安森美半导体：工业机器视觉细分领域的隐形冠军

众多周知，在 汽车 半导体领域，安森美半导体堪称大牛，你或许不知道的是，在工业细分领域，安森美半导体亦为翘楚。在2020年9月25日举行的安森美半导体智能感知策略及方案在线媒体交流会上，中国工控网获悉，据欧洲第三方调研公司Yole Development数据显示，安森美半导体在工业机器视觉领域的市场份额排名第一。

致力于推动高能效电子的创新，安森美半导体提供全面的高能效联接、感知、电源管理、模拟、逻辑、时序、分立及定制器件阵容，使客户能够减少全球的能源使用。安森美半导体市场范围非常广泛，核心市场主要是在 汽车 、工业、通信、消费类和计算。

“我们最大的市场份额集中在 汽车 、工业和通信。”安森美半导体智能感知部全球市场和应用工程副总裁易继辉（Sammy Yi）说，“这些行业有几个非常重要的共同点，一是对产品性能要求非常高；二是对产品质量和可靠性要求非常高；三是对产品长期供货的持续性要求非常高。而这正是安森美半导体的优势所在。”

安森美半导体主要分为三个产品部门，分别是电源方案部（PSG）、先进方案部（ASG）和智能感知部（ISG）。设立于2014年的智能感知部（ISG）年轻且活跃，是安森美半导体目前成长速度最快的部门。

“ 汽车 、机器视觉和边缘人工智能是智能感知部主攻的三个市场方向。”易继辉说， 汽车 行业虽属传统行业，但近年来得益于电力化、智能化， 汽车 行业焕发新生。为了打造更加安全、舒适的智能 汽车 ，各类感知产品应用需求激增。“安森美半导体在 汽车 智能感知方面成长速度远比 汽车 行业本身发展速度快得多，就是因为 汽车 采用新技术的速度非常快。”

同样，在工业4.0时代， 历史 悠久的机器视觉在自动化、人工智能等技术的加持下不断产生新的发展动力和活力。特别是在中国市场，越来越多的制造企业考虑采用机器视觉帮助生产线实现检查、测量和自动识别等功能，以提高效率并降低成本，从而实现生产效益最大化。

机器视觉作为新兴技术被寄予厚望，被认为是自动化行业一个具备光明前景的细分市场。从全球范围看，由于下游消费电子、 汽车 、半导体、医药等行业规模持续扩大，全球机器视觉市场规模呈快速增长趋势，2017年已突破80亿美元，并预计到2020年全球市场规模将达到125亿美元，2025年将超过192亿美元。

相较于前两者，边缘人工智能属于行业“新兵”，但潜力无限。“边缘人工智能主要是由人工智能、5G、IoT等新技术导入后开发出新的应用，发展非常迅速，经常隔几天、隔几个礼拜，就会有新客户打电话来说他们有新的想法和应用，希望得到帮助。”易继辉举例道。

在上述核心市场，安森美半导体智能感知部都做了长时间的投入和布局，包括图像感知，多光谱、高光谱的感知，激光雷达感知、毫米波雷达感知、传感器融合此类深度感知。这些都在推动人工智能和第四次工业革命的进步。

工业人工智能应用，图像传感器是关键

随着智能制造的逐步深入推进，工业机器视觉、机器人、人工智能技术发展迅速，图像传感器是助其发展的关键技术。工业人工智能应用的发展给图像传感器带来了更高的挑战，包括推动了后者在全局快门性能、高速拍摄、大分辨率、使用不可见光谱区域和三维体积深度提供的信息进行关键推断，以及神经网络处理的发展。

易继辉举例说，平板检测是整个工业机器视觉行业中，对图像传感器最有挑战性的应用，从1K、2K、4K一直到8K，像素要求逐渐提高。

具体来讲，平板检测过程分两步：第一步是暗检测，上电前主要检测一些指纹、划痕和其他物理上的问题；第二步是上电以后，检测发光源。LED有一个亮板在后面作为发光源，而OLED，特别是AMOLED（Active Matrix OLED）的每个像素都是一个单独发光源，像素和像素之间发光的强度和色彩的均匀度，都要能够很准确地侦测出来，这就对图像传感器的要求非常高。

“过去检测LED面板上的1颗像素，对应需要9颗像素（3 3），OLED则对应需要16颗（4 4），甚至25颗（5 5）像素。平板检测对图像传感器的像素要求越来越高，从4,500万到1.5亿像素，甚至超过2亿像素。”易继辉说。

易继辉以1.3英寸固定尺寸的图像传感器为例，阐述图像传感器技术发展路线图。首先，图像传感器的分辨率在逐年提升，从过去的200万像素、500万像素、800万像素、1200万像素，逐步升级到现在超过2000万像素。其次，噪声导数相当于图像质量，在同样大小的尺寸下的图像传感器逐年随着像素的增大，图像质量也在不断提高。此外，带宽也是逐年提高。比如，一个29 29mm2标准的工业用摄像头，十年前可能只是200万像素，后来逐渐增加到300万、500万、1200万，今年已经能够用到1600万像素。

“安森美半导体在技术上有非常长时间的积累。”易继辉说，如全局快门，在高速运动下使图像不会有拖影；内校正，像素内的校正，以前都是在系统里通过软件校正，现在直接做到硬件里，像素内部去做图像校正；工艺节点，从110纳米到65纳米，再到45纳米，甚至更小，充分利用了摩尔定律的优势，即成本、尺寸、耗电量都在逐年下降；背照式，在同样尺寸下分辨率越来越高，像素尺寸可能越来越小，感光量、感光度，特别是暗光下，性能可能就会降低，背照式就是用来提高感光能力；堆栈架构，以后就不光是两维空间了，而是三维、堆栈式、两次堆栈、三次堆栈都有可能实现。以后不光把模拟和数字信号放在第二层，甚至于人工智能一些算法放在第三层里，整个图像传感器就是高智能化的图像传感器。

可以预见，图像传感器的开发正在从仅提供RGB和二维坐标信息转移到新的更丰富的形式。图像传感器可提供更多类型的数据，无论是深度数据，还是增加的光谱信息，以及人工智能合并这些数据集并实现高级决策，从而使系统能够通过新的测量和决策机会提供更快、更准确的结果。作为工业机器视觉的领导厂商，安森美半导体会以全方位的智能感知产品阵容和领先的技术，应对工业人工智能应用挑战并推进智能制造的创新。（文/gongkong张丽莹）

激光雷达发射器先发射激光，经过物体（ O b j e c t ObjectObject ）反射后被 C M O S CMOSCMOS （一种图像传感器，即图中 I m a g e r ImagerImager ）捕捉，设捕捉点为 x 2 x_2x

2

​

。现过焦点 O OO 作一条虚线平行于入射光线，交 I m a g e r ImagerImager 于 x 1 x_1x

1

​

，由于 β \betaβ 已知，所以可得到 x 1 x_1x

1

​

的位置。记 x 1 , x 2 x_1,x_2x

1

​

,x

2

​

之间距离为 x xx，易得左右两个三角形相似，所以有：q f = s x \frac{q}{f}=\frac{s}{x}

f

q

​

=

x

s

​

，又有 s i n β = q d sin\beta=\frac{q}{d}sinβ=

d

q

​

，二者联立可得 d = s f x s i n β d=\frac{sf}{xsin\beta}d=

xsinβ

sf

​

.

这样就可得到物体到激光发射器的距离 d dd 了，激光雷达将这样的发射器和接收器组装在一起，经过机械旋转360°即可得到一周障碍物的距离。

TOF测距原理

由三角测距的计算公式不难发现，当距离 d dd 很大时，每变化 δ d \delta dδd 引起的 x xx 变化很小，导致精度下降，这就限制了测量范围。

而TOF（Time of flight）原理克服了测量距离这一难点，并且提高了精度：

TOF原理十分简单，就是利用光速测距。首先激光发射器发射激光脉冲，计时器记录发射时间；脉冲经物体反射后由接收器接受，计时器记录接受时间；时间差乘上光速即得到距离的两倍。

TOF原理看似简单，但是实现起来确有很多难点：

计时问题：由于光速过快，测量时间会变得很短。据网上数据得：1cm的测量距离对应65ps的时间跨度。这需要计时器的精确度很高。

脉冲问题：发射器需要发射高质量的脉冲光，接收器接受脉冲光的时候需要尽量保持信号不失真。

对于同一距离的物体测距时，得到的回波信号可能不一样，如下图的黑白纸，这就需要特殊的处理方式来处理。

但总的来说TOF原理的精度远远超过三角测距，只是由于诸多难点导致成本略高。像大一立项时因为没钱，所以用的三角测距的思岚A1，精度不是很高。而ROBOCON战队里的sick激光雷达就是TOF原理，精度非常高，贵是有道理的~

雷达分类

机械激光雷达

机械激光雷达使用机械部件旋转来改变发射角度，这样导致体积过大，加工困难，且长时间使用电机损耗较大。但由于机械激光雷达是最早开始研发的，所以现在成本较低，大多数无人驾驶公司使用的都是机械激光雷达。

MEMS激光雷达

MEMS全称Micro-Electro-Mechanical System，是将原本激光雷达的机械结构通过微电子技术集成到硅基芯片上。本质上而言MEMS激光雷达是一种混合固态激光雷达，并没有做到完全取消机械结构。

主要原理为：通过MEMS把机械结构集成到体积较小的硅基芯片上，并且内部有可旋转的MEMS微振镜，通过微振镜改变单个发射器的发射角度，从而达到不用旋转外部结构就能扫描的效果。

大致原理如下图：

相控阵激光雷达

两列水波干涉时会出现某处高某处低的情形：

光学相控阵原理类似干涉，通过改变发射阵列中每个单元的相位差，合成特定方向的光束。经过这样的控制，光束便可对不同方向进行扫描。雷达精度可以做到毫米级，且顺应了未来激光雷达固态化、小型化以及低成本化的趋势，但难点在于如何把单位时间内测量的点云数据提高以及投入成本巨大等问题。

动态原理图如下：

FLASH激光雷达

FLASH激光雷达原理非常简单：在短时间内发射出一大片覆盖探测区域的激光，再以高度灵敏的接收器，来完成对环境周围图像的绘制。

激光雷达的数据

分成N份

分成M份

N线点云数据

1线点云数据

时间戳

1个点云数据

点云数量M

X方向偏移量

Y方向偏移量

Z方向偏移量

反射强度

激光雷达数据的处理顺序一般为：

数据预处理（坐标转换，去噪声）

聚类（根据点云距离或反射强度）

提取聚类后的特征，根据特征进行分类等后处理工作。

激光雷达数据的处理顺序一般为：

数据预处理（坐标转换，去噪声）

聚类（根据点云距离或反射强度）

提取聚类后的特征，根据特征进行分类等后处理工作。

---