顛覆性創新技術不但是投資者追逐的風口，更是實業者努力創造的現實。走過130年創新路，ABB繼續在數字化浪潮中禦風而行，通過自有實驗室實現了眾多技術突破，同時攜手新興科技領域，致力於開放式創新。

　　人工智能、深度學習、邊緣計算、數字孿生、Factory 2.0……熱詞頻現，數字化技術與各行業的交匯將產生什麼化學反應?數據與算法將如何賦能新制造，重新定義未來工廠?近期，我們將集中介紹ABB的科研成果和應用案例，跟我們一起來探尋這些熱詞背後的真相吧!

機器人抓蝦?到底有多難?

　　在食品加工領域，機器人對食品的抓取、揀選是實現自動化中的一個常見問題，需要實時、的圖像識別技術，但食品通常形狀不規則、特徵多變，導致快速、穩定的視覺分析與較為困難。

　　以食物中常見的蝦為例——目前在工廠的自動剝蝦生產線上，有一個關鍵環節未能實現自動化——對於蝦身的抓取與放置，目前仍然由人工操作，地限制了生產線的速度、精度、穩定性與生產效率，而且工作本身枯燥無味，浪費人力與時間。

　　在自動化方案中，核心是視覺係統與機器人的配合動作。視覺係統單元對線上移動的蝦身進行實時拍攝，同時內置算法識別出目標點位置，並引導機器人進行抓取與放置，從而替代人工操作，實現整條生產線的全自動化。

　　▲自動化揀選方案示意圖

　　而在實際應用中，由於蝦的形態各異，對人來說十分簡單的識別任務，對於傳統的圖像特徵提取算法就變得非常困難。面對形態各異、尺寸不一，紋理顏色等特徵也不同的蝦，單一的圖像處理方法只能準確識別部分樣本的關節點，很難達到工業應用的高精度要求，而一個好的解決方案不僅要能滿足工業應用的精度要求，還需要將識別失敗樣本的誤差控制在穩定範圍內，便於工廠的後續處理。

　　▲待識別的目標關節點

　　人工智能及圖像處理領域的科研發展，例如用於圖像識別的深度學習算法，為解決這一問題提供了新的思路。但是，深度學習算法在較復雜的圖像數據、精度要求較高的識別任務上往往性能不夠高，如果直接使用，很難同時滿足工業上的實時性要求與通常超過95%的精度要求。