工业机器视觉的应用与发展趋势

数据显示，2018年工业机器视觉系统技术市场规模已达44.4亿美元，预计2023年将达到12.9亿美元，年复合增长率将达到21%。

目前，机器视觉正从传统的工业视觉向工业视觉的深度学习转变，未来工业机器视觉的应用领域越广泛。基于此，工业机器视觉可以被视为人工智能的一个重要分支。

传统的工业镜头视觉与不恰当的隐喻相似，类似于摆姿势，基本上是完成规定的动作。具体来说，目标及其背景、光源、采集光学设备的参数都是给定的，目标感知区域也是划定的。按要求处理数字图像，同意提取哪些信息和数据，设计哪些设备输出。也就是说，按照视觉工程师的一系列设置完成规定的动作，很难适应随机性强、特征复杂的任务。如果随机检测到超出机器逻辑的复杂外观缺陷，则无能为力。显然，它没有主动行为的能力，也就是说，它没有人工智能的深度学习能力。

未来，工业机器视觉将与人工智能相结合，解决图像视频场景、物体类型、光照、姿势、屏蔽等多变量影响的问题，独立面对数据量大、特征复杂、部分应用需要实时独立处理等深度场景。

从目前的情况来看，仍存在以下制约因素。

首先，端侧计算能力的成本越来越高。这与工业机器视觉软件的深度学习能力成正比，就像技术人员的工资高于学徒一样，工业机器视觉对计算能力硬件性能的要求越来越高，直接导致计算能力成本的价格上涨。此外，独立计算能力设备难以重用和共享，也是成本上升的重要因素。

二是单点系统维护成本过高。主要是设备调试、软件运行维护、监控分析必须在工作场所完成。工业机器视觉在工厂的大规模应用提高了维护成本。

三是数据岛。图像数据的处理也需要在工厂完成，多个系统软件难以共享有效数据，导致系统功能更新迟缓，难以适应移动应用领域。同时，工厂车间有线互联网建设成本过高，容量不足，无法满足工业相机数据上升的数据容量需求。

第四，通用性差，智力差。在通用性方面，一些集成应用具有很强的特殊性。一台设备可能只适用于一种机器视觉设备或一个行业，研发成本高。在智能方面，当库存较多或移动速度较快时，机器视觉工作的准确性显著降低，设置的场景超过其可接纳的值，更适合小规模、少类别、站点分类检测，对复杂堆叠物体无能为力。这与它缺乏深度学习能力有关。因此，大规模的工业应用还有很长的路要走。

事实上，解决上述所有痛点都是未来的发展方向。通用机器视觉和工业机器视觉应用领域的不断丰富，将解决成本问题，不仅降低成本费用，而且24小时不间断工作，大大降低成本。一旦可以大规模取代生产线检测人员、操作人员等，就具有成本优势。

更重要的是，工业机器视觉与其他自动化设备的结合可以支持更大规模的工业自动化应用，包括工业机器人、数控机床、自动化技术集成设备等。智能制造离不开工业机器视觉的大数据支持。工业机器视觉收集的各种生产数据是智能生产的基础。这些数据通过MES/DCS软件系统传输到工业服务器进行数据处理和分析，并与企业资源管理软件(如ERP)联动，提供化的生产方案或定制生产、灵活制造和智能制造。