随着第四次工业革命的临近，世界各地的公司都需要为即将到来的巨大变化做好准备。机器视觉与人工智能和深度学习相结合，力求使制造系统比以往任何时候都更具生产力。这使得人们更加关注基于机器人自动抓取零件技术。高水平的碰撞检测和路径规划允许机器人在没有人工干预的情况下独立移动。高质量的结构光投影创建了一个详细的三维点地图，使系统可以准确地识别零件位置和方向。

人工智能的效果可以在机器人、自动驾驶汽车和面部识别中看到，并且很快将解决社会最紧迫的问题。人工智能技术水平每天都在不断发展，并且随着它变得越来越复杂，将继续与工业融合。

这些新技术正在为世界各地的公司创造一个像人类一样、自力更生的工业环境铺平道路，这种环境比以往任何时候想象的都更可靠、更有利可图。不仅如此，工作环境也将比现在的劳动力更安全，机器人通过填补空缺职位帮助解决目前劳动力短缺和劳动力成本高的挑战。

佳能3D机器视觉系统的四步过程可实现准确，精确的零件识别和抓取

自动化背后

机器视觉为各种应用程序提供基于图像的自动检查和分析，例如检查、系统分析、机器人导航和智能抓取解决方案。目标是让机器人“看得见”，以便他们一次可以承担更多的任务。来自机器视觉的大量信息可以快速处理，以识别并标记零件上的缺陷。系统分析可帮助公司了解缺陷并提供快速有效的干预措施，否则这些措施可能对员工和高层管理人员而言是未知的。复杂的引导使机器人可以在空间中移动，从而提高了系统的效率。最后，智能抓取应用程序通过将执行重复任务的员工重新分配到更有用和更复杂的职位，同时通过自给自足的操作保留旧职位，从而在工作场所实现增长。

为了更好地评估机器视觉的好处和作用，它有助于了解机器视觉的工作原理和作用。机器视觉的一个例子是基于机器人的自动零件抓取。这种系统首先使用一种称为空间编码的技术将不同的结构化光图案投射到零件箱上。通过此方法，可以使用板载投影仪和照相机将这些浅色和深色条纹图案投射到物体上，并用照相机捕获它们。通过使用称为“灰色代码”的二进制代码投影多种类型的图案，该代码经常与采用传感器的系统一起使用，系统可以“看到”垃圾箱中的这些零件及其位置。通过分析条纹以及它们如何根据所捕获的各种图像中的零件和容器的高度而变形来实现。本质上，图像的黑色部分被分配为“ 0”，而白色部分被分配为“ 1”。

佳能3D机器视觉系统中使用的空间编码方法的示例。图案图像（a），投影示意图和图像捕获（b）以及相机捕获的图像（c）

此过程将应用于图像中的所有像素，并且可以在每个图像和图案中识别各种条纹。为了达到如此高的精度和分辨率，计划了1000多种这样的图案。该系统捕获这些变化模式的多个图像，并获得一组高度详细的测量点，称为点云，该点代表容器中随机定向零件的三维数据。然后，系统使用有关零件的物理信息（例如光泽，阴影，铁锈，油污等）来大致了解零件在料仓中的位置并收集2D数据。该系统将该2D数据与3D点云和提供的CAD数据相结合，以对料仓中的零件进行精确的模型拟合。然后对这些识别出的零件进行分析，并选择最佳候选零件。

在将所有这些信息以及更多信息发送回机器人之前，将对每个零件进行进一步分析，以确定从料箱中挑选零件的最佳方法。

执行容器采摘的机器视觉引导的机器人的特写镜头视图

机器视觉对于汽车工业至关重要，因为汽车工业需要快速的循环时间和接近零缺陷的生产线。快速的识别和通信时间（通常在1.8到2.5 s之间）很重要，但是为了尽可能高效，带有完善的碰撞检查功能的动态选择策略完全在软件中实现。此外，还提供可选软件以进一步减少系统的周期时间和工作量。这几乎消除了客户的所有压力，因此他们可以专注于创建更好的应用程序。

除了周期时间外，精度和可重复性也是公司在决定是否应该对机器视觉进行投资时要考虑的主要因素。 0.1 mm的可重复性允许更复杂的应用和更少的二次加工。无需其他2D扫描来确定零件的位置和方向。相反，机器视觉可以完全独立于任何其他过程来确定所有这些信息，甚至更多。系统分析的其他信息是垃圾箱是否为空，如何抓取零件，如何抓取零件，识别了多少零件以及局部较高的位置，因此机器人可以根据需要定位零件。这使机器人不仅可以独立，而且可以“智能化”。因此，工业机器人可以超越涉及基本焊接或其他次要过程的重复贴装应用，并且机器人和机器视觉系统可以协同工作以完成更为复杂的应用。

从料盒中选择零件的机器视觉引导机器人的俯视图

人工智能

斯坦福大学以人为中心的人工智能研究所和斯坦福视觉与学习实验室（Stanford Vision and Learning Lab）的联合主任李飞飞（Fei Fei Li）说：“人工智能无处不在。在未来这不是什么大的，可怕的事情。人工智能与我们同在”，它的形式可以是IBM的沃森、谷歌的搜索算法，或者是Facebook用来在照片中标记人物的面部识别技术。人工智能，或称人工智能，可以定义为“计算机系统的理论和发展，这些系统能够执行通常需要人类智能的任务，例如视觉感知、语音识别、决策和语言间的翻译。

为了进一步简化，可以将AI分为两类：“狭窄”和“通用”。狭义AI被定义为当今世界上存在的人工智能。它功能强大且智能，但由于它只能执行一项任务而有其局限性。在图像和面部识别，人工智能聊天机器人甚至自动驾驶汽车等应用程序中都可以看到狭窄的人工智能。尽管这些技术相当先进，但所使用的人工智能不是有意识的或无知的。

例如，对于Cortana或Siri，机器不会自觉地理解我们的响应，而是机器正在处理我们的语言，并从无数预编程的响应中返回一个响应。在最基本的层次上，机器只是遵循代码行，并按照指令执行操作，而不管操作背后的任务，原因或逻辑如何。

相反，一般的AI可以成功地完成人类在智力上可以完成的任何任务。这种类型的AI经常出现在科幻电影中（想想“ Her”或“ Space Odyssey”系列中的HAL 9000计算机），它可以在知识层面与人类对话，做出自己的决定并使用自己的推理。通用AI可以从一个领域中获取知识，并将其应用于另一领域并进行概括，根据过去的经验为未来进行规划，并在发生环境变化时进行适应。这种能力使这些类型的机器能够推理，解决难题并展现常识，这是狭窄的AI尚不具备的能力。

通用AI尚未得到充分发展，而狭窄的AI正在帮助全世界的人们更有效地完成任务。 AI可以消除预定的维护计划，这些维护计划有时会花费不必要的时间，并在工作期间造成二次损坏。通过收集手头系统上的数据，人们可以使用AI对其进行分析，并允许系统实施预测性维护。这样可以确保正在工作的机器的使用寿命比常规维护计划更长。

将AI用于检查和质量目的的使用正在增长，并且已成为全世界公司的头等大事。通过拥有一套先进且始终学习的系统，可以使AI专门专注于识别和标记零件中的缺陷，从而减少总体上昂贵的召回。在生产过程结束时，公司成功的决定因素是客户是否具有良好的产品体验。反过来，这直接影响销售，收入等。

2018年，全球估计有130万工业机器人。这是由于劳动力对解决本文前面提到的问题的自动化需求不断增长。这个数字只是在以非常稳定的速度增长。为了应对这些增加带来的失业，公司正在提供高级培训课程，以进一步教育其员工晋升。

随着这些技术的不断发展，重大变化将改变日常工作和工作场所。将与人类一起部署更多的机器和计算机，以进一步提高效率和产量，这种趋势在3D机器视觉系统中已经可以看到。