机器视觉系统在生活和商业中扮演着越来越重要的角色。它们赋能自动驾驶汽车，让机器人功能更多，并在制造和医疗检测领域实现更高的可靠性。随着这项技术的发展，电子工程师必须思考如何让传感器和成像组件持续保持增长势头。
机器视觉的软件方面——即其背后的人工智能模型，通常是讨论这些创新时关注的焦点。然而，即使是最先进的软件也需要合适的硬件才能正常运行，先进的传感器可以通过多种方式改善机器视觉。
(来源：Adobe Stock)
传感器在机器视觉发展中最显著的作用是为人工智能提供高质量的数据。机器学习无法从不准确的信息中得出准确的结论，因此需要更高质量的输入才能获得更为可靠的结果。更精准的成像组件能够显著提升数据准确性，从而为机器视觉技术的发展提供必要的支持。
例如，光传感器必须能够调整摄像头设置，以确保视频画面足够清晰，方便AI模型正确识别物体。同样，飞行时间成像系统对于机器和车辆导航解决方案也至关重要，因为准确的距离测量可以将平面图像置于具体环境中。
不论是哪一种用例，可靠的传感器才能确保其数据尽可能真实地反映现实世界，从而提升机器视觉性能。这同样适用于模型训练和部署后的实际应用。
同样，更多样的传感器技术可以通过增加输入的多样性来增强机器视觉。虽然数据准确性至关重要，但多样性也同样重要，因为拥有更多样的信息可以让人工智能模型更容易理解事物的本身并避免错误。
以光学计量系统为例，它通过提供更快、更准确的检测来降低制造成本并缩短生产周期。它们可以通过整合来自多种摄像头和传感器的输入来实现这一点。融合来自多个系统的输入可以让人工智能同时理解多种因素，从而做出更明智的整体决策。
自动驾驶汽车是机器视觉中传感器多样性的另一个关键应用场景。各种光学技术在不同条件下的精度可能有所不同。将摄像头、雷达、激光雷达和激光测量技术相结合，可以降低单个组件性能下降带来的风险，从而避免其影响最终结果。因而，这些复杂的硬件配置能够提升安全性。
虽然更多样化的传感器输入可以提高机器视觉的准确性，但信息量过大也会带来问题。无人驾驶汽车和许多质量检测算法必须能够识别视觉中哪些区域是最重要的，并重点关注这些区域，传感器硬件是实现这些决策的关键。
基于注意力机制的机器视觉将成像工具与互补传感器相结合，以精确定位感兴趣的相关区域。研究人员利用这些技术，在某些情况下可以将模型准确率提高17.4%，因为这些技术有助于过滤掉无关噪声，从而有助于专注关键信息，这样做还可以加快决策速度。
只有拥有合适的组件来识别或测量聚焦区域，可靠的基于注意力的系统才有可能实现。因此，工程师必须考虑哪些传感器或类似组件能够提供量化这些信息所需的输入。
人工智能的进步对机器视觉的改进是有益且必要的，但这并非唯一的因素，这些系统背后的设计人员还必须重视传感器和成像硬件的开发，以充分发挥这些算法的潜力。随着这些组件的不断提升，整个机器视觉技术也将随之进步。
(原文刊登于EDN姊妹网站Electronic Products，参考链接：The role of advanced sensors in machine vision，由Ricardo Xie编译。)
最前沿的电子设计资讯
