- Advertisement -
首頁 標籤 電腦視覺

電腦視覺

- Advertisment -

工研院攜手全家打造易取智慧商店 強化零售產業韌性

工研院於日前發表全臺首套自主研發之「易取智慧商店」,運用AI人工智慧發展電腦視覺辨識以及多重感測技術,發展具高精準率、即時回饋、利於布建的智慧零售技術,與邁向科技零售業的全家便利商店簽約合作,將於工研院光復院區建置智慧商店,並在今年年底進行試營運開幕。 工研院副院長張培仁表示,此發表有兩個重大意義。第一,社會少子化、高齡化,未來要用科技解決零售業勞動力不足的問題;第二,新冠肺炎疫情衝擊零售業,引發數位轉型、強化產業韌性需求。 工研院研發電腦視覺辨識與多重感測技術,能「高精準率」辨識商品取放與消費者身份,正確率達98 %以上;並能「即時回饋」消費者拿取的商品種類與數量於手機App上;以物聯網技術串聯攝影機與智慧貨架系統,強化運算效率的同時,更降低攝影機設置的數量與成本,十分「利於布建」,回應了零售業者快速布建與大量應用的需求,使店內商品管理自動化,如自動即時檯帳更新、補貨提醒等,降低結帳/清點所需的人力。 工研院巨量資訊科技中心執行長馮文生指出,研發這套技術並非要取代傳統超商,而是因應消費者的需求,針對特定場域展店,例如小型社區、偏遠地區等。此外,這套技術不僅能應用在便利商店,包括賣場、量販、零售百貨、物流、倉儲領域都能應用。 「易取智慧商店」的購物流程十分簡單。首先,只要透過手機App掃描商店入口的QR code就能開啟閘門。接著,系統能即時辨識消費者拿取的商品種類與數量,並同步更新手機購物車資訊。最後,透過手機App掃描商店出口的QR code就能開啟閘門,手機購物車即自動完成結帳,不僅讓消費者免排隊、拿了就走,還能立即收到消費明細。
0

智慧醫療方興未艾 AI抗疫喜迎順時鐘效應

2020年1月底以來,新型冠狀病毒肺炎(COVID-19)疫情蔓延全球,抗疫儼然成為所有人齊心面對的共同目標,其中科技防疫更是扮演關鍵角色。正因人工智慧(AI)在防疫、診斷、醫療、藥物開發及協作等方面的成效受到肯定,等於幫政府、業界及民眾做了大量的市場教育,可望加速AI在醫療產業的落地應用,對於AI的其他行業應用也勢必將帶來「順時鐘」效應。 AI賦能 防疫科技工具無所不在 從新冠疫情爆發之後,經常在生活周遭或媒體報導中發現各種防疫科技工具,例如機場及車站必備的紅外線熱影像偵測儀、旅遊景點發布警示的無人機、協助消毒的機器人、具備居家照護功能的智慧監視器等,這些裝置有一個最大的共同點—都是AI應用裝置。 事實上,AI早已深入人們生活的不同領域,但如果不是疫情的爆發,可能沒有那麼深刻注意到AI對生活產生的深遠影響。 舉例來說,大家都很習慣公共場所設有非接觸式紅外線熱影像體溫偵測儀,但很多人並未注意到,這類偵測儀過去可能會偵測到動物、手上的熱飲料而發出警訊,甚至可能有動物或車輛亂入,如今加入AI人臉識別或人體移動辨識功能後,就能更精準鎖定人臉進行額溫測量,不會誤判而造成民眾困擾。 另一方面,如果要偵測民眾是否有戴口罩,毋須指派更多人力,只要採用「視訊監控口罩人臉偵測系統」,透過AI、機器學習及電腦視覺技術,就可精準感應人臉的關鍵部位,進而判斷口罩配戴的狀況,即使人臉過小、角度偏移或有遮蔽物,也不會發生誤判,民眾不需特地停下腳步、或刻意走到鏡頭前,可大幅提高檢測效率,這就是AI厲害的地方。 防疫期間每個公眾場所都勤於消毒,但這項工作不僅辛苦、有害人體,也有一定的感染風險,如果派上防疫機器人,就可大量減少人力。這類智慧機器人不僅有殺菌、消毒、清潔的功用,還有智慧導引及運送的功能,在院內走動時會自動轉彎、避開障礙物、抵達目的地,運送醫療器材或文件檔案也不是問題。 圖1  醫療健康AI主要應用與產值 非接觸式當道 遠距照護/智慧測溫受青睞 為了避免人與人之間的實體接觸,許多非接觸式的醫療應用大行其道,包括遠距醫療、智慧照護的使用量大爆發,也讓AI工具在醫療領域的重要性與日俱增,不僅提供醫護人員相關數據與決策判斷,也可協助醫療資源更有效地配置。 舉例來說,有廠商像是愛微科(iWEECARE)就研發出全球最小的智慧體溫貼片產品添寶(Temp Pal),改變傳統量測體溫的方式,以小型體溫貼片搭配雲端監測系統(圖2),其具備自動、遠距、連續監測體溫與預警的功能,透過藍牙傳輸體溫資料到手機App,可在第一時間發現發燒症狀,同時支援一對多,可監測多人的體溫,減少護理人員定期巡床量測體溫的時間,可明顯提升隔離檢疫工作的照護品質。 圖2  智慧體溫偵測平台 醫療機構或健康照護的室內場所,幾乎都設有監視器,但監視器如果升級成AI功能後,就可透過電腦視覺及機器學習技術,偵測出醫護人員或患者是否有按規定消毒或洗手,藉此降低院內感染的機率,同時還可進行室內場域的個體移動足跡分析,用來監測獨居長者的活動狀態,達到遠端照護的目的。 防疫期間所有藥局為了發放口罩,藥師幾乎都是疲於奔命,但如果藉助AI藥物辨識系統,未來藥師將可更輕鬆,也更可保障民眾的用藥安全。目前愈來愈多大型醫療院所已經導入智慧調劑台,藥師可藉由視覺、聽覺、感知等AI提示,透過不同發光模式、位置指示燈、語音指示、抽屜自動裝置、手勢感應等裝置,以便正確取藥,藥師或護理人員不用擔心拿錯劑量或藥物失竊等問題。 針對老年人或慢性病患,業者也推出了具備AI藥物辨識功能的智慧藥盒,拿到藥袋後,可透過App掃描QR code,將用藥資訊及藥品圖片同步上傳雲端及智慧藥盒,再透過AI影像辨識功能藉以辨識藥物,藥盒會透過語音告知這次吃了什麼藥,同時在App記錄用藥資訊,避免錯漏服藥、服錯藥量或減少用藥等情況。 健康社群應運而生  全民攜手對抗病毒 在疫情蔓延期間,民眾對於各種防疫資訊及健康知識的需求高漲,也讓許多健康社群平台大受歡迎(圖3)。例如「WaCare我的健康社群」就邀請許多醫療專家入駐,提供許多與新冠疫情相關的影片,例如如何戴口罩最有效,同時設立疫情專屬即時論壇討論區,協助在線上幫民眾解答疑惑,未來則以打造遠距健康生態系為目標,可透過AI推論引擎與機器學習技術,建構主動式的個人健康風險評估,讓民眾在風險發生前提早獲知預警。 圖3  醫療數據平台的來源 另外,專注在遠距醫療服務的「醫生馬上看」App,為偏鄉、海外人士、留學生、出國旅遊的會員提供遠距醫療服務,不管何時何處都能透過手機App使用專業醫療諮詢,其內建病歷系統可減少緊急醫療時的溝通時間。目前該平台瞄準企業、保險公司、信用卡等客戶,讓企業員工、旅遊平安險客戶、信用卡用戶在出差或出國旅遊時可以安心出遊。 事實上,由於防疫期間居家檢疫或隔離的民眾有遠端醫療的需求,衛生福利部近期還特別放寬通訊診療法的適用範圍,讓醫生在醫院可透過電腦、行動裝置的視訊進行遠端診療及開藥,不再僅限於偏鄉地區或緊急醫療所需,儘管法規的鬆綁只是短暫性,但包括主管機關、醫療院所、醫生、民眾都對通訊診療有更多的認識及實戰演練的機會,對於未來的遠距醫療、線上看診的建置推動,應有一定的正面效果。
0

意法推全局快門影像感測器 力助電腦視覺應用發展

意法半導體(ST)推出適用於下一代智慧電腦視覺應用的全局快門高速影像感測器。當移動或需要近紅外線照明的場景時,全局快門是拍攝無失真影像的首選模式。 意法半導體類比、MEMS和感測器產品部執行副總裁暨影像事業部總經理Eric Aussedat表示,新推出的全局快門影像感測器採用第三代先進畫素技術,明顯改進了產品性能、尺寸和系統整合度,使電腦視覺應用又跨出一大步,讓工程師能夠開發未來的自主智慧工業和消費性裝置。 意法半導體先進製程技術使新影像感測器擁有相較同類領先的畫素尺寸,同時具有高感光度和低串擾。矽製程創新與先進畫素架構的結合,讓晶片頂層的感測器畫素陣列更小,並可讓晶片底層省下更多矽面積,用於增加數位程序處理能力及功能。 新推出的VD55G0感測器為640×600畫素,而VD56G3則為150萬畫素(1124×1364)。晶片尺寸分別為2.6mm×2.5mm和3.6mm×4.3mm,相較於相同的解析度,VD55G0和VD56G3擁有市面上最小的晶片尺寸。在所有波長,特別是近紅外線光照條件下,畫素間串擾較低確保高對比度以獲得卓越的圖像清晰度。VD56G3的嵌入式光流處理器可以計算動作向量,而不需使用主處理器。新感測器適合各種應用,包括擴增和虛擬實境(AR/VR)、同時定位和地圖建置(Simultaneous Localization and Mapping, SLAM),以及3D掃描。
0

優化辨識速度與準確率 PerceptIn堅定安全低速自駕之路

目前,較具備發展前景的技術是電腦視覺,馬羽佳強調,其具備較好的環境感知功能,也因為技術成熟、價格親民,因此導入大規模應用有相對優勢。此外,多感測器資訊融合技術也備受關注,該技術能夠對各類訊息進行篩選及融合,以提供全面的環境資訊進行決策,保障車輛行駛的穩定和安全。 PerceptIn發展適用於低速園區的自動駕駛載具,例如遊樂園、學校、科學園區等。根據不同的場景,自動駕駛技術可與載人、零售、廣告等功能的車輛結合,滿足不同的使用需求。 PerceptIn的視覺感測技術可讓自駕車辨識行駛過程中的車及行人,達到避障效果,辨識速度低於0.1秒,準確率達90%以上。 馬羽佳說明,PerceptIn透過優化系統內部資料傳輸以降低系統延遲,並將系統到電腦之間的傳輸優化,基於不同架構平台包括GPU、FPGA等的移植加速。而為了提高準確率,該公司也針對視覺演算法本身,同時使用深度學習和幾何視覺方法,達到視覺資訊交叉驗證;以「安全低速」為核心,讓自駕應用進行成本有效控制與採用相對成熟、可靠技術的前提下快速落地。 PerceptIn商務拓展經理馬羽佳指出,該公司降低系統延遲,並提高準確率,以「安全低速」為自駕技術應用發展核心。  
0

從集中到分散的AIoT運算 邊緣運算優化深度學習網路

AI人工智慧的浪潮一波波襲來,帶動雲端儲存、大數據分析等新商機崛起,但隨著更大量、即時的資料吞吐量,傳統雲端架構已逐漸無法負荷如此龐大的運算需求。邊緣運算(Edge Computing)有助於降低傳統雲端架構的運算負荷、提升邊緣端的數據與資料處理能力,大幅改善運算效率以及數據應用。根據研究機構預估,2018~2022年全球邊緣運算相關市場規模的年複合成長率將超過30%,吸引許多廠商競相投入布局。 與雲端運算相較,邊緣運算更加無所不在,不僅應用領域廣泛,產業投資較小,也與台灣產業型態更加契合,邊緣運算將因為物聯網(IoT)蓬勃發展,扮演更明確、更高價值的角色,該技術可以處理複雜的工作,也可以負擔簡化的運算,端視它配置的運算資源和分析軟體,如果邊緣裝置無法立即處理,還是可以透過雲端來接手。本次活動邀請相關技術領域的研究單位與廠商擔任講師,剖析邊緣運算架構、專用加速硬體、產業發展趨勢與應用前景。 從集中到分散式的運算結構 物聯網發展與成長迅速,相關裝置更是高度成長,產業研究機構資策會MIC研究指出,全球具自主反應功能的IoT主動式裝置(Active Device)在2015年時共有129億個,其後一路成長至2020年將突破212億個,2025年時預計進一步成長至342億個。資策會MIC資深產業分析師兼專案經理施柏榮(圖1)說,以具備IoT功能來加以區分,預計2021年,具有IoT功能的主動式裝置已達50%,2025年預計達到62%,顯示全球有愈來愈多的裝置具備數據感測、資料蒐集、資料互聯的功能。 圖1 資策會MIC資深產業分析師兼專案經理施柏榮說,邊緣運算發展之下,AIoT裝置將具備數據感測、資料蒐集、資料互聯的功能。 再者,全球主動式IoT裝置數量2015年,約有28億個,2019年為IoT裝置數量首次超過全球人口總數的年份,2020年更將挑戰100億個大關,2025年則預計達到215億個,是2020年的兩倍之多(圖2)。施柏榮認為,全球人均IoT數量(全球平均每人所擁有的IoT裝置),2020年為1.3個、2025年將達2.69個,意味著當年全球每人將有近三個能夠蒐集環境數據的裝置或設備,與人類的日常生活更加密不可分。 圖2 全球人口與主動式IoT裝置數量發展趨勢 資料來源:資策會MIC整理(12/2018) 物聯網的發展將產生資料的洪流,數據的處理與使用成為未來幾年亟需解決的問題,施柏榮指出,終端設備所處的位置,將產生不同類型的數據使用情境。而邊緣人工智慧(Edge AI)是在物聯網邊緣位置上,執行機器學習推論(ML Inference)並處理來自終端的數據與資訊的運算服務,達到降低雲端負載、終端立即回應的效果。 邊緣運算的重點在調整過去雲端運算的集中式(Centralized)結構,轉變為以分散式(Distributed)運算為核心,賦予近終端的節點,也可以進行運算、分析、決策等功能,施柏榮強調,除了解決網路壅塞,資料處理延遲等問題,邊緣運算並非是要取代雲端運算的功能,而是重新定義、優化雲的架構。Edge AI的運作在Cloud、Edge、Thing之間皆產生非常緊密的交換與連繫,彈性化架構是運作的重點。 邊霧運算強化雲端彈性 若以技術發展的角度來觀察,邊際情境智慧(Edge Intelligence via Ambient Computing),定義上就是遠離雲端而靠近面對消費者的裝置那一端,須具備一定的運算與智慧產生能力,能就近處理感測所產生的資料。資策會物聯應用系統中心副主任王秉豐表示,既有雲端架構無法滿足物聯網離線處理、資料隱私、即時回應等需求,導入邊霧運算架構可解決雲端運算面臨的問題,增加使用彈性,解決不同系統間資源共享與再利用的需求。 邊霧運算的技術架構有幾個特色,包括:多樣性與異質性的挑戰,可以通過服務和設備的抽象層來解決;應用程序和資源管理緊密合作,提供複雜的互聯網服務,並自適應地分配邊緣/霧端資源;邊緣資源註冊、識別和控制介面,將是改善網路和服務可擴展性的方法。 而邊霧系統架構未來幾年的發展將遭遇挑戰,王秉豐說明,包括可擴展性(Scalability)、複雜的互連網(Complex Inter-networking)、動態和適應(Dynamics and Adaptation)、多樣性與異構性(Diversity and Heterogeneity)等,邊霧運算將建構更彈性化的IaaS基礎架構,改變既有數據傳輸、儲存模式甚至網路運算計價模式。 邊緣運算應用多樣廣泛 而從應用的角度來觀察,AI將深入各行各業、各個角落,根據產業研究機構資策會MIC研究指出,AI將成為基盤性技術,全球人工智慧的科技支出,2016年約為4.5億美元,但預計於2020年達到192.8億美元、2021年更將突破達到289.6億美元,顯示全球公私領域皆將人工智慧視為科技研發投入的重點,並將逐漸導入應用以強化自身競爭力。 資策會董一志提到,AI應用無遠弗屆,穿戴式裝置就是典型的邊緣裝置,智慧手環與手表的功能有:健身計步、睡眠偵測、心律測量、精準定位等,隨著消費者需求的成長,最新的Apple Watch已經導入跌倒偵測,類似的個人健康與保健功能將持續出現在各式智慧穿戴裝置,並結合更多AI邊緣運算的技術,達成隱私、即時與智慧化的需求。 邊緣運算專用晶片引發卡位戰 AI的熱潮在過去幾年帶動雲端運算的高度成長,同時也帶動資料中心用的記憶體、處理器(High Performance Computing)、高頻寬傳輸介面等的發展,而方興未艾的邊緣運算,也促使晶片廠商大舉投入相關的專用加速硬體的開發,安馳科技專案副理謝秉志(圖3)表示,嵌入式的機器學習(Machine Learning)解決方案有幾個特性,透過軟/硬體可配置特性因應快速變化的深度學習網路,而且可以針對高效能與低功耗彈性調整,支援深度學習網路任意精度的調整,並以即時運算創造低延遲,在不同的應用上可以彈性的進行差異化。 圖3 安馳科技專案副理謝秉志指出,使用深度壓縮(Deep Compression)工具可以有效提升深度學習網路的效率,改善效能。 可編程元件一向以彈性化的配置見長,在AI應用上,依然延續這類特點,而為了節省運算資源,可以支援最小1bit的資料寬度INT 1運算,跟32位元的運算比起來,可以大幅節省硬體資源。而在深度學習網路中,剪枝(Pruning)也成為邊緣運算的發展重點,透過演算法簡化網路的複雜度,將影響學習準確性較小的節點刪除,讓深度學習網路模型可以被裁剪為結構精簡的模型,且網路修剪前與修剪後維持相似效率。 使用深度壓縮(Deep Compression)工具可以有效提升深度學習網路的效率,謝秉志進一步說明,深度學習網路整體效能將獲得改善,大致說來,可將網路節點縮減成1/3,資料傳輸的頻寬需求剩下1/10,網路模型規模剩下1/10,運算效能提升3倍。 而目前在AI領域領先的GPU大廠NVIDIA,同樣看好邊緣運算的發展,也提出轉移式學習(Transfer Learning)工具,該公司技術行銷經理蘇家興(圖4)指出,這是一個將整體網路優化的工具,流程上是先提出已訓練過的模型,加入新的資料,透過轉移式學習的流程,包括剪枝、場景改編(Scene Adaptation)、重新編碼,最後可以產生一個高精度符合應用場景的模型。網路剪枝不是只有縮減模型的複雜度,而是優化整個深度學習網路,經過轉移式學習流程後,模型可縮小6.5倍,但網路效率可以提升2倍。 圖4 NVIDIA技術行銷經理蘇家興說明,網路剪枝不是只有縮減模型的複雜度,而是優化整個深度學習網路,縮小模型並提升網路效率。 深度學習優化有撇步 目前網路上開放共享的深度學習網路模型很多,如何利用別人已經訓練好的模型來達成自己的目標,逢甲大學電子工程系副教授陳冠宏(圖5)建議,可以先看這些模型跟自己的訓練目標有沒有一致,如果差距不大就可以透過剪枝、截斷(Truncation)、權重分類(Quantization)這些方法,加入自身的情境,讓這些網路經過壓縮之後,可以更加符合自身的應用情境,節省訓練的步驟。若是這些訓練好的模型分類與應用不符,則深度學習網路模型就需要重新訓練。 圖5 逢甲大學電子工程系副教授陳冠宏建議,透過剪枝、截斷(Truncation)、權重分類(Quantization)可以讓AI訓練更有效率。 AI的訓練與推論耗費許多運算資源,因此將AI放在邊緣如何提升效能,且不犧牲太多準確率,成為邊緣運算的發展重心,陳冠宏認為,模型壓縮、高平行性(High...
0

3D感測/機器視覺強強聯手 AI升級智慧製造商機無限

AI人工智慧讓智慧製造能力再上一層樓,而應用已久的機器視覺,亦從成熟的光學檢測AOI,蛻變為內含深度學習(Deep Learning)技術的電腦視覺,搖身一變成為智慧製造的核心技術,影像與視訊內容的自動擷取、處理、分析與應用更加迅速、普遍與成熟。這樣的轉變不僅展現在生產效率的提升上,更可以進一步精簡人力成本,未來AI系統甚至可以針對機台的問題進行自我檢測,分析問題與成因,然而這僅僅是十八般武藝的開端。 近來,許多新興技術發展並與機器視覺結合,進一步擴大了其功能與應用範疇,3D感測技術包括飛時測距(Time of Flight, ToF)、立體雙目視覺(Stereo Vision)、結構光(Structured Light)等技術可以建立三維感測資訊,尤其測距應用的延伸,將使電腦視覺的功力不斷提升,本活動介紹機器視覺技術架構與應用最新動態,加上多個感測技術的加持,並剖析其與AI結合的發展與應用趨勢。 機器視覺助智慧製造一臂之力 而製造業從工業4.0口號被打響以來,製造系統從自動化進入智慧化的另一個全新的發展境界,機器視覺(Machine Vision)/電腦視覺(Computer Vision)就是達成此目標非常關鍵的技術。倢恩科技研發部經理邱威堯(圖1)提到,導入機器視覺可以使傳統製造業產線的生產方法更具彈性與可變性,並改善作業人員工作環境,遠離危險惡劣的工作流程。使用機器視覺的生產線,讓產品從人工檢測進步到自動品質管理,可增進品管重現性/一致性,以達成高度品質管制,降低人員因疲勞或情緒不佳誤判所造成的損失,同時讓檢測數據數值化,自動產生統計報表以便於管理與決策分析。 圖1 倢恩科技研發部經理邱威堯提到,導入機器視覺可以使傳統製造業產線的生產方法更具彈性與可變性,並改善作業人員工作環境。 機器視覺的基本要點包括:檢測(Inspection)、物件識別(Object Recognition)、量測(Gauging)、機器導引與定位(Machine Guiding and Positioning)。 檢測Inspection 利用機器視覺技術自動檢驗製程中工業產品之瑕疵,例如印刷電路板上的線路是否短路、斷路,半導體晶圓之表面缺陷及LCD面板之缺陷等。 物件識別Object Recognition 用於確認物件的身分,例如車牌辨識、條碼辨識、IC元件之光學字元辨識(OCR)及鍵盤檢視、人臉辨識、指紋辨識、瑕疵分類等。 量測Gauging 以機器視覺技術進行非接觸式的量測,例如工件之尺寸、夾角、真圓度及印刷電路板之線寬等。 機器導引與定位Machine Guiding and Positioning 利用機器視覺引導自動化機器之路徑,例如引導銲接機器人之銲道,無人搬運車之行進軌跡;亦可用於決定目標物位置,如SMT、PCB自動裝配作業的定位與機器人的行走路徑等。 機器視覺影像處理要點 進入作業程序後,機器視覺系統針對擷取到的影像進行處理則是另外一個重點,邱威堯進一步說明,影像強化、影像分割、影像編碼、影像還原等為主要的技術。影像強化是使處理過的影像比原始影像更適合於某一特殊應用,方式包括空間域(Spatial Domain)與頻率域(Frequency Domain)。影像分割則是凸顯出影像中感興趣的部分。 影像編碼就是使用較少的位元來顯示一幅影像,壓縮是最常見的方法。影像還原則是改善或重建一幅遭到破壞的影像,邱威堯說,影像還原技術通常需要大量運算時間,且還原後的效果不見得可以接受,建議由取像環境、設備與技術來改善影像的品質。 機器視覺硬體選擇無唯一解 在機器視覺硬體部分,主要由打光、鏡頭與相機組成。邱威堯指出,打光是機器視覺中非常困難的一部分,需要許多直覺與實驗,而打光技術也無通則,但對於特定應用場合已有經驗可循,而打光的方法是根據待測物的光學特性來決定,打光的目的則包括,取得與強化待測物中有興趣之特徵,使前景與背景明顯不同,強化訊噪比,以得到更高品質的影像,凍結移動中物體的運動並去除鏡反射(Specular Refection)等。 而打光的方式則分為正向打光、背向打光與結構打光。並可再進一步細分為擴散式正向打光、直向式正向打光、低角度斜向打光、同軸打光、擴散式背向打光、遮背式背向打光等多種,端視需要的效果而定。光源部分則以人工光源最常用,種類包括白熾燈的鎢絲燈泡、鹵素燈;放電燈的螢光燈、水銀燈、高壓鈉氣燈、複金屬燈、氙氣燈;固態光源的LED與固體雷射。其中,近年在實務應用上LED燈儼然已是主流。 另一個重點就是鏡頭,邱威堯強調,這部分的選擇同樣沒有最佳解,端視需求與使用者掌握的資源而定,選擇的要素包括視野、焦距、工作距離、相機底座、相機格式(感光元件尺寸)、景深、光圈值、相機型式等。以景深為例,其代表聚焦清晰的範圍,長景深表示聚焦清楚範圍大,短景深表示聚焦清楚範圍小,一般景深可以透過縮小鏡頭光圈來增加,但是照明的亮度也要相對提升,原則上要避免出現短景深的情況,以追求長景深為目標。 3D感測加值機器視覺 3D感測技術並不是全新的技術,由於iPhone X的人臉辨識解鎖應用,讓市場大為驚艷,帶動的發展熱潮逐漸滲透到不同領域。目前主要技術為立體雙目視覺、結構光與飛時測距,艾邁斯半導體(ams)資深應用工程師湯治邦(圖2)表示,這三個技術都需要搭配光源,現階段主流光源是垂直腔體表面雷射(VCSEL),並使用不可見的紅外光,波長850nm與940nm為主,因有極少部分人可看見850nm的紅外光,所以近年940nm使用比例逐漸提升。 圖2 艾邁斯半導體資深應用工程師湯治邦表示,飛時測距、立體雙目視覺、結構光技術特性有些差異,造成不同應用與需求各有優勢。 發光源的部分,除了熱門的VCSEL之外,LED與邊射型雷射(Edge Emitters Laser, EEL)都是常見的光源,以技術特性來深入比較,湯治邦指出,VCSEL雷射光的光線集中,LED則呈現散射方式,因此VCSEL波長範圍穩定,可產生波長最精準的光線,操作溫度最高可達200℃,溫度特性比LED與EEL優異,製造成本與半導體製程的簡易度也有相對優勢,是該技術受到高度注目的原因。 此外,主流的三個3D感測技術,技術特性有些許差異,造成不同應用與需求下各有優勢,立體雙目是由兩個攝影機分別擷取影像,理論與人眼相似,透過三角函數可以測知物體的深度,與其他兩個技術相較由於感測元件技術成熟成本較低,但模組體積較大、耗電量較高,也易受環境變化影響,如天候昏暗就會影響感測品質與準確性。 因為iPhone...
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -