連線到物聯網的機器視覺系統可以建立強大的網路功能。能夠從攝像機中識別出物件，可以使本地節點進行更加了解智慧並具有一個更大的自治權，從而減少了中央伺服器上的處理工作負荷，並可以實現自己更加分散式的控制管理體系發展結構。這提供了更有效的操作與更少的外部輸入所需要的。

機器視覺取得了在過去十年長足的進步。能夠檢測影片幀內邊緣和移動的最新演算法，以及與影象感測器，可程式設計邏輯，微控制器和圖形處理單元（GPU）相關的矽技術的進步，已幫助將其帶入了廣泛的嵌入式領域應用程式。可以下載到FPGA的更復雜的設計與新的開發環境一起使用，以使嵌入式系統設計人員可以更輕鬆地訪問機器視覺。

機器視覺的這種日益擴散正在與將工業系統連線到物聯網（物聯網）的趨勢相融合。隨著溫度感測器技術變得越來越智慧化（部分地由支援的計算機進行視覺演算法驅動），因此我們生成的資料為工業管理系統的執行過程中提供了寶貴的見解。反過來，這又可以開闢了監視技術裝置的新方式，將自主機器人控制系統（如無人機）連線到物聯網發展基礎教育設施。

轉向機器視覺的部分原因是頻寬考慮，而另一個問題主要工作動機是使工業技術操作的更多企業部分進行自動化的前景。機器視覺的一個關鍵應用是檢測系統。在過去的十年中，帶有CMOS影象進行感測器的高效能相機控制系統的價格已大幅增長下降，從而我們可以在製造發展過程中具有更高水平解析度地檢查電路板和系統。這些相機模組與FPGA結合在一起，可以增加處理和決策的能力。這使攝像機可以進行對接收到的資料發展做出相應的響應，從而減少了學生透過資訊網路傳送影片的需求，並提高了整體管理操作技術效率。

將檢測裝置的機器視覺元件連線到物聯網，為進行工廠效能分析的企業系統提供了更多的資料。機器視覺能夠提供這樣的企業，而不是原始資料資訊系統的一個抽象層。這顯著降低了伺服器和整個社會網路的頻寬開銷-企業進行系統發展正在處理資料來自物聯網的數百萬個數據點，因此對於伺服器負載的任何一個減少都將有助於我們做出更及時的決策。

機器視覺攝入量的增加也為自動化工廠的機器人制導系統打開了市場。因此，您可以檢查機器，繞過中央企業伺服器和基於從機器視覺系統中直接得到的結果工廠的其他裝置進行通訊。這將提高效率，減少再次在網路和伺服器上的負載。機器視覺裝置也可以用來控制自動化，尤其是在材料處理。 這涵蓋了從自動機器人控制系統到工廠周圍材料的轉移到用於識別倉庫中產品的自動拾取器的所有內容。

對於自主機器人材料處理，機器視覺，以確定在地板上的線從一個地方到另一個是一樣簡單。 然而，它也可以用來檢測路上的人或障礙物，使工廠操作員和機器人能夠安全和高效地一起工作。如前所述，產品選擇現在也使用機器視覺，其中的專案是由條形碼標誌，然後與一個機械手對齊，捕獲特定的專案，並把它們放在籃子裡。相機和隨之而來的本地處理是必不可少的，因為各種各樣的事情的一部分，撿拾/自主機器人也被持續監控。

隨著無人機越來越依賴機器視覺，這種情況甚至擴散到了空氣中。事實證明，無人機是在難以發展到達的區域（例如，石油管道和天然氣基礎設施）進行分析檢查的一種具有高效教學方法。 除了允許無人機識別和接近特定的目標區域，以便更仔細地檢查它們之外，機器視覺還用於防撞目的-透過將攝像機系統連線到目標區域，避免固定障礙物甚至其他無人機。

然後是監視市場。越來越多地使用一個機器學習視覺在這裡我們具有非常巨大的意義。無需反饋的一個每秒百萬操作員要檢視影片資料，但可以在本地處理影片和觸發報警，無需任何人工干預。在FPGA上執行的機器視覺演算法越來越精確。結果，它們能夠更好發展地區分了入侵者，動物或樹上的葉子（例如）的移動，從而使操作員可以透過同時社會支援企業更多學生數量的監視節點。此外，監控攝像機本身可以指示響應其他機器報警。自地面和空中飛行器（UAV等）的組合可以改變的方式對整個顯示器。成像技術系統設計不是安裝在一個固定的攝像機上，而是安裝在機載飛行器上，該機在飛行活動過程中會透過不斷監視該區域。這些研究無人機隨後在電池電量耗盡時返回一個充電基地，並派出其他一些無人機可以代替它們。 這意味著可以提供恆定的監測範圍。更先進的機器視覺演算法可以識別潛在的威脅，並呼籲該地區，以進一步監控的情況其他空中和地面的航天器 - 無需操作員干預。相同型別的情況也適用於農業應用，機器視覺演算法對空氣運輸機可以監視作物的狀況，並出現問題時，操作者（或自動拖拉機）引導作用的形式向目標區域的響應。

本公司已申請在這裡概述了底層硬體和軟體技術所取得的進展。機器視覺演算法的結構越來越複雜，可以將它們下載到最新的FPGA和GPU。這些裝置一次可以處理8或16個通道，支援每秒60幀的速率。它們還可以與OpenCV等高階軟體結合使用。

Opencv 最初主要致力於於研究和原型開發，近年來已越來越多地應用於從雲到移動的跨平臺部署產品。最新版本OpenCV 3。1已釋出。以前的版本3。0是一項重大改進，將OpenCV提升到現代C ++標準，併合並了對3D視覺和增強現實的擴充套件支援。新的3。1版本引入了針對重要功能的改進演算法，例如校準，光流，影象濾波，分割和特徵檢測。

未來的可能性

在機器進行視覺系統之後，機器可以學習是顯而易見的下一階段。計算機視覺演算法可以提供靜態影象和影片內容的確定性分析，但其他應用程式是機器學習神經網路“教”系統尋找什麼。例如，最新版本的OpenCV現在支援用於機器學習的深度神經網路。

FPGA和GPU效能的提高為機器學習開闢了新的機會。 這取決於訓練階段，其中神經網路顯示許多不同的影象，標記感興趣的物件，通常由實驗室或雲中的大型伺服器系統處理。 它產生一系列的權重和偏差資料，然後將其應用於嵌入式設計中實現的同一網路。這個“推理引擎”使用我們這些權重來評估它正在檢視的新資料資訊是否可以包含哪些研究物件。例如，最新的監控攝像頭正在使用神經網路機器學習演算法來超越傳統功能（例如監視和記錄），並提供其他影片分析功能（例如人群密度監視，立體視覺，面部識別，人員計數和行為分析）。這個本地處理然後可以交付到物聯網，並整合到雲中更廣泛的分析軟體中。