AI人工智能更快更清晰更简单，工业机器视觉将迎来新一轮进化( 二 ) |无人科技|智慧城市|

在过去十年左右时间里，驱动传感器性能改进的最重要技术之一是使用背照式（BSI）技术，它是通过上表面和下表面吸收光线，实现了像素小型化，而不会降低关键性能参数（如阱容量、量子效率、暗电流等）。这种技术的后续进展是对传感器和图像处理芯片的三维（3D）堆叠，能够实现更小外形尺寸。随后，包括氧化硅和金属焊盘的3D混合堆叠消除了硅通孔（TSV），从而更有利于两个芯片之间实现有效且直接的连接。最近，业界又开发出顺序整合，可以制造单片式图像传感器，其中每个图像传感器都集成有光电晶体阵列、3D可堆叠像素读出逻辑和存储器等，并通过集成式高密度I/O连接。
全局快门增强移动物体成像效果
在高速工业自动化以及汽车和无人机等应用中，需要捕获快速运动物体的清晰图像。这对于传统卷帘式（rolling-shutter）图像传感器性能构成巨大挑战，主要原因是传统卷帘式图像传感器每一次将从传感器像素读取仅仅一列数据，并发送到帧缓冲器。如果物体正在运动，则从读取一列图像到读取下一列之间的时间位置变化可能会导致失真，出现图像模糊或弯曲等问题。
当拍摄快速运动物体或将摄像头安装在运动车辆上时，全局快门（Global shuttering）可提高图像清晰度。这项技术首先在高端静态摄像头中得到应用，现在已经扩展到工业和汽车视觉系统以提供更高性能。在全局快门中，将所有像素电荷值同时储存到一个小的像素内存储器中，然后像以前一样逐行依次读取到帧缓冲器。这样可以得到更清晰图像，但没有卷帘式快门的失真。
通常像素内存储器会占用一定空间，从而显着地减少用于光子吸收的像素面积。目前业界已经克服了一些技术挑战以便能够创建具备更高SNR和更高动态范围的全局快门图像传感器，但不会增加像素尺寸，这样可以弥补像素内存储器占用空间。此类图像传感器的一个例证是1Mpixel、1/4英寸格式的安森美半导体的 ARO144 。

本文插图
图2：来自安森半导体的ARO144图像传感器。
全局快门像素具有高量子效率，可确保快速充电，同时又对与图像无关的充电（如由电子扩散引起的串扰）不敏感。另外，其光学屏蔽非常靠近传感器，可以排除像素表面杂散光影响。
图像处理中的人工智能技术
在信号处理链路中，机器学习（利用深度神经网路）可用于摄像头光学组件和传感器之后，其商业化应用使构建图像和随后从中提取信息的方式发生根本性变革。这里有一个例证，从中可以看到采用人工智能技术使低光照性能得到显着改善，从而可以在近暗（near-dark）条件下拍摄高品质图像。
在低光照条件下，捕获的原始数据对于传统信号处理链路构成很大挑战。以电子方式提高传感器感亮度（ISO值）会在图像上增添明显噪声，从而导致图像品质变差，对图像进行降噪处理效果也很有限。其他改进图像品质的技术包括延长曝光时间，而这些在工业应用或车载摄像头中通常不切实际。
最近，业界开发了一种非常巧妙的技术，它利用机器学习来极大地减小基于原始弱光数据构建图像中的可检测噪声。使用包含原始短曝光时间、低光照图像和相应的长曝光时间参考图像的系列数据可以训练深度神经网路。在对网路进行充分培训后，可以通过直接处理原始短时间曝光数据来创建高品质图像。这项技术已在市场中顶级智能手机中得到应用，可以提供更美观图片。它还可适用于工业和安全等领域，例如可用于生产线检查或监控系统，能够捕获更好图像。
结论
从系统前端的摄像头镜头到系统后面的图像感测和图像处理设备，整个现代图像处理系统中有许多技术改进正在开发。所有这些技术的合力效果预期将推动工业视觉系统应用范围的不断扩展，并进一步提高系统性能基准。