视觉识别价值探索
一、降低视频传输时延
背景：结合视觉识别的工业生产场景，在生产线视频信号的传输过程，时延问题是一大痛点。即在获得图像端，传输至显示设备，影响机器控制端，这段传输过程时间的延迟。工业产线传送系统对时延高敏感，时延较高，则会降低识别的准确性，影响生产线质量。现有视频信号传输方式多采用以太网或USB形式，容易产生时延。
解决思路：在采用视觉识别的工业制造场景下，提供减少时延的方案，首先识别时延的位置，在硬件端或传输过程，其次采用算法减少时延长度，以实现产线低时延的优化效果。将整体解决方案打包为产品，可适用在不同工业生产场景下。
二、支持ARM架构视觉识别处理器
背景：采用视觉识别的生产线，现多采用X86架构，但由于视觉识不会受到性能瓶颈限制，所以存在一定量的性能冗余。ARM架构机器成本小于X86，但不支持tensorflow。
解决思路：提供ARM架构的视觉识别工控机，在不使用tensorflow库场景下，将原先机器替换为ARM架构机器。减少性能浪费，帮助购买商减少成本。
三、提供工业行业视觉识别算法支持
背景：工业行业中使用的视觉识别算法大多针对特定场景，不具有通用性。即不同场景下产品的生产，识别的标准是不同的。作为东土有工业行业的多年积累，收获大量资源，可拓展视觉识别算法领域的业务。
解决思路：提供定制化视觉识别算法，将此包装成标准产品或项目形式，提供给需求方。
视觉识别价值
基于视觉识别的信息：
1、在视觉识别上存在两种应用场景，第一：算法训练，开发人员通过数据深度学习，训练得出视觉识别算法。第二：识别预测，将算法运用到相应终端设备，识别图像后预测得到结果。
2、针对算法训练场景，开发者常用Python编码，配备相应图像显卡硬件，多用Windows或Linux,对于操作系统需求不敏感，所以此场景暂无机会
3、针对识别预测场景，应用于工业制造典型视觉识别应用，一般将算法嵌入至硬件设备，或摄像头上，形成智能化整机，此场景可以使用Intewell操作系统
4、海思芯片多用于机器视觉识别的应用，因为含有大量算法库可直接只用，我们可以考虑和海思或这一类的厂商合作
5、在视觉识别包含了两个研究方向，第一 ：模式匹配，即根据形状属性(如边缘)的预期排列，在视场中定位目标；第二：深度学习，通过学习大量数据，训练出视觉识别的算法，从而对不同容忍度的数据，产生不同的识别数据。
6、针对模式匹配方向，主要对图像显示性能上有要求，可以结合硬件解决此问题。针对深度学习，可以结合不同硬件终端，应用不同的行业场景。例如：倍福 TwinCAT Vision
浙公网安备 33010602011771号