感測器和自動化技術的迅速發展為機器視覺行業帶來重大影響，例如產品生產、醫療保健、自動駕駛以及人工智慧（AI）、視覺軟體與新型硬體架構為基礎的機器人技術的研發。這些變化給行業內很多應用帶來了生產效率、成本控制和決策制定能力的提升

機器視覺方向的邊緣人工智慧技術

邊緣人工智慧，或者說邊緣學習，是一種直接在終端運行特殊算法與深度學習神經網路的人工智慧技術。通常在相機上完成資料處理並將資料直接傳輸到連接的雲端伺服器。這些系統對自動重複處理過程有幫助，並且這些操作可優化能量消耗與網路延遲，最終提升整體效率。

圖1：LUCID Vision Labs™ SENSAiZ 智慧視覺CMOS相機 能夠維持各項指標處於合適的水平，並在供給低於特定水平後向工作人員報警。

用於機器視覺的高解析度人工智慧

人工智慧本身並不是全新的趨勢。深度學習神經網路模型的應用正在加速呈現驚人結果。使得 LUCID Vision Labs™ SENSAiZ 智慧視覺CMOS 相機 與眾不同的是其與高解析度AI的有效結合。先前版本的機器視覺人工智慧所使用的感測器解析度稍低，對圖像以VGA解析度進行採樣。

圖2The AITRIOS 環境是為應用開發以及系統整合提供工具和環境的一站式B2B平臺。圖片來源 Sony AITRIOS。

Lucid Vision Labs 與 Sony合作來適配1233 萬畫素的 IMX500 機器視覺相機感測器與 AITRIOS 深度學習平臺配對使用。這些技術結合在一起，便於最終用戶開發人工智慧工具，以提高應用效率，節約電力和頻寬等資源，並能夠探索技術應用的前沿。此外，還有其他相機製造商和套裝軟體可以實現類似的目標，其中包括某些與 Vidi AI 套裝軟體搭配使用的Cognex相機。

事件機器視覺

事件機器視覺，又稱為神經形態視覺，是相機感測器（有時也稱為動態視覺感測器（DVS））在不受快門影響的情況下連續記錄曝光強度的成像方法。在每個畫素層，以類似神經網路的並行方式非同步記錄強度變化，從而節省有限的板載計算資源。

圖3：傳統感測器（左）以固定速率記錄影格數，無論視場中物體變化與否，而事件感測器（右）隨著檢測到的視場強度變化來捕捉單個畫素的變化。

事件成像具有低延遲（微秒量級）和高時間解析度，只捕捉基本動態資訊，有效地取消了影格速率。此外，由於取消了影格速率，圖像具有較高的動態解析度和較低的動態模糊度，同時相機功耗較低。這種成像技術在機器人、自動駕駛汽車及其他眾多行業領域均潛力巨大。

SWIR 成像技術的進步更加經濟實用

短波紅外（SWIR）成像通常使用 0.9 ～ 1.7µm 波段的光，但也可包括 0.7 ～ 2.5µm 波段的光。由於 SWIR 波長在可見光譜之外，而用於可見光的典型矽感測器只對近紅外光譜（650 nm～ 1 µm）的光敏感，因此 SWIR 感測器採用其他材料製造，包括銦砷化鎵(InGaAs) 和磷化銦 (InP)。一般來說，這些感測器製造困難，價格也很高。然而，在過去幾年中，SWIR 感測器製造技術的進步極大地提高了製造效率，從而大大降低了成本。

圖 4：傳統矽感測器（左圖）的量子效率 (QE) 曲線表明，僅在 900 nm～ 1µm有較高靈敏度，但 InGaAs 的靈敏波段卻遠大於此，如這款視覺-SWIR InGaAs 混合感測器（右圖）所示。

此前，SWIR 紅外熱像儀的高昂價格給勸退了許多應用開發者。因此，該技術目前的應用在某種程度上僅限於農業和環境監測、包括藥品在內的工業應用質量檢測以及天文學。隨著經濟性的提高，最終用戶將能夠探索新的應用領域，包括藝術品修復等。（圖 5）

滾動查看 SWIR 圖像

圖 5：The Last Judgement 由Jan Provost所作，底特律藝術學院拍攝了畫作的SWIR 波段照片，透過仔細觀察顏料膜下的底稿來解釋藝術家的創作初衷。圖片版權歸底特律藝術學院所有