Veľká časť týchto príležitostí pramení z neustále rastúceho zavádzania systémov na snímanie a spracovanie obrazu, v ktorých sa analýza obrazu vykonáva pomocou výpočtových algoritmov. Strojové učenie vyžaduje čo najviac vstupných údajov na vytvorenie korelácií, ktoré môžu uľahčiť identifikáciu a klasifikáciu objektu, takže je veľmi výhodné získavanie optických informácií v inom rozsahu vlnových dĺžok alebo napríklad so spektrálnym rozlíšením.

Potenciál krátkovlnnej infračervenej technológie

Nové technológie obrazových snímačov ponúkajú mnoho ďalších výhod. V závislosti od technológie to môže zahŕňať podobné možnosti za nižšiu cenu, zvýšený dynamický rozsah, zlepšenie časového rozlíšenia, priestorovo variabilnú citlivosť, globálne clony pri vysokom rozlíšení, zníženie nežiaduceho vplyvu rozptylu, flexibilitu/konformitu a ďalšie. Obzvlášť dôležitým trendom je vývoj oveľa lacnejších alternatív veľmi drahých senzorov InGaAs na zobrazovanie v krátkovlnnej infračervenej spektrálnej oblasti (z angl. Shortwave Infrared – SWIR, 1 000 – 2 000 nm), ktoré túto schopnosť otvoria pre oveľa širší rozsah aplikácií. Určite budú medzi ne patriť autonómne vozidlá, kde snímanie s technológiou SWIR pomáha pri rozlišovaní predmetov/materiálov, ktoré sa zdajú byť podobné vo viditeľnom spektre, a zároveň znižuje rozptyl spôsobený prachom a hmlou.

Existuje niekoľko konkurenčných technológií SWIR. Patria sem hybridné obrazové snímače, kde je na vrchu čítacieho obvodu CMOS umiestnená ďalšia tenká vrstva absorbujúca svetlo z organických polovodičov alebo kvantových bodov, čím sa zväčší rozsah detekcie vlnovej dĺžky v oblasti SWIR.

Hyperspektrálne zobrazovanie, pri ktorom sa v každom pixeli získa kompletné spektrum na vytvorenie dátovej kocky (x, y, ?) pomocou disperzného optického prvku a obrazového snímača, je relatívne zavedená technológia, ktorá si získala popularitu napríklad v oblasti presného poľnohospodárstva a pri kontrole v priemyselných procesoch. V súčasnosti však väčšina hyperspektrálnych kamier pracuje na princípe riadkového skenovania, zatiaľ čo hyperspektrálne snímanie SWIR je obmedzené na relatívne špecializované aplikácie vzhľadom na vysoké náklady na senzory InGaAs, ktorých cena môže presiahnuť 50 000 eur. Zdá sa, že vznikajúce technológie využívajúce silikónové alebo tenkovrstvové materiály narúšajú oba tieto aspekty, pričom snímkovanie ponúka alternatívu ku kamerám s riadkovým skenovaním a nová metóda snímacích technológií SWIR prináša znižovanie nákladov a možnosti nasadenia v širšej škále aplikácií.

Klasickými príkladmi, kde sa technológia SWIR uplatňuje, sú potravinársky alebo polovodičový priemysel, kde treba rozpoznávať rozmerovo malé obvody na doske plošných spojov. Dopyt po SWIR rastie a jej cena sa v porovnaní s rokmi, keď sa používala len v špeciálnych výskumných laboratóriách či vojenských aplikáciách, výrazne znížila. Zásluhu na tom má aj spoločnosť Sony, ktorá vytvorila snímače SenSWIR (obr. 1). Tie sú oveľa dostupnejšie v porovnaní s technológiami vyššej kategórie, ktoré boli dostupné v minulosti.

Dynamické spracovanie obrazu

Ďalšou technológiou snímania obrazu, ktorá čoraz častejšie prechádza z laboratórnych a výskumných projektov do priemyselnej praxe, je snímanie obrazu založené na udalostiach, známe tiež ako dynamické snímanie obrazu (z angl. Dynamic Vision Sensing – DVS; obr. 2). Autonómne vozidlá, drony a vysokorýchlostné priemyselné aplikácie vyžadujú snímanie obrazu s vysokým časovým rozlíšením. Pri konvenčnom snímkovaní založenom na snímkach však vysoké časové rozlíšenie produkuje obrovské množstvo údajov, ktoré vyžadujú výpočtovo náročné spracovanie. Navyše štandardná kamera má pevne danú snímkovú frekvenciu, takže ak sa niečo stane rýchlejšie, ako je cyklus snímania snímok, zmeškáte to. Ak sa v rámci udalosti nič nemení, tak pri dynamickom snímaní obrazu je skutočná vzorkovacia frekvencia kilohertz, nie hertz. Ak sa zmení nejaká maličkosť, senzor ju zachytí. Údaje sa získavajú len vtedy, keď sa niečo zmení na jednom pixeli. To otvára aplikácie, o ktorých ľudia doteraz nepremýšľali. Ide o úplne nový spôsob uvažovania o získavaní optických informácií, pri ktorom každý pixel snímača hlási časové značky, ktoré zodpovedajú zmenám intenzity. Snímanie obrazu založené na udalostiach spája väčšie časové rozlíšenie rýchlo sa meniacich oblastí obrazu s výrazne zníženým objemom prenášaných údajov a následnými požiadavkami na spracovanie.

Zabudované riešenia na snímanie a spracovanie obrazu

Zabudované systémy zahŕňajú snímanie a spracovanie obrazu z hardvérovej a softvérovej stránky do toho istého zariadenia. Rozdiel medzi zabudovanými systémami a systémami strojového videnia nie je vždy jasný. Zabudované systémy videnia v podstate kombinujú možnosti snímania a spracovania obrazu do jedného zariadenia. Tradičné systémy strojového videnia na druhej strane často vyžadujú veľkú kameru a objektív na snímanie obrazu spolu so štandardizovaným rozhraním a káblom, ktorý prenáša nespracované obrazové údaje do samostatného priemyselného počítača.

Prvé technológie strojového videnia využívali veľké a drahé kamery a počítače, čo ich použitie obmedzovalo na špecifické priemyselné aplikácie. Postupom času sa komponenty snímania a spracovania obrazu dramaticky zmenšili, čo umožnilo úplne nové vyhotovenie systému videnia. Dnes môžu byť systémy videnia dostatočne malé na to, aby sa dali vložiť do iných zariadení, ako je napríklad smartfón, čím sa radikálne zmení funkčnosť tohto zariadenia.

Zabudované systémy strojového videnia sú stále vo vývoji, ale majú potenciál transformovať celé odvetvia. Táto vzrušujúca nová technológia otvára úplne nové možnosti zobrazovania s nekonečnými komerčnými príležitosťami. Jedným z príkladov takéhoto zabudovaného systému je riešenie Quartet (obr. 3) od spoločnosti Teledyne FLIR. Ide o dosku, ktorá umožňuje jednoduchú integráciu až 4x USB3 kamier strojového videnia pri plnej šírke pásma. Hardvérový akcelerátor hlbokého učenia Nvidia Jetson z nej robí kompletný systém rozhodovania na jednej kompaktnej doske.

Táto doska poskytuje plne integrovaný dizajn systému na jednom module (z angl. System on Module – SOM), ktorý optimalizuje veľkosť a náklady tým, že eliminuje potrebu periférneho hardvéru a nadradených systémov.

Umelá inteligencia v systémoch snímania a spracovania obrazu

Napriek tomu, že integrácia umelej inteligencie (UI) do systémov snímania a spracovania obrazu existuje už desaťročia, je relatívne nová. V súčasnosti čoraz viac výrobcov využíva kombinovaný výkon UI a snímania a spracovania obrazu na lepšiu automatizáciu, optimalizáciu a zlepšenie kontroly kvality.

UI rozširuje strojové videnie založené na pravidlách o analýzu založenú na obraze. Keď počítač (alebo systém snímania a spracovania obrazu) prijme obrázok, UI softvér tento obrázok porovná s databázou pozostávajúcou z „dobrých“ aj „zlých“ referenčných obrázkov a vytvorí výsledok. Minimálnym výsledkom je hodnotenie vyhovujúci/nevyhovujúci alebo OK/NOK, avšak táto zložitosť sa môže meniť v závislosti od požiadaviek. Proces učenia rozpoznávať vzory a odvodzovať závery z referenčných obrázkov umožňuje počítačom rozlišovať medzi prijateľnými a neprijateľnými anomáliami v kontrolovaných objektoch.

Navyše, riešenia strojového videnia integrované s technológiou UI môžu využívať spracovanie prirodzeného jazyka na čítanie a interpretáciu štítkov na obrázkoch v porovnaní s prístupmi založenými na pravidlách, ktoré vyžadujú rozsiahle programovanie a značné technické znalosti. To umožňuje širšej základni používateľov využívať výhody UI na automatizáciu výroby. Dve popredné technológie v rámci UI – učenie sa na „okrajovom“ zariadení (z angl. edge learning) a hlboké učenie (z angl. deep learning) – pomáhajú ďalej zjednodušovať automatizáciu veľmi variabilných úloh a riešiť úlohy, ktoré sú príliš komplikované a časovo náročné na programovanie pomocou algoritmov založených na pravidlách.

Učenie na okraji je podmnožinou UI, v ktorej sa spracovanie uskutočňuje na zariadení alebo „na okraji“, t. j. na mieste, odkiaľ pochádzajú údaje, pomocou vopred trénovaného súboru algoritmov. Táto technológia sa jednoducho nastavuje a vyžaduje menšie súbory obrázkov a kratšie obdobia školenia a overovania ako tradičné riešenia založené na hlbokom učení.

Hlboké učenie je schopné spracovať veľké, podrobné súbory obrázkov, je navrhnuté na automatizáciu zložitých alebo vysoko prispôsobených aplikácií. Táto technológia umožňuje používateľom rýchlo a efektívne analyzovať rozsiahle súbory obrázkov, odhaľovať jemné chyby a poskytovať presné výsledky.

Vplyv UI a strojového učenia v systémoch na snímanie a spracovanie obrazu v rôznych odvetviach je transformačný, je zdrojom zlepšení z hľadiska efektívnosti a presnosti a prináša aj mnohé inovácie. Od revolúcie v kontrole kvality vo výrobe až po zlepšenie diagnostiky v zdravotníctve sa aplikácie týchto technológií naďalej vyvíjajú a pretvárajú tradičné postupy.

Keďže organizácie pokračujú v prijímaní UI a strojového učenia, odhodlanie riešiť výzvy, zabezpečiť etické nasadenie a podporovať kvalifikovanú pracovnú silu bude rozhodujúce pre uvoľnenie plného potenciálu systémov na snímanie a spracovanie obrazu.

Literatúra

[1] He, X.: Emerging Image Sensor Technologies 2024-2034: Applications and Markets, IDTechEX Research. ISBN 9781915514943. [online]. 
[2] Wilson, L.: What Are the Newest Trends in Machine Vision? Vision System Design. [online]. Publikované apríl 2024.  
[3] What´s Trending in Machine Vision? Part 4, celarview blog. [online]. Publikované 2021.  
[4] Transforming Industries: The Impact of AI and Machine Learning in Machine Vision Systems. Sciotex. [online]. 

-tog-