「如果你想使用具备机器学习的机器视觉来检查快速移动的东西，比如生产在线的瓶子，会需要使用带有全局快门的相机模块。滚动快门在此应用程序中不起作用，因为有可能会遗漏细节」Uyttersprot说。

同样地，图像传感器需要适合操作环境。在某些应用中，有必要选择一个同时具有适当低旋光性能的图像传感器。使用机器视觉时必须考虑这些因素，但在产生将使用机器学习解释的数据时，这些考虑因素变得更加相关。

因为数据是由算法而不是由人来分析的，所以这提供了在机器视觉系统中引入不同感测模式的机会。这可能包括图像传感器以外的模式，例如飞行时间、雷达和激光雷达。随之而来的则是对传感器融合的需求。

传感器融合是指从多个来源获取数据，并将其合并为一个单一的数据集，以输入神经网络的过程。这是一个关键阶段，因为每个传感器数据的加权方式将影响其与数据集的相关性。

每个用例都不同，因此没有一套标准的方法，这表示传感器融合可能交由制造商来负责。当您与合作时，相关负责传感器融合。通常来说，这些是开发机器学习应用程序的软件公司，但也可能是客户，由及其合作伙伴协助。

工业中的机器学习的训练和迁移学习

创建一个演示器来证明机器学习的概念并不像以前那样困难，尤其是在与可以提供评估模块和开发工具包的伙伴合作时。将该概念应用于生产仍然是困难。

「标准数据集可用于演示目的，但这些标准数据集通常不适合实施。客户可能需要从有建立数据经验的公司购买数据，或者他们需要自己建立数据」Uyttersprot 说。

这就是迁移学习等技术有用的地方，它可以将为一个用例创建的数据移植到一个新的但相似的用例。这只是其中一种解决方案。另一个可能是使用3D建模虚拟创建的合成数据。这方法可以快速创建许多图像，而这些图像可用于训练机器学习算法，而无需实际建立

合成数据有其优势，但与机器学习中的大多数事情一样，它不一定容易。了解挑战是取得结果的重要部分。当开始与客户合作时，是介绍机器学习以及它可以提供什么。 下一步是了解客户真正想要实现的目标。在某些情况下，它可能只需要没有机器学习的计算器视觉。在与合作伙伴一起开发解决方案之前，确保客户充分了解这些选项是非常重要的。

边缘与云运算

随着人工智能向网络边缘移动，这个问题时常出现。然而，Uyttersprot指出，两者将继续共存，因为都有各自的优点。

例如，如果安全性或延迟是用例中的特殊需求，则由边缘处理比较适合；但如果应用程序需要能够持续改进算法，则在云中处理才是更好的解决方案。

「同时使用边缘和云是有意义的。」Uyttersprot说，「如果您在不同位置有许多产品，例如智能恒温器，则可以使用边缘处理。但是通过云共享数据可使算法改进，可以在整个恒温器网络中推行。」