机器视觉的优势在需要更高水平的安全性、质量、合规性和效率的行业中显而易见，包括汽车、食品和饮料、制药和电子制造。

机器视觉应用用于质量/生产线末端检查、整个供应链中零件的可追溯性、测量、存在/不存在、计量和孔隙率检查。然而，旧机器视觉系统的运营挑战仍然存在。

其中包括硬件和软件兼容性、财务成本、采购时间、维护、互操作性、培训和处理复杂的用例。对于德国的制造商来说，雇用足够熟练劳动力的行业挑战也正在成为一个更优先的问题。自动化正在日益填补劳动力缺口并支持现有劳动力。

利用深度学习实现机器视觉

例如，由于依赖具有不同软件和陈旧过时的用户界面的多个设备，在制造工厂内设置和管理工业自动化通常既缓慢又困难。许多供应商还要求客户对固定工业扫描仪和机器视觉相机使用不同的软件，这使得导航变得困难且成本高昂。这与我们应用于所有产品组合（尤其是我们的移动性、扫描和自动化平台）的可扩展性、寿命和兼容性的核心原则背道而驰。

制造业已经发展。生产量和速度不断提高，必须满足新的安全和监管合规措施，数据量不断增长，需要进行筛选并转化为有用的业务见解。制造商需要能够应对这些挑战的现代机器视觉解决方案。

但业内仍有许多人不知道一系列新的深度学习驱动的机器视觉解决方案，或者尚未了解它们如何使他们的检查和测量工作流程受益。

81% 的汽车决策者表示，如果他们的组织在技术方面进行更多投资，他们就能更好地实现业务目标，而78%的人认为他们的组织需要更具创新性才能在汽车行业保持竞争力。然而，十分之八(78%)的人认为他们的组织很难跟上技术创新的速度。

提高自动化程度，包括使用机器视觉进行视觉检查的自动化，可以提高准确性、速度、合规性和安全性。这还意味着一线工程师可以将检查任务移交给机器视觉，从而让他们有更多时间进行其他有价值且需要的工作流程。

更强大、更灵活、更易于使用

由深度学习驱动的机器视觉软件是表面检查、自然发生变化的原材料检查、纺织品检查、分类、保形涂层检查、分割以及特征和异常检测的卓越解决方案。

利用深度学习的硬件和软件的正确组合可以增强机器视觉应用，包括更复杂的用例，并增强工程师的角色，使其更像数据和人工智能专家一样思考和行动。具有深度学习功能的新型相机、传感器和机器视觉平台可以帮助克服旧机器视觉系统无法应对的长期挑战。

当今的人工智能驱动的机器视觉工具配备了用户友好的“拖放”界面、现成的工具以及创建解决方案的流程图方法，并得到经验丰富的机器视觉技术合作伙伴的支持，他们可以提供建议和数据质量以及需要标签指导。

它们还为用户提供灵活的升级能力：只需简单的许可证即可将固定工业扫描仪升级为机器视觉相机，将工业扫描软件升级为机器视觉软件平台，从而节省成本和时间，并灵活地满足需求。

工程师、程序员和数据科学家可以与图形环境进行协作，该图形环境配备了数千个经过验证且随时可用的过滤器，用于创建复杂的视觉应用程序，以及使用 C++代码生成器和数千个函数进行定制代码和集成的程序员库用于图像分析应用。

工厂车间工程师的手中可以看到灵活性和易用性。例如，上面列出的许多应用（生产线末端、零件的可追溯性、存在/不存在）可能需要光学字符识别(OCR)，因此正确处理非常重要。OCR并不是一项新技术。它已经存在很长时间了，是一种熟悉的工具，用于读取条形码、序列号、批号和车辆识别号(VIN)，以确保正确的零部件在正确的时间、正确的位置放置在正确的型号车辆。

然而，使用OCR时遇到的问题也很常见。他们需要大量的培训时间，面对环境变化时可能不稳定，并且不能很好地处理复杂的用例。许多OCR工具要求制造商投入大量时间来获得充其量“还可以”的东西，并且难以读取模糊和损坏的字符、雕刻和浮雕格式、反射和弯曲表面上的字符，或者变化和恶劣的照明条件。

由深度学习驱动的最新OCR工具使用模仿人脑的神经网络。这些较新的工具可直接提供非常高精度，并且可在 NVIDIA GPU和CPU上运行。它们可以处理复杂的用例，消除培训时间并确保稳定性和易用性，即使对于非专家来说也是如此。这种新的深度学习 OCR 配备了一个即用型神经网络，该网络使用数千个不同的图像样本进行了预训练。

这使得用户只需几个简单的步骤即可创建强大的OCR应用程序。深度学习OCR还可以为工业成像专业人士提供灵活的“深度学习无处不在”体验-在台式电脑（无论是Windows、Linux 或 Linux ARM）上，在Android手持设备和智能相机上。

保持领先地位

制造业领导者已经在利用深度学习来在面对行业和客户需求时获得竞争优势。此外，围绕熟练劳动力可能短缺的讨论仍在继续，这正在影响一系列行业。劳动力招聘挑战可能是另一个驱动焦点，导致更多地使用机器视觉，以维持运营并支持当前的劳动力。

最近对汽车行业原始设备制造商进行的一项全球调查发现，目前有24%的制造商正在使用机器视觉，其中44%的制造商计划到2027年使用它。增幅达83%。机器学习的当前使用率(27%)和未来使用率(46%)之间跃升了70%。

不要等待行业竞争对手引领潮流，避免纯粹对行业挑战做出反应。现在是利用深度学习机器视觉的时候了。