機器視覺相機技術的趨勢
機器視覺相機技術的趨勢
經濟高效的短波紅外線成像
感測器和自動化技術的快速進步正在為機器視覺產業帶來重大變化，透過人工智慧 (AI)、視覺軟體和新穎的硬體架構來優化製造、醫療保健、自動駕駛汽車和機器人等產業。 這些變化提高了生產力，節省了成本，並提高了所有行業領域的許多應用程式的決策能力。
機器視覺邊緣人工智慧
邊緣人工智慧或邊緣學習是一種特殊類型的人工智慧，它直接將演算法和深度學習神經網路與網路邊緣的運算設備結合使用。 資料處理主要發生在相機上，資訊直接匯出到連接的雲端。 這些系統的優點是自動化重複流程和操作，以優化功耗、網路延遲並提高整體應用程式效率。
追蹤便利商店的庫存水平，並在供應量低於指定數量時向工作人員發出警報。
用於機器視覺的高解析度人工智慧
人工智慧本身並不是一個全新的趨勢。 深度學習神經網路模型正在以越來越快的速度應用於應用程序，以取得令人難以置信的結果。 LUCID Vision Labs™ SENSAiZ 智慧視覺 CMOS 相機的與眾不同之處在於高解析度與人工智慧的獨特結合。 機器視覺人工智慧的早期迭代使用解析度稍低的感測器，以 VGA 解析度對影像進行取樣。
基於事件的機器視覺
基於事件的機器視覺，也稱為神經形態視覺，是一種成像方法，其中相機感測器（有時稱為動態視覺感測器 (DVS)）不受快門阻礙地連續記錄曝光強度。 在每個像素層級上，強度的變化以類似於神經網路的並行方式非同步記錄，從而節省了有限的機載運算資源。
SWIR 成像的進步帶來了經濟實惠
短波紅外線 (SWIR) 成像通常使用 0.9 至 1.7 µm 波段的光，但也可以包括 0.7 至 2.5 µm 的光。 由於SWIR 波長在可見光光譜之外，且用於可見光的典型矽感測器僅對近紅外光譜（650 nm 至1 µm 之間）附近的光敏感，因此SWIR 感測器由其他材料製成，包括砷化鎵( InGaAs)和磷化銦（InP）。 傳統上，這些感測器製造起來非常困難，而且價格也很高。 然而，過去幾年短波紅外線感測器製造技術的進步顯著提高了製造效率，從而提高了其經濟性。
傳統矽（左）感測器的量子效率 (QE) 僅對 900 nm 至 1 µm 左右敏感，但 InGaAs 的敏感範圍更遠，如這款視覺短波紅外線 InGaAs 混合感測器（右）所示。