与云集成的机器视觉.docVIP

与云集成的机器视觉 机器视觉一直是围绕大数据的业务，获取并处理无数的以千兆字节为单位的图像，然后针对一项指定的对象或任务提取出制定决策所需要的信息。对于诸如远程传感以及网络检查这样的应用来说，它们会生成大量的数据，每分钟千兆字节的数据很快就变成了太字节，甚至是拍字节。 随着数据流的大小不断增长，而且它们的数量也不断增加，激发出很多来寻求离线计算和存储方案的行业。进入云。可是云计算对于机器视觉应用的响应会足够快吗？服务质量对于工业应用足够吗？随着机器视觉的范围已经扩展到工厂车间以外了，该问题的答案越来越多都是肯定的，甚至是对于工业应用来说。 随着数据流量的增加，它们的数量也更加庞大，这促使许多行业寻找云计算和存储解决方案。进入云端显然是个明智的选择。但云计算对机器视觉应用的响应能否足够快？服务质量是否足以满足工业应用的需求？随着机器视觉的范围超出工厂范围，得到的肯定答案越来越多，即使对于工业应用也是如此。 机器视觉走进云端 “如果没有某种形式的云或物联网（IoT）集成，要想以一种非常自律的方式收集和管理大量图像数据会变得很有挑战，”ProlucidTechnologies公司的创始人兼首席执行官DarcyBachert说，“在过去5年中，在核心的云技术方面取得的显著的进步可以让所有这些变为现实。” 像谷歌、微软和亚马逊之类的行业巨头已经在云技术方面投入很多，其开发出的大规模存储和分析技术能够同时保证信息的安全性。“IBM开发的一种协议MQTT，是专门为与低功率分布式设备的接口而设计的，其目的是在实现服务质量的同时，确保任何类型的数据传输都得到保证。”Bachert说。 除了巨大的存储量和计算功能，公共云的供应商也提供机器学习和深度学习服务。一个例子就是TensorFlow，它是在机器视觉中广泛用于深度学习研究和应用开发的框架。从先进的疾病检测到在生产线上管理更多的产品的多样性，深度学习在每个方面都展示了其潜能。 这些开源的工具与成像学和基于图像的模型的进步意味着，“与其雇佣一个由博士和数据科学家组成的团队，你现在就可以利用不断出现的数据集，以一种更简单的方式来训练这些模型并提炼价值。”Bachert说。 Bachert估计其公司开发的机器视觉项目中有半数都具有云组件。其中，在云上实施的最大规模的视觉和成像处理可能就是医疗设备行业。Prolucid公司正在与一位客户合作，使用基于超声波的成像设备来获得图像，并且提供诸如人口基因以及一般位置的分类值。 在从医疗成像设备上采集并分析数据的时候，为了保护患者的隐私，Prolucid公司采用了几项安全策略。其中一个步骤是“去识别化”或者消除个人信息，例如姓名、出生日期以及邮政编码。 此外，Prolucid公司还制定了一项策略以保护数据在传输途中或静止状态时的安全，当在数据中心和设备层级检测数据泄露时，、可以提醒客户进行修复，识别其他缺陷，并且在发生灾难性违规的时候恢复数据。 云与边缘计算的组合 在一个生产制造的环境里，在云上的机器视觉产生了一些关于互联网带宽和延迟问题的担心，这可能会使检查流程变慢，并且造成数据丢失以及可能给设备和工人带来安全方面的问题。“有了机器学习的应用，你仍然会拥有实时的检查流程，”Bachert说，“发生变化的就是你如何解决它。” 例如，在缺陷分类的应用中，生产制造商会使用云来收集、分类验证数据集，并且开发出一个机器学习模型。然后，从云上将该模型取下来，并且在云的边缘应用于实时的过程，这意味着可以在靠近数据源的网络边缘进行实时分析，例如在生产制造的车间。 “因此，我们不用担心延迟的问题。”Bachert说道，“在我们设计的每个系统里，实时流程组件无论是在有云连接还是没有云连接的时候都可以运行。”这种云和边缘计算的混合方法代表了机器视觉集成的一个潜在发展方向。 云计算在某些领域的成功应用让更多的制造企业们跃跃欲试。“10年前，没有人会预见到可以实现自动驾驶汽车，但现在大众广泛认识到操作这些车辆的数据是在云上进行采集和处理的。”CythSystems首席执行官AndyLong说，“我们与客户进行了对话，他们说‘我们不知道想做什么，但我们的执行团队告诉我们，必须找到一种方法来投资这项颠覆性技术。’” IoT的深度扩展 随着生产制造商寻求更多的流程都采用自动化，机器视觉基于云的生产系统会发挥更重要的作用。“我们为客户做了很多装配验证项目，其目标是要提供一个不需要任何编程的系统，而是使用人工智能和基于云的处理器来做所有的工作。”Long说道，“过去手动检验部件的人们现在负责培训系统，教会系统如何识别好的部件和坏的部件。它本身不需要任何机器视觉的知识。” 使用云来简化机器视觉的实施也为生产制造商们提供了前所未有的自由，可以将该技术用于设备测试