深度学习进一步增强嵌入式视觉系统的功能.docxVIP

边缘视觉应用正越来越多地涌现，它们开始在生产检测、自主机器人和医疗设备等应用中普遍采用。

基于深度学习算法的应用程序，在一定程度上推动了嵌入式视觉应用的持续增长。

来自市场研究公司TransparencyMarketResearch的数据显示，2022-2032年间，嵌入式视觉市场（包括工业和消费应用）将以7.7%的年均增长率增长，到2031年市场规模将达到1590亿美元。

嵌入式视觉通常被定义为在同一硬件上运行图像捕获和图像处理功能（并且经常涉及到使用智能视觉算法进行分析）。嵌入式视觉的目标是，将分析结果发送到计算机或云端用于进一步分析或存储，而不是发送每个像素的数据。通常，传感器和图像处理板会针对特定应用进行优化。IDTechEx公司首席技术分析师MatthewDyson说：“你只需要发送结论，而不是事情的全部。”

通过减少数据传输需求，数据处理速度更快、功耗更低、成本更低，尤其是在租用云空间的情况下，例如许多软件即服务（SaaS）解决方案。

“嵌入式视觉提供了一种利用现有功能获得额外好处的方法。”Dyson表示，“对我来说，嵌入式视觉是机器视觉的一个子集，这意味着我是在原地进行机器视觉的处理工作。”

嵌入式视觉适用于哪些应用场景？如果需要检测一些有限且一致的问题、并且对延迟性有高要求的应用，嵌入式视觉就非常适用。例如，涉及识别产品形状或产品方向的工业在线检测。Dyson说：“我认为，在任何‘需要检测相同的目标或执行相同的任务’的应用场景，都可以使用嵌入式视觉。”

深度学习的作用

深度学习是机器学习的一个子领域，涉及多个神经网络。这就是为什么深度学习需要强大的计算能力、内存和存储空间。AutomationDoctorandVisionSystemDoctor公司创始人DavidWyatt解释说，“这使得在边缘设备上使用深度学习会有些问题，因为嵌入式设备是为需要较少资源的应用而设计的。”

Wyatt说：“那么，我们如何将深度学习的优势带到嵌入式视觉应用中呢？第一个解决方案是不要在边缘进行深度学习，而是将边缘设备作为集群来收集数据，以便在其他地方进行深度学习。然后对这些结果进行修剪或提炼和压缩，形成一个可以在边缘进行深度学习的更小的网络。”

这就是今天业界正在做的事情，也是为什么涉及AI的嵌入式视觉应用，往往只是为了解决检测或自动化应用中的一个特定问题而设计的。

边缘AI和视觉联盟（EdgeAIandVisionAlliance）创始人JeffBier在一次嵌入式视觉年度峰会上指出：“实际上，已经有成千上万的嵌入式视觉应用都得到了深度学习的支持，这些应用几乎涵盖了每个行业。”

该组织对计算机视觉开发人员的最新调查显示，83%的受访者表示他们正在嵌入式视觉产品中使用深度学习。

边缘应用

在自主机器人和无人机等应用中，快速、重复地回答相同的视觉问题非常重要，例如障碍物识别问题。

例如，在工厂或仓库里，与人一起工作的机器人（即协作机器人）依赖于路线规划和避障进行工作。这通常涉及许多冗余传感器（如激光雷达、超声波、2D和3D相机等）与深度学习算法结合使用。Dyson说：“很明显，协作机器人需要对自己在哪里、人在哪里，以及人们在做什么工作等都有良好的判断能力。”

另一个新兴的应用是无人机，未来无人机的应用会越来越广。无人机可能会依靠嵌入式视觉，在没有人辅助的情况下飞行。Dyson说：“没有操作员，所以它们需要自己能够识别树木、危险、鸟类、其他无人机、电线和天气等所有这些东西。它们可能不想把所有这些数据都发送到云端处理，而是希望在一个小巧紧凑的设备中快速得到结论。”

具体到深度学习，Bier指出，开发人员正在将深度学习应用于监测慢性疾病的设备开发中。Alphabet公司的子公司VerilyLifeSciences已经创建了深度学习算法，用于对公司的生物传感手表进行增强。该手表使用传感器来收集具有生物特征的健康信息，如心率或出汗信息。通过将深度学习算法应用于生物特征信息，研究人员希望对患者的医疗状况变化进行预测，比如创伤后应激障碍（PTSD）患者、抑郁症或帕金森病等慢性病患者。

Wyatt表示，有了边缘计算设备的设计支持，边缘视觉应用将不断发展，逐渐更加复杂。“我认为，我们终将看到更智能、更强大的边缘设备。处理器设计总有突破的空间，这将增加用于神经网络的边缘可用资源。”Wyatt说，“这可能会开始模糊边缘视觉和经典视觉的界限，以至于边缘站看起来越来越像一个连接良好的智能经典视觉系统。”

相机、传感器和软件

供应商们正在通过相机、传感器和其他赋能产品，来满足持续增长的边缘应用需求。

如Bier所说：“大量新应用程序正在开发或在计划当中，技术供应商正在投资各种各样的构建块组件。一个蓬勃发展、充满创新的领域是边缘处