在机器视觉中运用人工智能
自从“人工智能”这一术语于 1956 年在达特茅斯学院校园首次使用后，它已经成为许多研究领域中的通用术语：从其哲学起源到科学、数学等各个学科都在采用。尽管人工智能 (AI) 已经存在了数十年，但将它集成到机器视觉中还是相对较新的尝试。如今，越来越多的制造商正在利用 AI 和机器视觉相结合所带来的强大能力，来更好地实现自动化、优化效率并改善质量控制。
AI 通过基于图像的分析来增强基于规则的机器视觉。当计算机（或视觉系统）接收到图像时，AI 软件将该图像与由优劣参考图像组成的数据库进行比较，然后输出结果。最低限度是，得到通过/失败或正常/异常结果，但可以根据需要提高复杂度。该学习过程将识别图案，并从包含注释的参考图像中进行推断，使计算机能够区分检测对象中可接受和不可接受的异常。
此外，与基于规则的方法相比，嵌有 AI 技术的机器视觉解决方案可以使用自然语言处理来读取和解释图像上的标签，而基于规则的方法则需要大量的编程和深厚的技术专业知识。因此，更广泛的用户群能够利用 AI 来实现工厂自动化。边缘学习和深度学习是 AI 中的两项领先技术，能够帮助进一步简化高度变化性任务的自动化，以及解决因过于复杂和耗时，而无法通过基于规则的算法进行编程的各种任务。
边缘学习 – 边缘学习是 AI 的一个子集，其使用一组经过预训练的算法在设备上或数据源“边缘”位置进行处理。与基于深度学习的传统解决方案相比，此技术易于设置，所需的图像集更小，并且所需的训练和验证期也更短。
深度学习 – 深度学习能够处理详细的大型图像集，从而自动执行复杂或高度定制的应用。该技术使用户能够快速有效地分析大型图像集、检测细微缺陷，并提供准确的结果。
