Machine Vision vs. Embedded Vision vs. Computer Vision

Maskinsyn er et underområde af kunstig intelligens og datalogi, der hjælper maskiner med at forstå og fortolke verden visuelt med sensorer eller kameraer. Dette involverer brug af forskellige algoritmer og teknikker til at analysere digitale billeder eller videoer og udtrække nyttig information fra dem.

Machine vision-systemer er sammensat af forskellige komponenter udover kameraer og sensorer, såsom billedbehandlingshardware og -software, og en måde at vise resultater eller foretage handlinger baseret på, hvad maskinen har “set”. Kameraet optager billeder eller videoer, og derefter analyserer specialiseret hardware og software dem for at udføre forskellige opgaver.

Machine Vision lærer derfor maskiner at se og genkende objekter på samme måde som mennesker gør (men meget hurtigere og mere effektivt). Derfor bruger de forskellige teknikker som funktionsdetektion og matchning, skabelonmatching og neurale netværk baseret på dyb læring til at klassificere objekter i billeder eller videoer.

På den anden side refererer embedded vision-systemer til brugen af computervisionsalgoritmer og -teknikker i indlejrede systemer.

Embedded vision-systemer fungerer som en del af en større enhed og har normalt en specifik opgave inden for et mere omfattende system. Nogle systemer kan nemt implementere flere embedded vision-systemer for at udføre de opgaver, der er nødvendige for applikationen.

Fordi embedded vision-systemer normalt har en specifik opgave inden for et mere omfattende system, kombinerer de machine vision-teknikker med små, ressourcebegrænsede computerenheder. Indlejrede synssystemer har til formål at give disse enheder mulighed for at se og fortolke verden omkring dem, så de kan udføre opgaver, der tidligere krævede menneskeligt syn og forståelse, ligesom maskinsynssystemer. Embedded vision-systemer er derfor normalt fysisk mindre og enklere at integrere end machine vision-systemer.

Når det kommer til optiske filtre, er udtrykket ’embedded vision’ mere eller mindre et synonym for ‘machine vision’. Dette er også hovedårsagen til, at vi har kategoriseret vision-systemer under én kategori (machine vision), da indlejrede vision-systemer også er maskiner (det står i navnet) med et lignende formål som andre machine vision-systemer.

Som vi har demonstreret ovenfor, er machine vision og embedded vision mere eller mindre udskiftelige teknologier.

Mens machine vision og embedded vision er systemtekniske discipliner, er computersyn et studieområde baseret på kunstig intelligens og datalogi. Derfor er computer vision faktisk en bredere definition, der omfatter mange forskellige applikationer. I modsætning hertil er maskinsyn og indlejret syn mere specifikke anvendelser af computersyn i industriel automatisering og indlejrede systemer.

Med denne afgrænsning kan vi sige, at computer vision ikke er den teknisk korrekte terminologi til at beskrive de applikationer, vi fokuserer på her hos PSC. Derfor vil vi kun fokusere på machine vision- og embedded vision-applikationer i de følgende eksempler.

Mens både machine vision og embedded vision involverer computersyn, kan der være små forskelle i anvendelse og implementering. Machine vision-systemer bruges typisk i industri- og fremstillingsmiljøer, hvor nøjagtighed og præcision er afgørende. Disse systemer kræver ofte avanceret computerhardware og er installeret på faste lokationer.

På den anden side er embedded vision-systemer designet til at blive implementeret på små og relativt mobile systemer. De bruges ofte i forbrugerelektronik, sundhedspleje, bilindustrien og andre industrier. Disse systemer skal være optimeret til strømforbrug, omkostninger og ydeevne og kræver ofte specialiserede hardwareplatforme for at opnå dette.

Der er mange ligheder, når man vælger optiske filtre til disse typer applikationer.

Som vi har illustreret, er grænsen mellem, hvornår noget teknisk set er et machine vision- eller embedded vision-applikation, ofte sløret. Kravene til det optiske filter i begge disse typer applikationer kan endda være de samme i mange scenarier.

Derfor afhænger valget af optisk filter i højere grad af, hvad der kræves af det pågældende visionsystem, og hvilket miljø det skal placeres i – ligesom med enhver anden form for optisk filter. Vi overvejer stadig de fem områder, der skal tages i betragtning, når vi vælger en optisk filterløsning, uanset om det kaldes en maskinvisionsapplikation eller en indlejret visionapplikation.

Af denne grund er det svært at sige endegyldigt, at optiske filtre til machine vision-applikationer har brug for et sæt funktioner og ydeevne, og indlejrede vision-systemer har brug for et andet sæt specifikationer.

De samme spørgsmål, når du vælger et optisk filter til enhver anden form for anvendelse, er stadig afgørende at overveje, såsom krav til billedkvalitet, kontrastforbedring, holdbarhed, design osv.

For at opsummere, er machine vision og embedded vision to meget ens felter med lidt forskellige fokus og applikationer – og computersyn er et mere generelt begreb, der bruges til at beskrive et studieområde.

Lighederne er så mange, især med hensyn til at vælge optiske filtre til deres enheder, at vi kategoriserer alle disse former for applikationer som machine vision.

Den største forskel, når du læser om disse teknologier andre steder, er, at mens maskinsyn normalt fokuserer på industriel automatisering og kvalitetskontrol, implementerer indlejret syn computersyn i små, ressourcebegrænsede enheder. Disse visionsystemer bruges i en lang række applikationer – måske endda sammen.