嵌入式系統(tǒng)與人工智能是怎樣協(xié)同發(fā)展的

工業(yè)4.0（又名工業(yè)物聯(lián)網(wǎng)）和智能工廠等當(dāng)前的技術(shù)趨勢正在深刻地改變工業(yè)價值創(chuàng)造過程，其特點是更高程度的數(shù)字化，連通性和自動化。

所有涉及的組件，包括機器，機器人，傳輸和處理系統(tǒng)，傳感器和圖像采集設(shè)備，始終如一地聯(lián)網(wǎng)并通過各種協(xié)議相互通信。機器人技術(shù)的創(chuàng)新趨勢也正在改變工業(yè)生產(chǎn)的面貌。新一代更小，更緊湊，更具移動性的機器人正在塑造高度自動化的裝配車間的形象。協(xié)作機器人與他們的同事分享某些任務(wù)，緊密合作，甚至經(jīng)常將工件交給彼此。

此外，機器視覺已成為這種通用自動化生產(chǎn)方案中不可或缺的一部分。該技術(shù)在這方面發(fā)揮了關(guān)鍵作用：在不同位置張貼的許多圖像采集設(shè)備（如相機，掃描儀和3D傳感器）無縫記錄生產(chǎn)過程。然后，集成的機器視覺軟件處理生成的數(shù)字圖像數(shù)據(jù)，并使其可用于生產(chǎn)鏈中的眾多應(yīng)用程序。例如，該軟件可以基于光學(xué)特征明確地識別許多不同的物體并精確地定位和對準(zhǔn)工件。該技術(shù)還支持故障檢查：可靠地識別并自動拒絕有缺陷的產(chǎn)品。作為“生產(chǎn)之眼”，機器視覺廣泛監(jiān)控整個生產(chǎn)情況，從而使過程更安全，更有效。這尤其適用于協(xié)作之間的相互作用及其與人類的相互作用。

與此同時，機器視覺算法也在嵌入式平臺上運行并進行優(yōu)化，這一點變得越來越重要。當(dāng)兩個技術(shù)世界彼此無縫集成時，這被稱為嵌入式視覺。在工業(yè)4.0的背景下，使用帶有集成嵌入式軟件的緊湊型設(shè)備，特別是智能相機，移動視覺傳感器，智能手機，平板電腦和手持設(shè)備，正在顯著增加。它們在工業(yè)環(huán)境中激增的原因是，今天的設(shè)備配備了具有長期可用性的高性能工業(yè)級處理器。

現(xiàn)代嵌入式視覺系統(tǒng)能夠滿足數(shù)字化的巨大需求，尤其是當(dāng)它們配備人工智能（AI）時。這些基于AI的技術(shù)包括例如深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)（CNN）。這些方法的特別之處在于它們能夠?qū)崿F(xiàn)極高且強大的識別率。

在深度學(xué)習(xí)過程的情況下，首先使用諸如由圖像獲取設(shè)備生成的大量數(shù)字圖像數(shù)據(jù)來訓(xùn)練CNN。在此培訓(xùn)過程中，自動學(xué)習(xí)特定“類”的典型特征 - 包括例如特定對象屬性和區(qū)別特征?；谟?xùn)練結(jié)果，可以精確地分類和識別要識別的對象，之后可以將它們直接分配給特定的類。利用深度學(xué)習(xí)技術(shù)，不僅可以對對象進行分類，而且可以精確地對對象和故障進行定位。

在嵌入式視覺應(yīng)用中使用深度學(xué)習(xí)

如今，深度學(xué)習(xí)功能已經(jīng)在許多嵌入式視覺應(yīng)用中得到應(yīng)用。所有這些應(yīng)用程序的共同點是它們通常會生成大量數(shù)據(jù)，并且經(jīng)常涉及非工業(yè)場景，例如自動駕駛。相關(guān)車輛已經(jīng)配備了許多傳感器和攝像頭，可以從當(dāng)前的交通狀況中收集數(shù)字?jǐn)?shù)據(jù)。集成視覺軟件借助深度學(xué)習(xí)算法實時分析數(shù)據(jù)流。例如，這使得可以識別情況，處理他們的信息，并使用它來精確地控制車輛 - 這使得自動駕駛成為可能?；谏疃葘W(xué)習(xí)的嵌入式視覺技術(shù)也經(jīng)常用于智能城市環(huán)境中。在大城市，某些基礎(chǔ)設(shè)施過程，如街道交通，照明和電力供應(yīng)，以數(shù)字網(wǎng)絡(luò)化，以便為居民提供特殊服務(wù)。最后，這些技術(shù)被用于智能家居應(yīng)用，例如，數(shù)字語音助手和機器人真空吸塵器。

機器視覺過程的自動化

那么深度學(xué)習(xí)技術(shù)在嵌入式和機器視覺環(huán)境中的優(yōu)勢是什么？

繁瑣的手動特征提取不再是必需的。深度學(xué)習(xí)算法能夠自動地從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)特定的區(qū)別特征，例如紋理，顏色以及灰度等級，并根據(jù)相關(guān)性對它們進行加權(quán)。通常，這項任務(wù)必須由經(jīng)過培訓(xùn)的機器視覺專家手動執(zhí)行，這使得它非常耗時且成本高昂。

對象特征通常非常復(fù)雜，人類幾乎不可能解釋。另一方面，從訓(xùn)練數(shù)據(jù)中自動學(xué)習(xí)區(qū)分標(biāo)準(zhǔn)節(jié)省了大量的努力，時間和金錢。深度學(xué)習(xí)的另一個好處是，也可以區(qū)分更抽象的對象，而傳統(tǒng)的手動方法只能對可以清楚描述的對象進行分類。這包括具有更復(fù)雜，精致結(jié)構(gòu)或出現(xiàn)在極其嘈雜背景下的物體。在大多數(shù)情況下，人類將無法辨別這些對象中任何明確的，有區(qū)別的特征。

由于訓(xùn)練需要極高的計算能力，因此復(fù)雜的神經(jīng)網(wǎng)絡(luò)在具有高端圖形處理器的相應(yīng)功能強大的PC上進行訓(xùn)練。但是，經(jīng)過全面培訓(xùn)的網(wǎng)絡(luò)也可用于大量嵌入式設(shè)備，這意味著緊湊，強大的嵌入式視覺解決方案也可以從最高的識別率中受益。

結(jié)論

基于AI的技術(shù)（如深度學(xué)習(xí)和CNN）變得越來越重要，特別是在高度自動化的工業(yè)4.0環(huán)境中。這就是為什么它們目前是最先進的機器視覺解決方案的重要組成部分。如果算法還對相關(guān)的嵌入式平臺如ARM運行?流程架構(gòu)，魯棒機器視覺軟件的AI功能的整個范圍內(nèi)可以在緊湊的設(shè)備上使用。

來源：中國電子網(wǎng)