其他辅助技术，以补充传统图像数据。
例如，激光雷达(LiDAR)正日益受到青睐。目前已有超过半数的新车车载至少一个雷达传感器，以实现车道偏移预警等功能，激光雷达技术也正沿着自驾功能的发展路径快速普及。
将激光雷达与红外摄像头集成补充机器视觉系统，可提供更广泛的传感数据来源。多样化输入的好处就是，即使操作条件变化，也能降低错误发生率。同样，激光测距与红外摄像头也能进一步拓展机器视觉的应用模式。
然而，高品质输入的需求往往也意味昂贵的组件，设计师若能开发出低成本且仍能达到目标要求质量的方案，将有助于推动高端光学技术在机器视觉系统中的普及。
值得一提的是，如今光学技术的进步已经使原本高达百万美元的系统，压低至十万美元级别。未来若持续创新，可望进一步降低成本。
图2：LiDAR 在 ADAS 车辆中的应用。(来源：Yole Développement)
AI的准确性取决于其输入数据的品质，因此若要发挥机器视觉的最大潜力，先进的光学技术是基础。希望利用这一领域的设计工程师应聚焦于光学组件的研发，这将是推动产业前行的关键。
(原文刊登于EDN美国版，参考链接：Why optical technologies matter in machine vision systems，由Susan Hong编译)
最前沿的电子设计资讯
