宗翔，思特威电子科技高级销售总监

VSDC：2024年，图像传感器从技术层面来看又有了哪些性能上的提升？从市场应用要求来看，图像传感器在哪些性能方面还需要继续突破？

宗翔：目前，图像传感器在技术层面的性能提升，主要有以下几大主流发展趋势：更高像素、更好的感光性能以及更高的动态范围。

高像素的图像传感器能为摄像头带来高解析力影像，满足了安防监控、智能手机等细分应用领域的摄像头方案对细节捕捉的严苛要求。

通过背照式（BSI）、堆栈式（Stacked）像素架构等先进工艺技术，图像传感器的感度获得显著提升，使其在夜晚等低照度环境下拍摄的影像更明亮清晰。

高动态范围技术的加持，能有效保留画面明暗细节，避免因取景环境中亮度对比明显的光源导致的画面局部过暗或过曝的情况，同时可抑制运动伪影的产生。

此外，面向高速拍摄应用，全局快门（Global Shutter）技术，通过一次性对所有像素进行曝光并输出，能够有效消除图像失真现象。以思特威的全局快门技术SmartGSTM-2 Plus为例，该技术基于全局快门下BSI像素架构设计实现，能够有效抑制运动形变，带来清晰、准确、无畸变的成像效果，显著提升机器视觉应用的物体识别准确性和避障成功率，可广泛适用于工业机器视觉（如数量、缺陷检测等）、消费类机器视觉（如扫地机/无人机避障、扫码器）、车载（舱内监测）等，显著提升视觉系统识别准确率和效率。

VSDC：若进一步提升图像传感器性能，在设计、生产等环节有哪些挑战需要克服？

宗翔：2024年被称为AI元年，AI技术的应用加速了手机、电脑、智能穿戴等消费类电子设备的智能化进程，同时也推动着这些设备向小型化、轻便化发展。一方面，小尺寸、高性能图像传感器的使用，可助力节省机身空间、缩小整机体积。与此同时，这类轻便型设备常由电池供电支持，用于功耗敏感的使用场景（例如，长时间视频录制）。

这也带来了对图像传感器更低功耗的需求，以帮助延长设备的电池续航，缓解用户焦虑，进一步提高智能设备的使用便利性。因此，这些市场应用需求对图像传感器设计和生产带来了一系列挑战。

以堆栈式图像传感器为例，像素和电路分别位于两个单独层级，如何在有限的像素层面积上继续优化像素架构以提升感度性能和减少串扰、如何优化电路层设计架构以提升集成度并降低功耗，这些都是在芯片设计阶段需要克服的挑战。另外，在制造环节，图像传感器在设计层面的升级优化也需要高精度的制造工艺来实现，同时还要兼顾质量控制和成本控制。

VSDC：是否会将一些甚至更多AI功能集成到CMOS芯片中？此举带来的机会？实现起来的挑战？

宗翔：AI技术的飞速发展，也为CMOS图像传感器的技术升级带来了新的发展契机。将AI功能集成到CMOS芯片中，能更好地满足智能车载、机器视觉、智能家居等领域的特定需求。

例如，在智能车载领域，疲劳、分心检测等驾驶员监测应用、以及后视行人检知等ADAS感知应用，能够为车辆提供更精准、及时的环境感知信息和识别结果，保障驾驶安全，助力智能驾驶技术的发展。

在机器视觉应用中，AI功能的集成能为整机提供准确的图像信息采集和识别能力，以帮助机器视觉应用完成更高精度的避障、拍摄、识别检测等功能。

在智能家居应用中，人脸识别、行为侦测分析等智能监控功能，能有效提升应用系统的效率和准确性。

要将AI功能集成到CMOS芯片上，不仅需要考虑芯片设计、算法优化、电路设计等方面的技术难点，而且需要考虑数据传输存储、硬件兼容、功耗等方面的挑战。

作为技术先进的CMOS图像传感器厂商，思特威致力于先进成像技术的研发，持续探索和推动AI技术在CMOS图像传感器领域的发展与应用落地，携手产业链上下游协同发展，共同加速智能影像时代的到来。

VSDC：AI技术与机器视觉的融合将越来越广泛深入。AI技术在机器视觉应用领域大规模落地，还有哪些环节的问题需要解决？

宗翔：随着AI技术和机器视觉的融合逐步迈向大规模落地，包括数据、算法等在内的多个关键层面的问题仍有待解决。

首先是数据层面。高质量且大规模标注的数据，是AI大模型训练的基础，但在机器视觉应用中，数据的获取与标注往往面临诸多挑战。

一方面，特定场景下的数据收集难度较大，例如一些工业生产环境中的缺陷样本数据可能较为稀缺，难以满足模型充分训练的需求。

另一方面，数据标注工作不仅耗时费力，还极易出现人为标注错误，影响模型的准确性与可靠性。而且不同行业、不同应用场景的数据标准难以统一，导致数据的通用性和复用性较差，进一步增加了数据准备的成本和复杂性。

其次是算法性能与效率。当前的AI算法在处理复杂机器视觉任务时，如高精度的目标检测与识别等，虽取得了一定成果，但仍存在误报率、漏报率较高以及处理速度较慢的问题。尤其是在一些对实时性要求极高的场景，如高速自动化生产线等，算法的运算效率还远远无法满足实际需求。

此外，算法的泛化能力较弱，针对某一特定场景训练好的模型，在应用于稍有差异的新场景时，性能往往会大幅下降，这也限制了其大规模推广应用。

再者是成本控制。AI技术在机器视觉中的应用，对硬件计算资源提出了更高要求。因此，保证运算性能的同时，降低成本与功耗，也成为了AI实现大规模落地需要解决的关键问题之一。