本篇文章節(jié)選自安森美半導(dǎo)體原創(chuàng)文章《安森美半導(dǎo)體領(lǐng)先的智能感知技術(shù)和方案應(yīng)對工業(yè)人工智能應(yīng)用挑戰(zhàn)》。本篇文章是此次系列文章的第二篇，完整文章共兩篇~

如果您還未閱讀本系列第一篇文章，點擊下方鏈接即可閱讀~ 領(lǐng)先的智能感知技術(shù)和方案應(yīng)對工業(yè)人工智能應(yīng)用挑戰(zhàn) 第一篇

市場對高分辨率的需求不斷增長

越來越多的應(yīng)用對分辨率有了很高的需求，例如手機/電視/電腦顯示器的LCD、OLED屏幕檢測。在這檢測應(yīng)用中，使用相機檢測顯示器的輸出，以查找顯示亮度的均勻性、顏色準(zhǔn)確性、線條缺陷、顆粒缺陷等。這就要求檢測相機提供非常高的圖像質(zhì)量和高度均勻性，以確保相機中的質(zhì)量問題不會被誤解為顯示器中的產(chǎn)品缺陷。 顯示屏實際上都由紅綠藍(lán)等多個LED子像素組成，檢測系統(tǒng)需要能夠解析所有這些子像素，以便正確成像和顯示并確認(rèn)設(shè)備的質(zhì)量，為提高檢測的精度和可靠性，行業(yè)中通常會使用圖像傳感器靶面的3x3，或者4x4, 甚至5x5個像元來識別顯示屏設(shè)備的一個LED子像素，這就需要用到更多的傳感器像元個數(shù)，并且隨著顯示器分辨率的不斷提高-從傳統(tǒng)高清到4k到8k甚至更高，檢測相機所需的分辨率也在不斷提高，才不會犧牲應(yīng)用所需的高圖像質(zhì)量和均勻性，為AI算法的精度提供更可靠的數(shù)據(jù)支持。 又如另一個常見的工業(yè)成像應(yīng)用是印刷電路板檢測，以確認(rèn)電路板組件上的集成元器件、電容器、電阻器等已正確安裝并焊接到位。電路板的檢測速度是受圖像分辨率和幀率的組合影響，圖像中能夠捕獲的電路板尺寸面積越大，一次可以檢測的電路板就越多，圖像能捕獲的越快，檢測的效率就越高。

雖然當(dāng)前市場上提供的圖像傳感器可以每秒輸出約500或1400個像素的數(shù)據(jù)，但是安森美半導(dǎo)體的XGS 45000可以以接近1900個像素/秒的速度捕獲更多的圖像數(shù)據(jù)用于算法判斷，比競爭對手快3倍以上，圖像數(shù)據(jù)寬度可以達(dá)8000個像素。高分辨率和高帶寬的結(jié)合使這種檢測應(yīng)用的AI算法可以更快，更有效地執(zhí)行，從而提高了制造過程的生產(chǎn)率。

圖2：XGS 45000的演示效果

再如用于監(jiān)控或廣播的影像應(yīng)用，圖像需求結(jié)合了上述性能，該應(yīng)用對圖像質(zhì)量的要求非常高，市場對分辨率的需求也不斷增長，從高清到4K到現(xiàn)在的8k，高分辨率提供了更強大的圖像結(jié)構(gòu)和細(xì)節(jié)可以看到寬視野的能力，還提供了用于AI分類的裁剪開窗的選項，來放大感興趣的內(nèi)容。 安森美半導(dǎo)體的XGS 45000圖像傳感器實際上具有比8k視頻所需的分辨率更高，不僅可以使用少量裁切來提供8k視頻，還由于XGS 45000具有很高的帶寬，它可以60幀每秒的速度提供8k視頻以及完整的12位輸出，滿足了該應(yīng)用所需的高分辨率、高帶寬和高圖像質(zhì)量。

值得一提的是，安森美半導(dǎo)體也提供完整的參考設(shè)計X-Cube，基于X-class圖像傳感器系列， 在1.1英寸光學(xué)格式提供1600萬像素分辨率，提供用于機器視覺和ITS的 29 mm x 29 mm工業(yè)相機占位所需的成像細(xì)節(jié)和性能，且一個攝像機可支持多種分辨率，幫助設(shè)計人員加快開發(fā)。

圖3：高分辨率X-Cube 系統(tǒng)用于29 mm x 29 mm 相機設(shè)計

從僅捕獲RGB信息和X,Y二維信息到添加深度信息或多光譜區(qū)域信息

除了圖像傳感器的性能提升，另外更為豐富的成像信息的集成也可以增強人工智能的性能，逐漸成為工業(yè)客戶做出明智決策的關(guān)鍵。 通過對多種模式和AI處理的投資，也使得安森美半導(dǎo)體具備獨特的優(yōu)勢，從僅提供三種紅綠藍(lán)(RGB)組成的成像系統(tǒng)發(fā)展到添加詳細(xì)的光譜特征，這樣可以在檢測中看到RGB無法識別的地方。使用12比特位的圖像數(shù)據(jù)，可以提高識別圖像的精度，從僅提供x、y二維定位信息到使用結(jié)合了深度像元技術(shù)或毫米波雷達(dá)、激光雷達(dá)技術(shù)和圖像融合后帶來深度信息，可更深入地了解檢測對象的全部體積大小高度等的信息，也就是深度學(xué)習(xí)。 所以現(xiàn)在圖像傳感器的開發(fā)正在從僅捕獲RGB信息轉(zhuǎn)移到新的形式，增強的數(shù)據(jù)集提供的信息將不僅僅是顏色和二維位置。圖像傳感器的廠家都在開發(fā)新技術(shù)以獲取更可靠的深度信息或者多光譜區(qū)域信息。 比如開發(fā)通過融合內(nèi)部不同數(shù)據(jù)流的Super Depth像元技術(shù)，開發(fā)通過有規(guī)律的結(jié)構(gòu)，調(diào)制入射光振幅或相位的衍射光柵技術(shù)，開發(fā)基于單光子雪崩二極管(SPAD)和硅光電倍增管(SiPM)的傳感器等方式來實現(xiàn)為圖像提供更多的深度信息。 或者開發(fā)基于等離子體波導(dǎo)濾波片，或以法布里-珀羅（F-P)結(jié)構(gòu)原理為基礎(chǔ)的多通道分光濾光片制造技術(shù)實現(xiàn)在更多的光譜區(qū)域成像的超多光譜技術(shù)。

神經(jīng)網(wǎng)絡(luò)處理

隨著人工智能的發(fā)展，分類系統(tǒng)設(shè)計需要功能強大的圖像處理單元(GPU)或張量處理單元(TPU)神經(jīng)網(wǎng)絡(luò)處理器，因為訓(xùn)練和推理都需要大量計算，人工智能界正在面臨前所未有的算力挑戰(zhàn)，網(wǎng)絡(luò)拓?fù)湫枰獢?shù)億個乘法和加法邏輯計算（MAC），需要數(shù)百萬個卷積神經(jīng)網(wǎng)絡(luò)參數(shù)，就比如能實現(xiàn)分類/目標(biāo)檢測/語義分割等多目標(biāo)任務(wù)的MobileNetV2結(jié)構(gòu)就具有3億個MAC計算和420萬個參數(shù)，但這相對于ResNet微結(jié)構(gòu)，已經(jīng)是減少了9倍的計算量。 訓(xùn)練過程由于涉及海量的大數(shù)據(jù)和復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，需要的計算規(guī)模非常龐大，通常需要GPU或云去完成，推斷部署環(huán)節(jié)的計算量相比訓(xùn)練環(huán)節(jié)會少一些，但仍然涉及大量的矩陣運算，通常在邊緣的高功率GPU / TPU上執(zhí)行以實現(xiàn)低延遲。面對深度學(xué)習(xí)的訓(xùn)練和推斷的算力需求，市場上大部分使用的是NVIDIA的GPU或google的TPU來實現(xiàn)。

AI的發(fā)展

要真正實現(xiàn)快速決策，AI也需要發(fā)展。如今，用于成像的AI決策已從云過渡到邊緣再遷移到與成像系統(tǒng)本身。 比如把AI的訓(xùn)練環(huán)節(jié)保留在GPU或云端，利用堆棧工藝可以將決策或甚至與之相關(guān)的一些預(yù)處理集成到圖像傳感器上，比如在傳感器上集成用于圖像識別的底層或者輕算力的卷積神經(jīng)網(wǎng)絡(luò)層，集成具有內(nèi)存的數(shù)字矩陣乘法計算單元體系結(jié)構(gòu)。這些AI功能集成在圖像傳感器中都將會實現(xiàn)，也已經(jīng)有公司發(fā)布了內(nèi)置人工智能引擎的圖像傳感器芯片。

如安森美半導(dǎo)體的融合了AI的水果新鮮度分類系統(tǒng)的演示，整個ECOsystem是基于安森美半導(dǎo)體的AR1335的相機和NVIDIA Xavier edge GPU, 使用了TensorRT版本的MobileNetV2結(jié)構(gòu)來處理分類新鮮和腐爛的蘋果、橘子、香蕉等6類多達(dá)上萬個CNN訓(xùn)練參數(shù)，可以識別三種水果及其新鮮度，這個系統(tǒng)的準(zhǔn)確率達(dá)到97%以上。

圖4：AI用于機器視覺，識別水果新鮮度

總結(jié)

圖像傳感器的開發(fā)正在從僅提供RGB和二維坐標(biāo)信息轉(zhuǎn)移到新的更豐富的形式。圖像傳感器可提供更多類型的數(shù)據(jù)，無論是深度數(shù)據(jù)還是增加的光譜信息，以及AI合并這些數(shù)據(jù)集并實現(xiàn)高級決策，從而使系統(tǒng)能夠通過新的測量和決策機會提供更快、更準(zhǔn)確的結(jié)果。安森美半導(dǎo)體是工業(yè)機器視覺的領(lǐng)袖之一，以全方位的智能感知產(chǎn)品陣容和領(lǐng)先的技術(shù)，應(yīng)對工業(yè)AI應(yīng)用挑戰(zhàn)并推進(jìn)智能制造的創(chuàng)新。