目前的大多数增强现实都是通过将已知信息叠加到物理世界上来实现的。其中在消费者技术领域，AR在地图和游戏方面的应用是最引人关注的。而在工业世界中，AR 将可以用来实现可视化、指令指导和入门培训。例如：

· 可以将虚拟操作说明用作操作手册

· 服务维护时可以及时地将数字化信息投射到现实世界中，从而根据具体环境指导正在执行的任务

· 远程指导能够通过实时的现场注释实现公司经验丰富的专家与初级员工的沟通。

   这些AR体验是通过识别预定标记，CAD几何形状，二维码 /条形码或基于位置的传感器输入和其他传感器输入而实现的。但是，如果用户面对的是无法识别的机器或零件，也没有相关的说明来指导操作和维护，那该怎么办？

   人工智能，尤其是深度学习，引发了计算机视觉（CV）和增强现实（AR）的新一波创新。能够感知各种环境将是下一代增强现实用例的特点，从而前所未有地助力现场员工。

   能够理解传统计算机视觉和深度学习计算机视觉之间的差异对于现在和不久的将来开发应用程序至关重要。

01

定义传统计算机视觉及其用例

   工业环境极其复杂并装有复杂的程序以保持关键任务系统的完整性。以整个沃尔沃集团发动机质量保证体系中的详细信息的交叉交换体量为例：每个发动机需要进行 40 次质量检查，发动机又可能有 200 种可能的QA变量，而对于仅一个工厂而言，有关发动机信息的变量就有可能多达 4500 种。

  要向质量检查操作员提供正确的信息，就需要一个全面且无缝的数字主线，而增强现实技术可以准确、及时、可靠地提供与具体环境相关的信息；与其他许多制造商一样，面对激烈的市场竞争，沃尔沃集团也无法承受停机所导致的损失。

   在这种对于精度和准确度都要求极严的情况下，要想应用增强现实应用程序，传统的实现计算机视觉的方法就是最佳的方法。

   这本质上就是在设计和编码环境中，“自己设计”CV 算法。工程师可以将本机传感器输入值（相机，GPS，加速度计）映射到3D几何形状中，并针对特定用例启用CV算法。AR工程师或经验创建者可以通过将这些几何形状，点，特征和度量进行对齐以在具体环境将其激活，从而在3D设计创作环境中实现这种CV算法和特定用例。

   由于通过自定义可以进行配置，所以这种方法在需要高保真资产的重型工程用例中非常流行。在进行改进的同时，使用深度学习方法很难精确测量图像的深度，这就使得传统的CV仍然是一个较好的选择，这是因为它可以通过对算法进行改进和选择相应的传感器能够更自然地以更兼容的方式识别出复杂的3D结构。

02

深度学习：增强现实中所用到的计算机视觉的未来

   在LiveWorx 2019中，PTC CEO Jim Heppelmann作了一个演示，其中AR可以自动识别零件。该零件没有任何条形码或目标标记，但是计算机视觉仍然能够在几秒钟内检测到该零件，检测出其模型以及有多少库存。

   人工智能，更具体地说是嵌入在增强现实应用程序中的深度学习技术，使这种自动对象识别成为可能。该演示用零件的CAD数据文件在云中训练神经网络，向其提供各种人造示例，从而创建了一个轻量级的推理AI模型，以在增强现实应用程序上运行。

   PTC 计算机视觉领域负责者，总监 John Schavemaker 进一步解释说：

   在创建由 AI 驱动的 AR 演示或使用任何具有深度学习功能的 AR 应用程序时，推断的模型与训练数据一样有价值，在这种情况下，模型是人为地通过在不同位置和方向绘制 3D CAD 模型并向神经网络提供数据来创建的。

   在任何行业中，培训数据都非常重要：自动驾驶汽车的自动驾驶算法要通过数百万英里的聚合图像和视频驾驶数据进行训练，而对于医学模型来说，则要使用数百万患者数据进行训练，以更准确地预先诊断癌症。

   将这种思维方式应用于工业界会产生巨大的影响。在现实世界中，重型设备 OEM 利用 AI 使其经销商技术人员网络具有增强现实的功能。这可以帮助技术人员识别已部署机器上的任何零件，并可以根据指示对零件进行维修/更换。这一转变将在全球范围内大大改善服务 KPI。

   质量控制和保证也会因此而发生翻天覆地的变化，这是因为，基于AR，可以识别出工业产品、资产、生产线等的缺陷，而这对于人眼来说是望尘莫及的。深度学习可以借助 AR预先对不安全情况发出警告，从而保证工厂的安全。

03

在工业环境中捕获独特的数据

   工业界与其他领域的区别在于其涉及的范围极广：涉及的零件、产品、资产、机器和流程数不胜数。要通过传统方法扩展 AR 应用程序，工程师必须为各种操作中所用到的对象编写专有的 AR 体验，不仅耗时而且成本高昂。同样，要找到每个唯一对象的图像，尤其是如果这种对象非常复杂（例如沃尔沃发动机）时，这就相当于要进行一次大修而且不可避免地会造成各种误差。

   这就使 CAD 文件对于训练神经网络和将AR部署到整个企业成为关键的筛选器。

   Schavemaker 说“ 无疑CAD数据是重中之重：使用 CAD 数据你就可以使用简单的输入 – 设置所需的输出范例人为地生成许多视觉示例来训练深度学习网络。”

   CAD 数据包含项目数字定义的所有唯一参数和注释，使 AI 能够在现实世界中快速识别目标。通过在云中更好地训练数据，更好地优化AR设备上的本机计算及其对识别的影响可以改进边缘的推理模型。如果一家公司的资产放在多个车间和远程站点，那么这些资产将是重要的定义数据源，这家公司即拥有了拥抱具有AI用例的下一代AR的潜力。

04

计算机视觉的未来

   选择什么样的 CV 方法取决于具体的用例，但工业企业一般会在不同的场景中混合使用两种方法，在使用同一个应用程序时也会混合使用两种方法。AR 中的深度学习算法足以识别对象，而高保真传统模型则可以更准确地跟踪/映射和测量对象。对于必要的模型更改以及扩大AR对周围环境的影响来说，可扩展的企业AR产品组合至关重要。

   这些创新的AR应用程序通过与数字主线和补充技术相辅相成，将发挥出全部潜力。IIoT可以提供由AR识别的对象的实时遥测和操作数据，并为与其他相关业务系统信息的沟通提供桥梁。

   这种对象可能是有关服务部件，保修条款，库存，供应商或交货信息的详细信息。具有这些开发方法的AR将使您能够迈入工业生态系统，并使您最终完成物理和数字世界的融合。