Systemy wizyjne są podstawowym elementem linii produkcyjnych. Są one wykorzystywane do odczytu kodów kreskowych, kontroli jakości i zarządzania zapasami.
- Rozwiązania te często mają długie cykle wymiany i są mniej podatne na awarie. Ze względu na rosnące zapotrzebowanie automatyzacji procesów produkcyjnych, widzenie maszynowe znajduje zastosowanie w nowych obszarach. Przykładowo jednym z nich jest robotyka, w której coboty bazują na widzeniu maszynowym w zakresie prowadzenia i klasyfikacji obiektów, a roboty mobilne wykorzystują tę technologię w zakresie SLAM i bezpieczeństwa - powiedział Lian Jye Su, główny analityk w ABI Research.
Widzenie maszynowe oparte o deep learning wykorzystuje metody statystyczne i zgromadzone informacje w celu ulepszania modeli działań. Główni dostawcy technologii widzenia maszynowego wykorzystali potencjał tego rozwiązania. Na przykład firma Cognex przejęła SUALAB, koreańskiego dostawcę oprogramowania wizyjnego wykorzystującego deep learning do zastosowań przemysłowych. Przedsiębiorstwo Zebra Technologies przejęło Cortexica Vision Systems, który zajmował miejsce lidera w zakresie rozwiązań informatycznych bazujących na sztucznej inteligencji (AI).
Dostawcy chipów wprowadzają do swojej oferty nowe układy i oprogramowanie, aby ułatwić wdrażanie widzenia maszynowego opartego o deep learning. Frima Xilinx specjalizujaca się w układach FPGA ściśle współpracowała z producentem czujników obrazu - Sony i dostawcami kamer takimi, jak Framos i IDS Imaging. Inny dostawca chipów tego typu, Lattice Semiconductor koncentruje się na sztucznej inteligencji dla układów o małej mocy obliczeniowej. W tym czasie Intel wprowadził do swojej oferty narzędzie OpenVINO, które ma pomóc programistom we wdrażaniu wstępnie przeszkolonych modeli AI do widzenia maszynowego. To rozwiązanie stworzone przez Intela charakteryzuje się wspólnym interfejsem programistycznym (API), który może być wykorzystywany na wielu platformach obliczeniowych.
W kwestii standardów producenci wprowadzają na rynek kamery do zastosowań przemysłowych wyposażone w interfejs 10GigE i 25GigE (Gigabit Ethernet) . Ciągły rozwój technologii przechwytywania i kompresji obrazu pozwala generować lepszej jakości dane dla systemów widzenia maszynowego opartych o deep learning.
Źródło: ABI Research
