堆栈与AI，工业图像传感器智能化的两大奇招

电子发烧友网报道（文/周凯扬）在工业机器视觉系统中，最为常见的视觉传感器件莫过于图像传感器了，无论是工业检测、扫码还是机器人中都有用到。然而在手机图像传感器上，我们看到了对高像素、大尺寸的趋向，而在汽车图像传感器上，我们也都知道追求的是高动态范围、LFM以及安全可靠性等特性。那么在以上那些主流的工业场景中，图像传感器又存在哪些要求呢？
 
图像传感器在工业视觉系统中的要求
 
在接受电子发烧友网的采访时，安森美智能感知部工业及消费应用大中华区市场经理陶志指出了工业图像传感器的几大常见指标。比如在PCBA检测、半导体晶圆检测以及太阳能面板光伏检测中，都需要在固定的单位时间内尽可能检测更大面积的线路板，从而提高生产制造的效率。这些要求转换到图像传感器上，就成了更大的分辨率。
 
就拿显示面板来说，随着8K时代和OLED、MiniLED等技术的出现，对用于面板检测的图像传感器也提出了更高的精度要求，将像素与像素之间的发光强度和色彩均匀度全部检测出来。陶志解释道，过去检测LED面板的1颗像素，对应需要图像传感器上的9颗像素（3x3），而OLED面板则需要16颗（4x4）乃至25颗（5x5）像素，所以像素要求也就越来越高，从过去的3000万像素，提高到现在上亿的像素。
 
还有的工业相机需要在高速流水线上完成抓拍，快速读取数据传输给上位机，同时也要预留一定的时间给算法软件去分析和判断，所以要求短曝光和高帧率，这也就是全局快门的图像传感器在工业领域中越来越常见的原因。
 
同时，不少工业检测已经不再局限在可见光波段，越来越多的工业图像传感器开始专为近红外（NIR）波段进行优化，比如在成分分析以及运动轨迹的抓拍中，都有这个需求，因此不少传感器厂商都相继推出了加强NIR波段下量子效率的产品。
 
工业机器视觉上不可或缺的AI技术
 
不过以上更像是对工业图像传感器的基本要求，不少厂商也都通过不断发布的新品做出了解读，反倒是在一些新兴技术上，成了各家追求差异化的方向，比如AI。AI在工业领域已经不算什么新鲜事了，借助算法来推动机器视觉的精度、效率，从而改善图像传感器的图像质量，或是抑制噪声，已经成为一大趋势。更何况随着边缘计算技术的发展，将AI计算集成到传感器上已经不再是什么难事了。
 
陶志表示：“随着AI技术的逐渐成熟，未来也会大量运用在工业场景中，图像传感器作为机器之眼，更是推动人工智能发展的一个元素。如今，AI已用于60％以上的计算机视觉应用程序中，而AI在制造应用程序中的增长已超过50％年复合增长率。用于成像的AI决策已从云过渡到边缘，再迁移到与成像系统本身相邻或并入其中的计算机系统。”

安森美智能感知部工业及消费应用大中华区市场经理 陶志

 
而且图像传感器并不需要参与AI计算的全部过程，训练环节依然可以保留在GPU或者云端，而图像传感器只需要负责一些决策相关的预处理，比如在传感器上集成用于图像识别的卷积神经网络层。不过AI运算本身需要大量的图像数据，所以安森美的工作就是在维持采集图像质量稳定的同时，尽可能去减少噪声，并在传感器中集成更多的优化算法方便使用者开发。
 
堆栈一定是未来传感器的趋势
 
而要想实现AI计算的集成，自然就离不开堆栈这一工艺技术。手机图像传感器由于出货量大且利润率高等原因，常常成为各大CMOS厂商先进技术的试验田，比如堆栈、片上HDR等等，如今工业图像传感器也不例外。但伴随着图像传感器的用途不再是感知这么简单，如今不少处理与计算也要在传感器内部完成，所以才需要用到多层堆叠的堆栈技术。

堆栈图像传感器示意图 / 安森美

 
以安森美不久前发布的AR0822为例，就采用了背照式堆栈技术，在其内部嵌入了HDR功能的合成算法，从而以更低的系统功耗、带宽和成本实现120dB的高动态范围。除此之外，AR0822还通过智能线性化和曝光组合，对运动与闪烁的光源进行补偿，从而实现卓越的图像质量。
 
而且堆叠式图像传感器的各个晶圆层不一定非得选择同一个工艺打造，比如数字逻辑层可以选择更加先进的工艺，从而集成更多的处理单元和功能，将整个传感器打造成一个高度智能化的器件。如此就能降低对后端处理器的性能需求，简化整个相机系统。陶志认为，工业智能化的发展一定是需要这样的堆栈式工艺加持的。
 
与其他工业传感器的定位差异
 
正如汽车上图像传感器与激光雷达之争一样，在工业领域也不例外。对拥有工业图像传感器产品线，同时也为工业激光雷达提供SiPM、SPAD方案的安森美来说，应该对这两者在工业场景中的定位最熟悉不过了。
 
对于3D相机而言，安森美有各种图像传感器做双目和结构光配置来获得3维数据，也有配合激光实现的dToF解决方案来满足远距离的应用需求。据陶志透露，阿汉峨眉也会在今年陆续推出智能iToF的解决方案，结合背照式全局快门的像元技术，满足短距离应用需求。
 
她也提到，不同的应用会因为精度和距离环境的不同，去选择对应的解决方案。比如在工业测量中往往精度要求比较高，通常在μm级，检测距离相对较小，所以选择图像传感器的方案比较多；而在生物识别或者大场所环境的应用中检测距离从10cm到1m、2m乃至更远，精度没那么高，所以dToF方案会是更好的选择。