速度更快，性能更好的机器视觉是迈向下一世代工业自动化，无人驾驶汽车和智慧城市管理之主要手段。更好的影像品质，更快的影像捕获，以及更低设备成本和复杂性是自动化设备、检查系统和机器人技术设计人员的关键目标，目的是加强品质保证，并提高生产率。

同样的，进阶机器视觉对自驾车也至关重要，由此可识别前方标牌、道路标志和潜在危险。在汽车应用中，重点是将缩短系统回应时间和提高影像识别精度。就智慧城市应用而言，城市中心CCTV系统更高的影像清晰度，可以?明执法机构透过预测即将的干扰和提高识别能力来保护公民。

此外，针对高性能机器视觉的一些新应用机会也开始出现，其中包括车载无人机，用以协助车辆导航和资料收集用途（例如检查农业用地或建筑工地等）。

为了在较短时间内从捕获的影像中提取更多的讯息，需要更高的品质影像和增强讯号处理性能。为此，正在出现一些适用于相机和影像感测器的重要创新，由于机器学习技术的商业化，因此被应用于影像处理技术。

下一世代镜头增强聚焦和视野

摄影镜头在整个系统前端，是一些强有力新技术进步之主题，这些包括透过使用单个摄影机或单个镜头执行多项任务的高灵活性，减少完成任务的周期时间，并简化设备设计。

在这些新技术中，液体镜头（如图1所示）是一类新兴光学元件，可扩展传统镜头景深，而避免了传统电动聚焦系统高成本和复杂性。电动聚焦也相对的较慢，因此液体镜头避免这种情况出现，将有助于缩短应用中的周期时间，例如在工业检查中需要涉及距离不同的物体。

图1 : 使用液体镜头，仅需改变几微米的形状即可调整焦点。

透过在系统中引入液体镜头，标准光学系统就可以在几ms内调整对于飞行物体的聚焦：从无限远到小于100mm，具体取决于间距。液体镜头包含密封在柔性膜内部的光学液体，透过移动膜片或调节光学液体的体积，将镜头半径仅改变几μm即可达到与使用常规电动聚焦系统使镜头变动几cm的效果。除了更快的聚焦和更简单的构造（具有更少的运动元件，因此有更少的操作失败机会）外，液体镜头系统还受益于更小惯性和更低功耗。

一个可选方案是，360度影像撷取使机器视觉系统能够采用固定位置的单个摄影机来捕获特定物体更多讯息，这样可以降低多个摄影机检查系统以及相关影像处理和储存子系统成本和复杂性，但也可能导致系统性能受到限制。否则，在诸如食品包装检查或航空量测等应用中，可能需要一种机构来重新安置或旋转摄影镜头以及需要检查的物体，这同样也增大了系统的整体费用和复杂性。

对于需要进行各个方向物体检查之系统（例如包装厂中黏贴到瓶子上的标签），可以使用位于物体自身正上方的超中心（hyper-centric）或近中心（peri-centric）镜头来实现360度视觉功能。超中心镜头能够捕获光线，就好似它们是从位于镜头前面一定距离某个点发出的一样。该汇聚点和镜头的周边确定了视锥（viewing cone）。

将物体放置在此视锥内，直接位于朝下镜头下方，可以使来自物体顶面和垂直侧面的光线同时进入镜头。将光聚焦在感测器上可以在单帧中捕获整个影像。利用该原理，相机可以捕获孔内或腔内的360度视图，但无需插入光学探头。透过单帧捕获物体多个影像的其他技术是将超中心镜头与一组镜面阵列整合，从而能够有效地同时看到物体每一面。

感测器：物理原理与制造

提高CMOS影像感测器的解析度是捕获更精细影像之关键，然而由于降低了讯杂比（SNR），仅减小画素尺寸可能导致较差的影像品质。要获得更高的解析度，就需要技术上的改进，以便在不影响感测器性能前提下减小画素尺寸。

这些可透过许多层面实现，例如优化画素间距和感光面积与总面积之比（也称为画素填充因数）。在画素实体层面的更多根本性变化可以改善诸如增益、效率和动态范围之类参数。感测器制造商还改进了从画素读取资料的技术，从而实现更高SNR、画面播放速率和线性度等增强的特性。

在过去十年之间，驱动感测器性能改进的最重要技术之一是使用背照式（BSI）感测器，它们透过上表面和下表面吸收光线，推动了画素小型化，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感测器和影像处理晶片的三维（3D）堆叠，能够实现更小外形尺寸。

随后，包括氧化矽和金属焊盘的3D混合堆叠消除了矽通孔（TSV），从而更有利于两个晶片之间实现有效直接连接。最近，又开发出顺序整合，可以制造单片影像感测器，其中每个影像感测器都整合有光电晶体阵列、3D可堆叠画素读出逻辑和记忆体等，并透过整合式高密度I/O连接。

全域快门增强动态影像

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影像。这对于传统滚动式（rolling-shutter）影像感测器性能构成巨大挑战，主要原因是传统滚动式影像感测器一次将从感测器画素读取仅仅一列资料发送到帧缓冲器。如果物体正在运动，则从读取一列影像到读取下一行之间的时间位置变化可能会导致失真，出现影像模糊或弯曲等问题。

当拍摄快速运动物体或将相机安装在运动车辆上时，全域快门（Global shuttering）可提高影像清晰度。这项技术首先在高阶静态相机中使用，现在已经应用到工业和汽车视觉系统以提供更高性能。在全域快门中，将所有画素电荷值同时储存到一个小的画素内记忆体中，然后像以前一样逐行依次读取到架构缓冲区。这样可以得到清晰影像，但没有滚动式快门的失真。

画素内记忆体会占用一定的空间，从而显著地减少用于光子吸收的画素面积。为了创建具备更高SNR和动态范围的全域快门影像感测器，同时不增加画素尺寸，以便补偿画素内记忆体占用空间，目前已经克服了一些技术挑战。这种影像感测器的一个例证是1Mpixel、1/4英寸格式的ON Semiconductor ARO144。

图2 : ON Semiconductor的ARO144影像感测器。

全域快门画素具有高量子效率，可确保快速充电，同时又对与影像无关的充电（如由电子扩散引起的串扰）不敏感。另外，光学遮罩非常靠近感测器，可以在画素表面排除杂散光影响。

影像处理中的AI

在讯号处理管道中，位于摄影镜头光学元件和感测器后面的是机器学习（利用深度神经网路）之商业化应用，这种技术使构建影像和随后从中提取资讯方式发生了革命。这里有一个例证，从中可以看到采用AI使低光照性能得到显著改善，从而可以在近暗（near-dark）条件下拍摄高品质影像。

在低光照条件下捕获的原始资料对于传统讯号处理管道是很大挑战。以电子方式提高感测器感光度（ISO值）会在影像上增添明显的杂讯，从而导致影像品质变差，对影像进行降杂处理效果也很有限。其他改进影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影镜头中通常不切实际。

最近，一种巧妙技术得以开发，该技术利用机器学习来极为减小基于原始弱光资料构建影像的可检测杂讯。使用包含原始短曝光时间、低光照影像和相应长曝光时间参考影像的资料数列可以训练深度神经网路。在对网路进行充分培训后，即可以透过直接处理原始短时间曝光资料来创建高品质影像。这项技术已在市场中的顶级智慧手机中得到应用，可以提供更美观的图片。它还可适用于工业和安全应用，例如可应用于生产线检查或监控系统，能够捕获更好的影像。

结论

在当下的现代影像处理系统中，有大量技术改进正在发生，从系统前端相机镜头到其后方影像感测和影像处理元件。预计这些因素将共同推动潜在应用的进一步扩展，并提高系统性能基准。

(本文作者Mark Patrick任职于贸泽电子)