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(diǎn)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(jī)器，機(jī)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(jī)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(jī)器人正在塑造高度自動化的裝配車間的形象。協(xié)作機(jī)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(jī)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(jī)，掃描儀和3D傳感器）無縫記錄生產(chǎn)過程。然后，集成的機(jī)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(jī)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(jī)器視覺算法也在嵌入式平臺上運(yùn)行并進(jìn)行優(yōu)化，這一點(diǎn)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(jī)，移動視覺傳感器，智能手機(jī)，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(qiáng)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。基于訓(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(jìn)行分類，而且可以精確地對對象和故障進(jìn)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(diǎn)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(shí)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(jī)器人真空吸塵器。

機(jī)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(jī)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(jìn)行加權(quán)。通常，這項(xiàng)任務(wù)必須由經(jīng)過培訓(xùn)的機(jī)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(jìn)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(qiáng)大的PC上進(jìn)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(qiáng)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(jìn)的機(jī)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(yùn)行?流程架構(gòu)，魯棒機(jī)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)