直接在邊緣裝置上進行模型推論(Inference)，是人工智慧(AI)走向產業應用的必然趨勢，且隨著半導體元件技術不斷精進，推論發生的地點將會越來越貼近生產的第一線。凌華與GPU大廠NVIDIA合作，正式推出全球第一款內建GPU，可以直接執行推論的工業相機NEON-J，就是AI從雲端走向邊緣的最佳註腳。

凌華科技資深產品經理許凱翔指出，機器學習對機器視覺技術的應用拓展，能做出非常大的貢獻。在過去，機器視覺軟體是以預先設定的規則為基礎，工程師在開發軟體時，必須用演算法把想要偵測的影像特徵，例如瑕疵的特徵詳實描述清楚，系統判斷的準確率才會高。

但在實際應用上，這種方法常會遇到困難，例如待測物本身就帶有某些圖樣(Pattern)時，當瑕疵跟背景圖樣混在一起，系統要精準辨識出瑕疵的難度就很高。這種情況在電子業其實很常見，例如TFT-LCD面板、太陽能電池片(Solar Cell)，本身就是有圖樣的產品，要用現有的機器視覺去抓出這類產品的瑕疵，是很大的挑戰。

對機器學習來說，圖樣辨識正是它最擅長的工作。因此，基於機器學習的機器視覺系統，只要圖像處理、判斷的速度夠快，就能為機器視覺技術的應用打開很多新的可能性。這也是凌華跟NVIDIA合作，率先推出整合Jetson TX-2嵌入式GPU的NEON-J工業相機的原因。當推論可以直接在工業相機上執行，不必仰賴雲端，不僅可以省下可觀的網路流量，網路延遲的問題也一併解決了。

不過，由於Jetson-TX2是專為嵌入式應用設計的低功耗GPU，其運算能力無法跟桌上型電腦、伺服器使用的GPU相提並論，因此目前NEON-J不能執行太複雜的機器學習模型，否則會來不及對影像做出即時判斷。

即便NEON-J目前還無法執行太複雜的模型推論，但其基於機器學習的特性，已經成功為機器視覺打開新的應用市場。舉例來說，食品業的產品分類/分級應用，就很適合用NEON-J來執行。像是肉品分切作業，要依照肉品的油花分布狀況來判斷肉品等級，或是肉品出於哪個部位，就要靠圖像識別來實現，傳統基於規則的機器視覺軟體很難處理這種問題。

另一個應用案例是冷凍披薩工廠的品管。披薩廠商在產品包裝前，要先檢查披薩上的餡料數量、狀態做出檢查，才能避免NG的產品賣到消費者手上。從機器視覺的角度，這是一個典型的圖樣辨識問題，例如鳳梨、香腸的片數是否符合標準，有沒有破損，就得靠圖樣識別來做。因為披薩上的鳳梨、香腸切片可能有大有小，傳統的機器視覺分析軟體遇到這種待測物，容易出現誤判。

總結來說，對機器視覺應用來說，機器學習是一個很值得期待的互補型技術。以規則為基礎的分析軟體，在量測物件尺寸、辨識QR Code、條碼，以及引導機器手臂在2維平面上運作，是很有效率的，可靠度也高。但如果是要處理跟圖樣有關的問題，機器學習是比較理想的解決方法。