加快机器视觉的开发和部署

机器视觉对于工业自动化至关重要

制造业和工业流程正在发生巨大的变化。工业物联网 (IIoT) 等举措有望显着提高运营效率。因此，使 IIoT 应用程序能够感知和洞察生产过程、工业自动化和质量控制的现实世界中正在发生的事情的传感器正在以前所未有的速度部署。虽然环境、流体流量和压力传感器可以提供许多指标，但 IIoT 系统需要作为流程进行全面管理的最重要的人类感官之一是视觉。配置计算机视觉，通常称为计算机或机器视觉，依赖于快速图像和视频处理技术以及人工神经网络平台。

机器视觉无处不在

通过将视觉能力引入任何工业制造或装配过程，机器视觉的潜在应用几乎变得无限。因此，机器视觉系统遍布整个工业领域，可满足广泛的需求。例如，机器视觉可以检测一瓶沐浴露是否没有装满，或者标签是否没有贴直或贴在正确的位置。如果顶部没有正确应用，或者如果瓶子出现破裂、破损或变形，它还可以促使执行器将瓶子推入拒绝箱。另一个例子可能是工业机器人对机械零件进行复杂的自动化组装。机器视觉任务可能包括确认零件正确对齐以进行组装，

机器视觉实现设计注意事项

在实施机器视觉应用程序时，需要考虑多个因素。首先，开发团队必须确定他们的系统需求是否可以使用简单的图像处理技术来解决，还是深度学习神经网络更适合更复杂的任务。

简单的图像处理技术可以包括边缘检测算法、阈值技术以及对相机捕获的图像使用低通、带通或高通滤波器。这种方法的好处是只需要中低计算资源，这意味着生产吞吐量不会受到影响。列出的技术在许多制造和过程自动化场景中都很有用。例如，考虑检查工业机器人是否将瓶盖盖在瓶子上的任务。机器视觉可以使用带有高通滤波器的边缘检测算法执行此任务，如果瓶盖丢失，该算法将显示暗像素。阈值将颜色与背景分开，因此，例如，可以识别和计数泡罩包装中的药丸。还，

如果机器视觉任务更复杂，例如读取产品的部件号，开发人员可以实施人工神经网络来推断文本字符和数字。然后设计工作变得更加复杂，需要训练神经网络模型以快速、可靠和正确地识别字母和数字。

也许最重要的考虑因素是由生产线处理速度决定的图像处理速度和计算任务延迟。为确保设计和实施的灵活性，机器视觉平台还应适应不同的图像和视频协议以及帧速率，以使平台适应性和可扩展性适用于各种应用。

我应该使用哪种计算设备？

如上面的应用示例所示，机器视觉计算工作负载可能会有很大差异。大多数高端微处理器非常适合计算密集型任务；然而，现场可编程门阵列 (FPGA) 特别适用于实现图像和视频流的高数据率、确定性并行处理技术。同样，它们非常适合与卷积神经网络等神经网络算法一起使用，这些算法可以模拟人脑以高精度推断图像结果。

对于负责为广泛的工业用例实施机器视觉系统的开发团队来说——无论是使用图像处理还是神经网络技术——灵活的原型制作平台的可用性是他们设计的基础是关键。

介绍 Microsemi/Microchip PolarFire FPGA 视频和成像套件

Microsemi/Microchip PolarFire FPGA 视频和成像套件是一个全面的高性能评估平台，可在其上对机器视觉应用程序进行原型设计和测试。该套件具有双摄像头传感器、广泛的显示接口和外围 I/O 选项，能够进行 4k 图像处理并支持 HDMI 2.0、DSI、MIPI CSI-2 TX、MIPI CSI-2 RX 和 HD/ 3G SDI。PolarFire FPGA 具有 300k 逻辑元件、4GB DDR 内存和用于缓冲的 1GB 闪存（图 1）。

图 1：Microsemi/Microchip PolarFire FPGA 视频和成像套件的图片显示了插入式相机板。（来源微芯片）

该套件包括一个参考设计演示应用程序，展示了画中画功能、视频拼接和图像平移功能的使用。视差图提供图像深度估计。该套件的软件具有边缘检测算法 IP。这种边缘检测算法 IP 基于 Sobel 滤波器，允许提取对象边缘以检测图像中的特征。

结论

机器视觉是任何工业自动化过程的关键组成部分。使用专为机器视觉应用设计的基于 FPGA 的开发平台，例如 Microsemi/Microchip PolarFire FPGA 视频和成像套件，有助于加快开发速度并缩短部署时间。

审核编辑：汤梓红