用於工業影像處理的深度學習視覺系統
系統架構與組成元件
深度學習視覺系統現已成為工業影像處理的核心技術之一。無論是精準的瑕疵檢測、智慧化的品質控管，或是自動化決策流程，皆能在傳統影像處理方法無法應對的情境下發揮關鍵作用。本文將說明深度學習視覺系統的功能架構，並介紹確保穩定運作所需的關鍵組成元件。
最後更新： 2025/12/02
深度學習視覺系統的架構設計
深度學習視覺系統自設計之初即針對神經網路最佳化，仰賴 GPU 為核心的運算能力、優化的開發框架，以及端對端的學習模式。這樣的架構帶來高度彈性，但同時也對系統資源有較高需求。
目標：從影像擷取到決策的端對端 AI 整合
深度學習視覺系統的主要目標，是將人工智慧無縫整合至整個流程中。從：
相機擷取原始影像資料
即時處理影像資料
到 AI 模型自動化決策
所有元件皆針對深度學習進行最佳化。如此可形成一個封閉式系統，為高要求的工業應用提供精準、可重現且具擴充性的成果。
深度學習視覺流程：從影像擷取到 AI 支援的決策
系統各元件之間的良好協同運作，是深度學習視覺系統效能的關鍵。典型的深度學習視覺系統工作流程，依序包含以下幾個步驟：
1.影像擷取：機器視覺相機擷取原始影像，並提供高品質的影像資料。
2.影像傳輸：影像擷取卡將影像資料高效且無損地傳送至處理硬體。
3.預處理：透過 pylon 軟體或相機內建功能進行影像優化（例如降噪或去拜耳處理）。深度學習軟體則接手進行資料的控制、設定與分析，並使用 AI 模型進行處理。
4.AI 推論：CNN 模型分析影像並做出決策（例如瑕疵檢測）。
5.結果傳輸：分析結果會傳送至控制器或上層系統。
各模組間透過介面與整合解決方案順暢溝通，亦可輕鬆整合至現有生產環境。此流程可確保在工業應用中實現快速、穩定且可重現的影像分析結果。
深度學習視覺系統的硬體與軟體組成元件
深度學習視覺系統由多個技術上相互協調的組件所構成。每個元件在整體系統中皆負責特定任務，並對系統效能與穩定性產生關鍵影響。
深度學習視覺硬體
影像處理硬體是深度學習視覺系統的資料運算核心。硬體的選擇取決於處理速度、系統成本及可擴展性的需求。根據應用情境的不同，會採用各種不同的平台。
機器視覺相機
機器視覺相機是整個系統的核心元件，負責擷取後續由 AI 模型處理的影像資料。高品質的影像對於獲得精準的推論結果至關重要。Basler ace、Basler ace 2、Basler dart 以及 Basler racer 等工業相機系列具備以下特點：
高解析度與優異影像品質
支援主流介面，如 GigE、USB 3.0 與 CoaXPress
內建影像前處理功能（例如去拜耳處理、銳化、降噪）
可重現的影像結果，適用於可靠的深度學習應用
影像擷取卡與影像資料管理
在需要高資料吞吐量或即時性要求的應用中，影像擷取卡是不可或缺的元件。影像擷取卡可直接從相機擷取影像資料，並傳送至系統進行後續處理。特別是在搭配 FPGA 處理器使用時，能實現零延遲、穩定且高速的影像擷取與處理能力。
深度學習軟體與工具
軟體是硬體與 AI 模型之間的橋樑，負責相機的整合、設定與控制，同時也支援深度學習模型的訓練與執行。
pylon AI
pylon AI 是一個功能強大的平台，專為在工業影像處理流程中高效整合與執行卷積神經網路（CNN）而設計。pylon AI 可讓使用者將自有 AI 模型直接整合至目標硬體，並進行最佳化與效能評估。
影像處理專用 pylon vTools
結合 pylon vTools，可提供多種可立即使用、針對應用設計的影像處理功能，例如物件辨識、OCR、影像分割與分類等，無需具備深入的程式設計知識。vTools 基於經典演算法與人工智慧技術所開發。
VisualApplets：用於 FPGA 編程的圖形化工具
針對基於 FPGA 的系統，VisualApplets 提供直觀的圖形化開發環境，可在硬體層級靈活實現深度學習處理流程與影像前處理步驟。此組合可於整個深度學習視覺系統中實現最高的彈性、可擴展性與精準度。
透過 AI 模型進行推論
在推論階段，通常由卷積神經網路（CNN）負責分析輸入的影像資料。該模型會透過多層處理流程，對機器視覺相機擷取的影像進行分析，以萃取出形狀、邊緣或紋理等相關特徵。接著根據應用需求，執行分類、分割或物件辨識等任務。
結合 pylon AI 與 pylon vTools，此流程可自動化並即時執行：影像資料會直接傳送至 AI 模型進行處理，模型便能即時辨識瑕疵元件、讀取產品上的文字（OCR），或在影像中定位特定物件等。
推論結果可立即提供後續流程使用，如分選、品質檢測或製程優化。此流程可無縫整合至深度學習視覺系統中，實現快速、精準且可重現的決策。
模型品質在很大程度上取決於訓練資料的品質，以及其對所使用硬體的最佳化程度。因此，在影像擷取階段獲得最高品質的影像，不僅對訓練 AI 至關重要，更是其基礎。訓練時影像資料品質越高，AI 分析的結果與衍生決策的準確性與可靠性也就越高。
已預先訓練的模型亦可透過 pylon AI 或 VisualApplets 輕鬆整合並持續優化。
系統整合與介面
決定深度學習視覺系統效能的關鍵因素
在工業影像處理中成功導入深度學習視覺系統，極大程度取決於完善的系統整合與正確介面的選擇。AI 模型與硬體間的高效通訊，以及無縫整合至生產流程，是實現系統效能的關鍵。
軟硬體之間的無縫整合
pylon 軟體提供經過認證的驅動程式與高效能介面，確保 AI 推論與相機硬體之間的直接且穩定的通訊。這些介面包括：GigE Vision– 適用於靈活的網路解決方案、USB3 Vision– 簡易連接的理想選擇、CoaXPress– 適用於對頻寬與即時性要求極高的應用
pylon AI 則提供強大的解決方案，能將卷積神經網路（CNN）直接整合至既有的 pylon 影像處理流程中，實現穩定且高效的資料處理。
工業級通訊整合
支援 OPC UA 是連接至上位控制系統（如 PLC 或 MES 系統）的關鍵。它可將 AI 推論結果直接傳送至控制系統。OPC UA 為一平台與製造商中立的標準，能在機台之間實現簡便且一致的資料交換。搭配 OPC UA vTool，您可將影像處理流程中的結果直接發佈至 OPC UA Server，實現無縫的資料整合。
配方代碼產生器也能促進 AI 模型快速適應不斷變化的產品變型，進而提高生產的靈活性。有關 pylon Viewer 中 Recipe Code Generator 的詳細資訊，也可在 Basler 產品文件中找到。此外，Recipe Code Generator（參數組合代碼產生器） 可協助快速調整 AI 模型以因應產品變異，進而提升生產靈活性。關於 pylon Viewer 中 Recipe Code Generator 的詳細資訊，可參閱 Basler 產品使用手冊 。
彈性架構：邊緣運算與雲端整合
深度學習視覺系統的需求因應用情境而異，因此彈性的系統架構變得至關重要：
用於分散式應用的邊緣運算
針對具低延遲需求、行動性或分散式架構的應用，可透過嵌入式視覺技術直接在邊緣設備上執行 AI 模型。像是 NVIDIA® Jetson™ 等平台可在裝置端即時執行 AI 模型，實現最大自主性、最小延遲，並降低對網路連線的依賴。
可擴充的雲端整合
若應用需要處理大量資料、進行分散式訓練，或集中管理多套系統，我們亦支援與主流雲端平台整合，例如：Amazon Web Services (AWS)、Microsoft Azure 和 Google Cloud Platform。此類整合可為複雜的深度學習流程提供所需的彈性與可擴展性。
這類標準化且彈性的系統整合方式，確保影像資料可被快速、穩定且可重現地分析，並可將深度學習視覺系統整合至分散式生產環境中，使 AI 支援的分析與決策可直接在影像資料產生的第一時間即完成。這對於在複雜、多據點的生產網路中實現高效率的品質管控、瑕疵檢測與流程優化至關重要。
簡便的安裝與可靠的系統整合是長期成功的關鍵，能協助有效應對各類複雜任務。
一套功能完善的深度學習視覺系統，通常包含高品質的機器視覺相機、高效能的影像擷取卡、合適的影像處理硬體、專業的深度學習軟體，以及經過最佳化的 AI 模型。穩定且高效能的介面可確保系統整合流程順暢無礙。我們透過完整的產品與服務，為視覺工程師及所有致力於 AI 解決方案開發的應用人員，提供實現高階工業影像處理專案的堅實基礎—從原型開發一路到量產導入。
