传感器和自动化技术的迅速发展给机器视觉行业带来重大影响，例如产品生产、医疗保健、自动驾驶以及人工智能（AI）、视觉软件与新型硬件架构为基础的机器人技术的研发。这些变化给行业内很多应用提升了生产效率、成本控制和决策制定能力

机器视觉方向的边缘人工智能技术

边缘人工智能，或者说边缘学习，是一种特殊的，算法和深度学习网络直接运行在终端上的人工智能技术。数据处理通常在相机上完成并且数据直接传输到连接的云服务器上。这些系统对自动重复处理过程有帮助，并且这些操作都能以优化的能量消耗、网络延迟进行最终提升整体效率。

图1：一个 LUCID Vision Labs™ SENSAiZ 智能视觉CMOS相机 能够维持各项指标处于合适的水平并且在供给低于特定水平后给工作人员报警。.

用于机器视觉的高分辨率人工智能

人工智能本身并不是一个全新的趋势。深度学习神经网络模型的应用正在加速呈现惊人结果。使得 LUCID Vision Labs™ SENSAiZ 智能视觉CMOS x相机 与众不同的是其与高分辨率AI的有效结合。先前版本的机器视觉人工智能所使用的传感器有着稍低一些的分辨率，对图像以VGA分辨率进行采样。

图2The AITRIOS 环境是一个为应用开发以及系统集成提供工具和环境的一站式B2B平台。图片来源 Sony AITRIOS.

Lucid Vision Labs 与 Sony合作来适配1233 万像素的 IMX500 机器视觉相机传感器与 AITRIOS 深度学习平台配对使用。这些技术结合在一起，使最终用户能够开发人工智能工具，以提高应用效率，节约电力和带宽等资源，并能够探索技术应用的前沿。此外，还有其他相机制造商和软件包可以实现类似的目标，其中包括某些与 Vidi AI 软件包搭配使用的Cognex相机。

事件机器视觉

事件机器视觉，也称为神经形态视觉，是一种成像方法，在这种方法中，相机传感器（有时也称为动态视觉传感器（DVS））在不受快门影响的情况下连续记录曝光强度。在每个像素层面上，以类似神经网络的并行方式异步记录强度变化，从而节省有限的板载计算资源。

图3：传统传感器（左）以固定速率记录帧数，与视场中物体的变化无关，而基于事件的传感器（右）则根据检测到的视场强度变化来捕捉单个像素的变化。

基于事件的成像具有低延迟（微秒量级）和高时间分辨率，通过只捕捉基本运动信息，有效地消除了帧频。此外，由于取消了帧率，图像具有较高的动态分辨率和较低的运动模糊度，同时相机功耗较低。这种成像技术在机器人、自动驾驶汽车和许多其他行业领域都具有潜力。

SWIR 成像技术的进步带来了经济性

短波红外（SWIR）成像通常使用 0.9 至 1.7µm 波段的光，但也可包括 0.7 至 2.5µm 波段的光。由于 SWIR 波长在可见光谱之外，而用于可见光的典型硅传感器只对近红外光谱（650 纳米到 1 微米之间）的光敏感，因此 SWIR 传感器采用其他材料制造，包括铟砷化镓(InGaAs) 和磷化铟 (InP)。一般来说，这些传感器很难制造，价格也很高。然而，在过去几年中，SWIR 传感器制造技术的进步极大地提高了制造效率，从而大大降低了成本。

图4传统硅传感器（左图）的量子效率 (QE) 曲线表明，其仅在 900 nm到 1µm之间有较高灵敏度，但 InGaAs 的灵敏波段却远大于此，如这款视觉-SWIR InGaAs 混合传感器（右图）所示。

此前，SWIR 红外热像仪以其高昂的价格给应用开发者造成了障碍。因此，该技术目前的应用在某种程度上仅限于农业和环境监测、包括药品在内的工业应用质量检测以及天文学。随着经济性的提高，最终用户将能够探索新的应用领域，包括艺术品修复等。(图 5).

滚动查看 SWIR 图像

图5The Last Judgement 由Jan Provost所作，底特律艺术学院拍摄了画作的SWIR 波段照片，通过仔细观察颜料膜下的底稿来解释艺术家的创作初衷。图片版权归底特律艺术学院所有批准使用