電子發燒友網報道（文/周凱揚）在工業機器視覺系統中，最為常見的視覺傳感器件莫過于圖像傳感器了，無論是工業檢測、掃碼還是機器人中都有用到。然而在手機圖像傳感器上，我們看到了對高像素、大尺寸的趨向，而在汽車圖像傳感器上，我們也都知道追求的是高動態范圍、LFM以及安全可靠性等特性。那么在以上那些主流的工業場景中，圖像傳感器又存在哪些要求呢？

圖像傳感器在工業視覺系統中的要求

在接受電子發燒友網的采訪時，安森美智能感知部工業及消費應用大中華區市場經理陶志指出了工業圖像傳感器的幾大常見指標。比如在PCBA檢測、半導體晶圓檢測以及太陽能面板光伏檢測中，都需要在固定的單位時間內盡可能檢測更大面積的線路板，從而提高生產制造的效率。這些要求轉換到圖像傳感器上，就成了更大的分辨率。

就拿顯示面板來說，隨著8K時代和OLED、MiniLED等技術的出現，對用于面板檢測的圖像傳感器也提出了更高的精度要求，將像素與像素之間的發光強度和色彩均勻度全部檢測出來。陶志解釋道，過去檢測LED面板的1顆像素，對應需要圖像傳感器上的9顆像素（3x3），而OLED面板則需要16顆（4x4）乃至25顆（5x5）像素，所以像素要求也就越來越高，從過去的3000萬像素，提高到現在上億的像素。

還有的工業相機需要在高速流水線上完成抓拍，快速讀取數據傳輸給上位機，同時也要預留一定的時間給算法軟件去分析和判斷，所以要求短曝光和高幀率，這也就是全局快門的圖像傳感器在工業領域中越來越常見的原因。

同時，不少工業檢測已經不再局限在可見光波段，越來越多的工業圖像傳感器開始專為近紅外（NIR）波段進行優化，比如在成分分析以及運動軌跡的抓拍中，都有這個需求，因此不少傳感器廠商都相繼推出了加強NIR波段下量子效率的產品。

工業機器視覺上不可或缺的AI技術

不過以上更像是對工業圖像傳感器的基本要求，不少廠商也都通過不斷發布的新品做出了解讀，反倒是在一些新興技術上，成了各家追求差異化的方向，比如AI。AI在工業領域已經不算什么新鮮事了，借助算法來推動機器視覺的精度、效率，從而改善圖像傳感器的圖像質量，或是抑制噪聲，已經成為一大趨勢。更何況隨著邊緣計算技術的發展，將AI計算集成到傳感器上已經不再是什么難事了。

陶志表示：“隨著AI技術的逐漸成熟，未來也會大量運用在工業場景中，圖像傳感器作為機器之眼，更是推動人工智能發展的一個元素。如今，AI已用于60％以上的計算機視覺應用程序中，而AI在制造應用程序中的增長已超過50％年復合增長率。用于成像的AI決策已從云過渡到邊緣，再遷移到與成像系統本身相鄰或并入其中的計算機系統。”

安森美智能感知部工業及消費應用大中華區市場經理 陶志

而且圖像傳感器并不需要參與AI計算的全部過程，訓練環節依然可以保留在GPU或者云端，而圖像傳感器只需要負責一些決策相關的預處理，比如在傳感器上集成用于圖像識別的卷積神經網絡層。不過AI運算本身需要大量的圖像數據，所以安森美的工作就是在維持采集圖像質量穩定的同時，盡可能去減少噪聲，并在傳感器中集成更多的優化算法方便使用者開發。

堆棧一定是未來傳感器的趨勢

而要想實現AI計算的集成，自然就離不開堆棧這一工藝技術。手機圖像傳感器由于出貨量大且利潤率高等原因，常常成為各大CMOS廠商先進技術的試驗田，比如堆棧、片上HDR等等，如今工業圖像傳感器也不例外。但伴隨著圖像傳感器的用途不再是感知這么簡單，如今不少處理與計算也要在傳感器內部完成，所以才需要用到多層堆疊的堆棧技術。

堆棧圖像傳感器示意圖 / 安森美

以安森美不久前發布的AR0822為例，就采用了背照式堆棧技術，在其內部嵌入了HDR功能的合成算法，從而以更低的系統功耗、帶寬和成本實現120dB的高動態范圍。除此之外，AR0822還通過智能線性化和曝光組合，對運動與閃爍的光源進行補償，從而實現卓越的圖像質量。

而且堆疊式圖像傳感器的各個晶圓層不一定非得選擇同一個工藝打造，比如數字邏輯層可以選擇更加先進的工藝，從而集成更多的處理單元和功能，將整個傳感器打造成一個高度智能化的器件。如此就能降低對后端處理器的性能需求，簡化整個相機系統。陶志認為，工業智能化的發展一定是需要這樣的堆棧式工藝加持的。

與其他工業傳感器的定位差異

正如汽車上圖像傳感器與激光雷達之爭一樣，在工業領域也不例外。對擁有工業圖像傳感器產品線，同時也為工業激光雷達提供SiPM、SPAD方案的安森美來說，應該對這兩者在工業場景中的定位最熟悉不過了。

對于3D相機而言，安森美有各種圖像傳感器做雙目和結構光配置來獲得3維數據，也有配合激光實現的dToF解決方案來滿足遠距離的應用需求。據陶志透露，阿漢峨眉也會在今年陸續推出智能iToF的解決方案，結合背照式全局快門的像元技術，滿足短距離應用需求。

她也提到，不同的應用會因為精度和距離環境的不同，去選擇對應的解決方案。比如在工業測量中往往精度要求比較高，通常在μm級，檢測距離相對較小，所以選擇圖像傳感器的方案比較多；而在生物識別或者大場所環境的應用中檢測距離從10cm到1m、2m乃至更遠，精度沒那么高，所以dToF方案會是更好的選擇。