機器視覺的核心是簡單地利用圖像中可用的信息來決定圖像中的對象下一步該做什麼。
在裝配線上或裝運之前對產品進行簡單的通過/失敗檢查是一個更簡單的例子。PCB檢測是一種常見的用例，當生產PCB從自動拾取和放置系統移動到下一階段時，可以快速輕鬆地將正確填充板的圖像與生產PCB進行比較。
這是質量保證和廢料減少的寶貴步驟，人類的眼睛和大腦每天都不會一直重複數百甚至數千次，而機器視覺卻可以做到。
隨著圖像捕獲系統的分辨率增加，機器視覺的可能性也增加，因為可用於評估的細節以相應的速率增加。可以針對主模板評估較小和較小的視覺信息子集，增加了系統處理器在數據流失中的負擔並且快速地做出關於後續步驟的決定。
簡單的拿農業蔬菜分級舉例說明，蔬菜分級是指產品質量的簡單尺寸和合格/不是最佳的情況，產品質量會隨著季節不同而變化。而未來能夠最大限度的節約成本和保證蔬菜的質量，就需要更優化的算法來進行質量分級，這對於人眼和大腦來說是幾乎不可能的任務，但是通過智能相機方案定製就可以處理大量的信息，需要多個階段和攝像機，機器照明，種植場地增加等。
此外，一種方法是應用廣泛的處理能力，既可以作為高帶寬連接的集中處理單元，也可以作為智能相機的分佈式處理，直接在攝像機中實時處理數據，只需將每個產品的結果傳送到最終的機械分級系統。
可以依靠具有不同傳感器陣列的可更換磁頭與智能相機系統配合使用。例如，其高光譜成像頭可以對食品質量和安全性進行無損檢測。在標準視覺系統中，食品質量和安全性通常由外部物理屬性（如紋理和顏色）定義。
高光譜成像使食品行業有機會將新屬性納入質量和安全評估，如化學和生物屬性，以確定產品中的糖，脂肪，水分和細菌數量。在高光譜成像中，從每個像素獲得空間和光譜信息的三維圖像立方體。
更多的光譜特性可以更好地區分屬性，並使更多的屬性得到認可。圖像立方體包括所有獲取的光波長的每個像素的強度（反射或透射光），這導致每個圖像立方體包含大量信息。該數據量表示計算挑戰的指數增加，以實時提取產品分級的定性和定量結果。
只需要在智能相機平臺中使用加速處理單元（APU），將GPU和CPU組合在同一個芯片上，使系統能夠將視覺應用中的密集像素數據處理卸載到GPU，而無需處理組件之間的高延遲總線事務處理。
這使CPU能夠以更低的延遲提供其他中斷，有助於提高整個系統的實時性能，並滿足現代視覺系統不斷增長的處理需求。GPU是一個大規模並行引擎，可以同時在大數據（像素）集中應用相同的指令；這也正是機器視覺所需要的。通過將APU與移動PCI Express模塊（MXM）外形中的外部獨立GPU配對，可以進一步提高性能，使其能夠在需要時添加額外的GPU處理資源以支持更加密集的視覺任務。
關於軟件，異構處理平臺可以由標準Linux內核管理，每個新內核版本只需要適度的開發支持。x86的生態系統支持使公司能夠利用開源和第三方圖像處理庫，如OpenCV，Mathworks Matlab和Halcon。調試工具，延遲分析器和分析器（perf，ftrace）也廣泛可用。
機器視覺是可擴展處理如何在嵌入式應用程序中發揮作用的一個很好的例子。
閱讀更多 數碼聚匯 的文章
