Са развојем машинског вида сада, примена машинског вида је све обимнија, технологија детекције машинског вида се одликује великом брзином, великом количином информација, више функција, тренутно у пољу индустријске примене је широко, па шта је будући тренд детекције машинског вида? Хајде да вам представимо будући тренд детекције машинског вида.
Прво, уграђена визија ће наставити да расте
Уграђена визија ће наставити да расте брзо, уз подршку све већег броја индустријских апликација, као што су аутономна вожња, науке о животу, потрошачка електроника, надзор граница и пољопривреда.
Процесна снага је знатно повећана и меморија постаје веома јефтина. Корисници могу да изаберу веома малу камеру и користе податке у облаку из различитих извора. Када се ови фактори комбинују са машинским учењем, постоји инхерентна визија када се користи посебан пакет.
Купац очекује да систем интегратор развије цео систем уграђене визије за њих. Уграђени вид омогућава паметним камерама да остваре своју првобитну намеру, а то је да изврше обраду слике и видео анализу што је могуће ближе сензору слике у веома малом кућишту. Као одговор на тржиште уграђене визије, многе компаније су развиле решења за брзу испоруку решења специфичних за апликације на јефтиним платформама мале енергије које могу да интегришу вештачку интелигенцију и могућности дубоког учења.
Дизајнирање атрактивног система за купца је изазов уграђене визије. Уз јефтине уређаје мале снаге, могуће је ставити све функције купца у детекцију изгледа у малој величини, што је тежак задатак. Упознавање потрошача са радикално различитим хардверским решењима није лако, али се на крају нада да ће купци некако произвести више производа који су лакши за корисника, мањи и на крају јефтинији.
У многим случајевима употребе, традиционално визуелно откривање не може да се такмичи са уграђеним видом.
Друго, више примена дубоког учења
Дубоко учење за визуелно откривање је на челу технологија које ометају. Ако сте укључени у индустрију визуелне инспекције, вероватно сте видели како се овај софтвер интегрише са алгоритмима дубоког учења и даје брзе резултате. Ови системи могу да покрену хиљаде пермутација и имају 100 посто тачност у идентификацији и историји, као и визуелну инспекцију других апликација.
Дубоко учење ће имати дубок утицај на традиционалне методе анализе слике. Ово неће променити само производе које производимо, већ и начин на који комуницирамо са нашим купцима. Дубоко учење ће играти важну улогу у решавању апликација које се не могу решити традиционалном визуелном детекцијом.
На пример, када се вакцине тестирају у бочицама осушеним замрзавањем, резултати с времена на време увелико варирају, у великој мери у зависности од тога како се осуше. Коришћење традиционалног процеса детекције је изазовно јер у неким случајевима може бити да честице изгледају веома слично пукотинама, а дубоко учење помаже да се разликују такве суптилне разлике.
Треће, побољшајте ефикасност невидљивог снимања
Иако дубоко учење може бити начин прикупљања информација са слика, то није једина опција. Напредак у краткоталасним инфрацрвеним камерама и осветљењу побољшао је ефикасност невидљивог снимања. У овим окружењима са већим таласним дужинама, можете постићи много више примена, као што је проналажење дефеката унутар композита крила авиона.
Постоји све већа потражња за хиперспектралним сликама. Када погледате стотине спектралних трака на великој површини да бисте открили суптилне разлике између објеката, потребан вам је широкопојасни извор светлости. Ово ће нам омогућити да смањимо број ЛЕД диода које користимо и створимо широкопојасну везу која имитира халогене изворе светлости.