越来越多的前沿制造者正在把人工智能（AI），尤其是名为深度学习的机器学习领域，引入到他们的机器视觉技术中。虽然机器视觉技术已经存在了一段时日，但其优势在于汽车、食品与饮料、药物制造和电子产品制造等高要求的行业中显得尤为重要。

这些视觉技术可以在质检、供应链部件追踪、测量、存在性检测、计量和孔隙探测中发挥作用。但传统的机器视觉系统在实施时仍有其困难。

这其中的难点涵盖了硬软件的兼容性、资金投入、购买周期、维护、操作互通、培训以及处理复杂案例。对于德国制造者，找到合适的熟练员工也是一个紧迫的问题。自动化技术正在越来越多地补足劳动力短缺并协助现有员工。

采用深度学习优化机器视觉

例如，在工厂内，建立和管理工业自动化过程常常是缓慢且困难的，因为需要依靠多种配有不同软件的设备及其陈旧的用户界面。大量的供应商还要求客户为专用的工业扫描和视觉相机使用不同的软件，增加了复杂性和成本。这与我们在产品线上，尤其是在移动、扫描和自动化平台上所追求的核心原则——可扩展、持久和兼容性，是相违背的。

制造领域在不断进化，要求提高产量和速度、满足新的安全规定、处理日益增加的数据并从中提炼有价值的信息。制造商需要的是能够应对这些问题的现代化机器视觉方案。

但仍有许多人对新型的深度学习机器视觉方案知之甚少，或对这些方案如何助益他们的检测和测量流程一无所知。

有81%的汽车业决策者认为，若能在技术上增加投资，将更容易实现其业务目标，而78%的人则认为他们的团队需要更多创新思维以保持竞争力。但也有78%的人表示，他们的团队难以跟上技术进步的步伐。

加强自动化，例如通过机器视觉来自动化视觉检测，不仅可以提高准确度、速度、规范性和安全性，也使得工程师能够将检测工作交给机器，从而专注于其他更重要的任务。

更加高效、灵活并且用户友好

以深度学习为基础的机器视觉软件已成为表面探测、自然原料变化探测、纺织品检验、分类、形态涂层检测、分离以及特征和异常检测的绝佳选择。

正确利用深度学习的硬件和软件组合可以提升机器视觉的能力，包括处理更为复杂的情境，并提高工程师的效率，使他们更多地像数据与AI专家。带有深度学习特性的新相机、传感器和视觉平台能够解决传统机器视觉技术难以应对的问题。

现在，基于人工智能的机器视觉工具提供了友好的“拖放”界面、即用即得的工具库、解决方案创建流程，并得到了经验丰富的技术合作伙伴的支持。这些合作伙伴能为用户提供必要的建议、数据品质和标记指导。

用户还可以获得灵活的升级选项：仅需一个简单的许可，就可以将常规工业扫描器升级为机器视觉相机，或将扫描软件升级为视觉软件平台，这无疑为用户节约了大量成本和时间。

工程师、开发者和数据专家现在可以在图形化环境中合作，该环境提供了大量已验证、随时可用的滤镜来创建复杂的视觉应用程序；开发者库则通过C++代码生成器和众多的图像分析函数来为集成和定制代码提供支持。

这种灵活性和易用性为工厂中的工程师带来了极大的便利。例如，很多上述应用，如生产线检测、部件追踪、存在性检测等，可能都需要进行光学字符识别，所以图像获取和分析的能力显得尤为关键。

维持领先地位

面对行业和消费者的要求，领先的制造商已经开始利用深度学习来获取竞争优势。关于可能出现的熟练劳动力短缺的担忧，也加速了AI技术在工业领域的采纳。

然而，要完全实现AI和机器视觉的潜力，制造业仍需突破与创新、财务和技术方面有关的难题。

智能视觉工具的出现将促使制造商加快自动化的步伐，并为所有人提供了走向现代化工厂和更高效制造未来的机会。在追求生产效率和质量的过程中，AI和深度学习将继续发挥越来越重要的作用。