Annie Tao,安森美智能感知部工业及消费应用大中华区市场经理  

VSDC:您如何看待2025年机器视觉市场的整体大环境?您觉得哪些潜在需求会推动机器视觉市场的增长?贵司2025年的业绩增长的预期情况?

Annie Tao:机器视觉技术的成熟正在很多行业获得广泛的落地,包括工业自动化、智慧楼宇和智慧城市、自动驾驶汽车等等。特别是随着工业 4.0 和工业物联网等先进创新技术的采用和实施,工业应用将成为推动机器视觉市场增长的主要动力之一,例如工厂检测、工业机器人、自动导引车、物流机器人等各种应用已经形成巨大的需求。工业各领域的数字化转型,加上数据分析、物联网、机器学习、云计算和人工智能等先进技术的加速融合,也在推动应用机器视觉技术。为了能推进实时决策、提高生产效率和自动化水平,各行各业都越来越关注装备计算机视觉设备、嵌入式软件、先进传感器和机器人的智能工厂,从而推动了机器视觉市场。

得益于汽车、包装、制药及其他工业应用的迅猛增长,亚太地区的机器视觉市场正蓬勃发展。随着亚太地区工业化的不断推进,各个工业领域对先进技术的投资显著增加,为机器视觉市场的扩张创造机会。此外,中国、印度、韩国和日本等国家的电子、半导体、汽车行业发展强劲,令机器视觉市场的增长前景更加乐观。

人工智能(AI)和深度学习的持续进步极大地增强了机器视觉系统的能力。AI 算法,特别是卷积神经网络(CNN)等深度学习技术,彻底改变了图像处理和模式识别领域。这些系统可以从海量数据中学习,现在已能准确识别物体、面部和场景并加以分类。这方面的进展使得面部识别、自动驾驶汽车、医学成像和安全监控等领域取得了重大突破。随着 AI 的不断演进,机器视觉预期会变得更加精密,适应性更强,并能处理日益复杂的视觉任务。这无疑将推动机器视觉领域的进一步发展和创新。

安森美在成像传感器行业有超过50年的悠久历史,在工业领域更是有更广更深层面的耕耘,在全球机器视觉通用市场中的份额一直都是领先位置。老的产品系列LUPA、VITA、PYTHON都在不同的行业普遍使用,并且成为行业的通用产品,新产品XGS系列拥有更加先进的像素技术,超低噪声性能、低功耗、低成本、可扩展的X-CLASS多分辨率平台等性能在一推出来就得到了行业多种应用的认可,快速的出现在了全球工业机器视觉的市场上。工业是安森美战略的一个重要市场方向,智能感知是推进工厂自动化的关键技术,是我们的重要发展方向。

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?在设计、生产等环节有哪些挑战需要克服?是否会将一些甚至更多AI功能集成到CMOS芯片中?此举带来的机会及挑战是什么?

Annie Tao:作为图像传感器最主要的应用场景,随着工业市场对视觉系统集成性、灵活性的需求增加,视觉应用系统的精准,智能,高效变得极其重要,图像传感器作为视觉系统的眼睛,如何应对在更加复杂多样的环境中更加精准快速的输出场景信息面临更高的挑战。安森美一直在不断探索和突破: 提高图像传感器的感光性能,降低噪声,提高帧率和分辨率,增大动态范围,甚至直接使用图像传感器输出3D信息和高光谱信息等让视觉系统更加精准;降低图像传感器的功耗,成本,使用通用的接口界面来满足不同应用的需求使系统更加智能;追求稳定的图像性能,产品稳定性,确保图像传感器的质量可靠性来为高效的视觉应用保驾护航,促进工业自动化的飞速发展。

实现工业市场的视觉系统发展,图像传感器在图像性能、成本、功耗、质量可靠性上都面临着不同的挑战。我们在新产品中使用BSI stack技术提升感光性能。开发使用超级曝光,提供优秀的高动态范围(HDR)性能,同时也可抑制LED的闪烁,在传输接口上使用更高的带宽来提升传输速率,开放发超级低功耗架构降低系统功耗使得图像传感器能适用于更加广阔的领域,安森美使用家族化产品系列,同一个设计可以覆盖多个分辨率,更能满足生产中各种场景的使用。

随着更多智能化需求的增加对视觉系统也带来了新的技术挑战,如何在更复杂多样的环境中更精准、快速的输出场景信息至关重要,因此我们的图像传感器未来将会集成更高分辨率、更快速率,嵌入更多的智能算法甚至深度算法、以及非可见光波段的检测等。在图像传感器内部集成更多的优化算法,方便使用者的开发,以应对未来AI市场的需求。

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

Annie Tao:要让AI技术在机器视觉应用领域大规模落地,对不同的应用场景而言可能有不同的挑战,总体来说需要解决以下一些共性问题:

(1)数据采集精度。高质量的数据是AI实现正确识别和决策的基础。例如工业检测对精度和细节越来越高,新兴行业如新能源、光伏、锂电等需要检测的项目越来越多,随着算法的进一步强大,4K逐渐成为一个新的成长需求。比如显示面板检测,像素从以前的1K、2K到现在的4K、8K,屏幕也从CRT到LCD、OLED、AMLED,像素和像素之间发光的强度和色彩的均匀度都要能够很准确地侦测出来,这就对图像传感器的要求非常高。

(2)更低功耗。无论是云端AI还是边缘端AI,降低运行功耗都是关键需求。为此,安森美新一代的Hyperlux LP 系列传感器大大降低了本身的功耗,还支持内置的运动侦测功能,可以只需要在侦测到运动物体时快速唤醒系统工作,进一步优化了系统的功耗,非常适用于智能穿戴、智能门铃等应用。

(3)低带宽需求。高运算量、高带宽需求成为AI技术与机器视觉融合的主要瓶颈。安森美新一代的图像传感器内置了高动态范围融合算法,运动物体捕捉算法,节省了更多系统资源,使系统构建者能够在处理引擎中加入最先进的神经网络,以更快的时钟速率运行它们,提取图像数据中的细微差别,这些细微差别使系统方案在竞争中脱颖而出。新一代的AR0822内置了多次曝光融合算法和图像线性化矫正,在图像传感器端输出时已经是120DB的图像数据,节省了2倍的带宽,在智能安防多相机融合方案中,减少了后端处理器的接收数据和处理时间,可以使后端的处理器资源更多的放在边缘计算上来呈现更优秀的图像细节。

VSDC:您觉得边缘计算和端侧AI硬件的发展, 将为机器视觉应用开辟哪些新的应用场景?贵司是否针对这些应用场景有相应的解决方案或发展规划?

Annie Tao:边缘计算和端侧AI硬件的发展正在为机器视觉应用开辟广泛的应用场景,包括但不限于智能制造与工业自动化、智慧零售与物流、智能交通与自动驾驶和智慧城市与公共安全,等等,实现追求精准、智能和高效的目标。图像传感器作为端侧AI视觉系统的眼睛,如何在更复杂多样的环境中更精准、快速的输出场景信息至关重要。

安森美有各种图像传感器可以满足几乎所有的应用场景。例如安森美的图像传感器可以做双目或者配合结构光得到三维数据,有配合激光实现的dTOF即SiPM, SPAD 解决方案来满足远距离的应用需求,Smart iTOF的解决方案,结合背照式全局快门的像元技术,满足短距离的应用需求。所以无论是用在边缘计算和端侧AI服务机器人、AI物流仓储,工业AI检测,还是医疗AI检测等行业,我们都有相对应的解决方案。此外,安森美收购了SWIR Vision Systems,显著增强公司的智能感知产品组合,扩展安森美在支持下一代成像系统的深度感知和3D成像方面的能力,并为工业、汽车等关键市场的进一步发展铺平道路,尤其是监控、机器视觉、食品检测、自动驾驶等领域。

VSDC:您觉得2025年哪些机器视觉技术会带来杀手锏级的应用?3D成像?高光谱成像?非可见成像?还是其他技术?

Annie Tao:随着技术的成熟和细分应用场景的增多,3D成像、高光谱成像、非可见光成像等都在很多领域迎来增长的应用机会,这些技术的应用也为机器视觉技术带来更多可能。例如,3D成像技术可以提供物体的深度信息,这对于许多应用来说至关重要,如自动驾驶车辆的障碍物检测、工业自动化中的精确装配、医疗成像中的立体重建等。3D相机需要高度或者说深度信息的抓取,这就对大像元、高帧率有需求,安森美有经济型的全局快门传感器、super depth pixel 技术方案以及配合激光实现的dTOF和iTOF的解决方案。无论是用来做扫地机器人,还是做物流小车、工业流水线上的深度检测、医疗检测,都有相对应的解决方案。

非可见光成像应用也在增多。例如在工业检测中,当前的应用已不仅仅局限在可见光区域,对硅基的图像传感器要求能加强近红外(NIR)波段的QE,这个NIR增强的需求也越来越大,比如用在成分分析的应用上,有些运动轨迹的抓拍也会用到。安森美凭借创新的半导体工艺设计和像素架构,在近红外波段提供卓越的图像质量。

智能ROI(Region of Interest)技术应用也在增加,该技术允许机器视觉系统快速聚焦于场景中最需要关注或分析的特定区域,这可以优化工业流程,提高诊断准确性,加快决策速度。例如,AR2020作为大分辨率传感器,支持芯片内部缩放和智能ROI算法,可以在大分辨率、高帧率输出时大大降低带宽,来缓解后端处理器的接收压力,在智能工业、视频会议的应用中非常实用。

这些技术的发展也正在给各种如何创新提供更多的可能。例如最新安森美宣布成为斯巴鲁(Subaru)新一代EyeSight立体摄像头前向感知系统图像传感器的主要供应商,基于Hyperlux图像传感器采用全像素设计和高动态范围(HDR),显著提升图像的清晰度和准确性,为斯巴鲁的立体摄像头人工智能算法捕捉所需的关键视觉数据,使汽车能够做出更准确的驾驶决策,提高车辆的整体安全性。Hyperlux AR0823AT具备全像素设计,无论光照条件如何都能捕捉清晰的图像,并通过特殊控制以确保EyeSight立体摄像头的两个传感器同步捕获图像。这对于模仿人类视觉的立体视觉系统至关重要,可使其辨别深度以及车辆行驶路径中物体的相对大小和距离。