工业

计算机视觉、机器学习和人工智能 (AI) 等术语如今已变得耳熟能详，人们很容易会把它们看作是单独的应用。事实是，它们每一个都代表了能够满足各种使用案例需求的整个应用类别。

因此，计算机视觉系统采用各种硬件架构。在某些应用中，单单使用标准 CPU 就可以完成任务。在另一些应用中，可能需要使用 GPU、FPGA 甚至专业的视觉处理器 (VPU)。

当然，这些计算架构可以按各种配置组合起来。如图 1 所示，视觉处理管道由数个步骤组成，不同的处理器适用的步骤各不相同。例如，GPU 通常用于处理原始视频数据和提取特征，而 VPU 和 FPGA 则非常适合用于分析。

了解计算机视觉的复杂性

但是，一个使用案例可能需要用到多种计算机视觉，每种类型都有不同的计算要求。在制造业中尤其如此，生产线上的每个阶段都可能涉及不同的算法、相机和计算机硬件，以执行各自专门的缺陷检测任务。

以金刚石涂层锯片的制造流程为例。该流程涉及许多步骤，包括：

• 将原始坯料切割成圆盘状
• 将金刚石涂层烧结到切削刃上
• 钻安装孔
• 抛光圆盘
• 削尖刀片
• 对圆盘进行喷漆
• 打印标签
• 将刀片规格刻印到圆盘上

如图 2 所示，每一个步骤都会出现各种各样的缺陷。每种缺陷都有其独特的特征，因此需要不同的视觉检测。

因此，拥有一个支持各种配置方式、可以灵活部署的可扩展平台非常重要。这种方法的一个例子是 APQ Science & Technology 的智能视觉处理系统 (IVPS)。基准系统可以搭载一系列英特尔^® 酷睿^™ 处理器，开发人员不但可以选择 CPU 性能，而且能够选择内置 GPU 性能，以满足不同的需求。此外，IVPS 还支持基于英特尔^® Movidius^™ 处理器的直插式加速器，在需要时提供神经网络加速。

该公司的 CTO Dequan Wang 解释了为什么专用性和灵活性对于解决广泛的技术问题必不可少。对于检测形状切割误差等任务，算法只需要中等计算能力。但其他任务提出了更高的要求。

“考虑到钻石涂层的纹理，我们很难检测到划痕，” Wang 说道，因为涂层表面是不规则的。因此，该公司需要一个多层神经网络来识别划痕和其他缺陷。

此外，标签和其他印刷品评估起来也异常困难。因为细节可能非常精细，所以这个阶段需要非常高的精度和图像分辨率，这又增加了计算负载。

裂纹检测也有独特的要求。在这个例子中，图像预处理是消除噪声的关键，因为噪声会干扰刀片表面裂纹的识别。

但是，可扩展性如此重要还有另一个原因：制造流程往往会随着时间而改变。在本例子中包括原料、刀片尺寸和其他规格的变化，以及制造设备的更新。因此，我们需要将计算性能理解为一个移动靶，需要随机应变。

智能软件大显身手

虽然灵活的硬件平台可以帮助满足所有这些变化的需求，但这只是开始。开发人员需要一个能够灵活扩展的软件平台。

在这里，英特尔^® OpenVINO^™ 工具套件发挥重要作用。该平台可以轻松地调整 CPU、GPU 和 VPU 的性能，使开发人员能够根据需要在不同的硬件配置之间无缝切换。

“OpenVINO 帮助我们的系统成功提速” Wang 说道，“它提供了一个基本的多媒体处理库和一个神经网络计算框架。这减少了我们的开发工作量，充分提高了性能，并加快了开发速度。”

IVPS 通过在同一硬件上集成计算机视觉和运动控制，将这种可扩展的方法又向前推进了一步。这不仅改进了计算机视觉和运动控制的协作程度，还降低了成本，同时提高了精度和性能。

“使用我们的集成 PLC SDK，客户可以在 IPC 上完成各种运动控制应用，” Wang 说道，“同时在任何需要的地方执行计算：CPU、GPU、加速卡。这有助于他们充分利用计算机视觉的优势。”

锦上添花的服务

即使拥有所有这些复杂的工具，制造商也会发现开发复杂的机器视觉算法是一项艰巨的任务。这激励了 APQ 推出与其硬件相辅相成的开发服务。

“我们将开发专门针对这些应用场景的定制算法，” Wang 解释道。“我们的目标是减少检测系统的误报，当然，也要提高检测的准确性。”

这不仅仅是为流程中的每个步骤创建算法。APQ 关注的是整条生产线。Wang 说道，“我们在软件中充分模拟他们的流程，使他们能够快速上手。”

对于制造商而言，他们的目标是以低成本生产出没有缺陷的产品。计算机视觉和推断训练可以解决这个挑战。在流程的每个步骤使用合适的硬件来执行机器学习，可以减少甚至消除可能导致生产中断的误报。