在IoT 的世界里，互补技术不断产生新的创新能力。在这些天作之合的技术中，最有前途的是机器学习（ML）和机器视觉（MV）。让我们来探讨医疗和工业IoT (IIoT) 应用如何借助这些技术的能力取得进步。
本文基于与AuZone Technologies, Inc.首席执行官 Brad Scott 共同撰写的一篇论文，该论文是在计划于 2020 年嵌入式世界大会（Embedded World 2020）上发表机器学习技术演讲之前撰写的。虽然 Digi 不会参加此次会议，但我们将于 2 月 27 日 10:00 通过视频会议远程介绍这一主题，并将发布新的 Digi ConnectCore 8M Nano 开发套件。
Digi ConnectCore 8M 是 ConnectCore 系列功能强大、可扩展的 SOM（系统级模块）的最新成员，专为快速开发和快速上市而设计。加入我们的邮件列表，以接收有关 Digi 新产品和即将举行的活动的通知！
机器学习（ML）和机器视觉（MV）如何改变我们的世界
机器学习技术可广泛应用于机器视觉图像处理或分类任务。而且，由于这些应用的规模越来越大，在越来越多的IoT 产品中增加机器学习和机器视觉功能的成本效益也在迅速提高。
机器视觉系统通常在工业相机模块内使用数字传感器，对图像进行处理和分析。与机器学习结合使用时，机器视觉应用可以可靠、一致地执行复杂任务。
例如，在医疗保健应用中，它们可以监测病人或检测放射图像中的异常情况，从而改善病人护理，甚至挽救生命。
在工业环境中，它们可以对传送带上的许多相同物品进行质量控制检测，而不会出现错误或疲劳。事实上，在几乎所有需要视觉监控的大规模生产过程中，机器视觉都能带来成本节约和质量控制方面的优势。机器视觉有可能减少人为错误，以更低的成本提供更好的质量控制。
机器学习与机器视觉相结合的商业优势
虽然机器学习和机器视觉的综合优势有很多，但其中最重要的是那些能够推动实际运营改进并影响底线的优势。
- 提高产品质量：检验、测量、测量和装配验证。
- 提高生产率：可快速自动执行常规重复性任务，让员工腾出时间从事价值更高的活动。
- 降低成本：为设备添加机器视觉功能可提高性能并延长使用寿命。在工厂环境中，机器视觉系统占用的空间也比人工操作小，而且不需要相同级别的安全基础设施。
为什么要在边缘计算？
ML/MV 应用程序必须实时运行。因此，尽管许多系统依靠云计算进行机器学习，但在应用边缘实施这种处理的趋势也在不断增长，即在业务流程或功能实际发生的地方就近实施。在带宽或延迟受到限制的情况下，边缘计算尤其具有优势，例如在制造设施中，每分钟可能有几十件物品在传送带上滚动，接受 ML/MV 系统的检查。
边缘计算的性能优势
如今，更多的计算工作正在向边缘转移，以大幅提高效率和性能，其中包括以下方面：
- 减少延迟：边缘计算可以更快地响应本地事件。系统可以更快地做出响应，因为数据不需要往返服务器。
- 脱机运行能力：在通信中断的情况下，系统可自行收集、存储和处理数据。
- 降低成本：减少网络上的数据流可降低网络成本，例如需要使用数据的蜂窝连接。
- 降低功耗：网络连接耗电量大。减少数据发送量有助于节省电能，这对使用电池供电的IoT 设备非常有利。
支持成功实施的工具和软件
创建机器学习解决方案并非易事，选择合适的硬件、开发工具和软件组件，在边缘进行基于机器学习的图像处理，对确保成功实施大有裨益。
例如，Au-Zone Technologies 提供了一个工具包，专门用于在性能受限的嵌入式设备上开发基于机器学习的成像系统。该公司的推理引擎支持 MCU、CPU 和 GPU 内核，采用统一的标准工作流程和模型格式，具有跨平台的灵活性和可移植性。Digi ConnectCore® 8X系统模块（SOM）则包含 MCU、CPU 和 GPU 处理内核，使推理引擎能够在任何这些计算资源上高效运行。因此，这两种解决方案也是互补技术。
发现、扩展、创新
机器学习和机器视觉功能的开发和实施过程肯定会非常广泛，其结果也会令人期待。随着新业务效益的实现和新用例的出现，率先部署这些系统的创新型组织将获得竞争优势。这些企业还将获得必要的经验和专业知识，以将其实施扩展到更多的使用案例中，并随着技术的扩展和完善充分利用其优势。
如需了解适合您产品开发的技术，或在设计和构建流程的任何方面寻求支持，请联系 Digi。