图像传感器，曾经是一组视觉感知工具，正在寻找进入新的，更具挑战性且不断扩展的应用程序的途径。人工智能（AI）有望进一步推动该技术的发展。

事实上，根据市场研究公司Technavio的数据，预计全球CMOS（互补金属氧化物半导体）图像传感器市场在2020-2024年期间将增长101.5亿美元。

使之成为可能的是，由于对更小封装和更高分辨率的需求，成像技术本身正在发生一场革命。

为了实现这些目标，像素尺寸必须与填充因子一起减小，并且金属布线反射吸收要求必须降至最低。

正面照明（FSI或FI）已经成熟，生产成本越来越低。尽管现在接近2微米的高分辨率传感器限制了光敏区域，但这却导致了更高的良率。添加到微透镜的其他光导已将尽可能多的光导引到有限的感光区域，但是1至2μm是像素大小的临界点。

背面照明可提高性能

背面照明（BSI或BI）提供了一种有趣的选择，因为控制电子设备不会限制光敏区域。但是，光以较低的量子效率（到达传感器的光子数与在终端收集的电荷载流子数之比）进一步传播。下图说明了背面和正面照明。

制造商正在采用BSI并采用新的传感器设计架构，以改善弱光条件下智能安全和监视摄像机的灵敏度，信噪比和动态范围。

例如，索尼降低了2009年推出的5兆像素1.75 μm BI CMOS传感器的复杂性和相关的制造成本。HTCEVO 4G Android智能手机以及苹果的iPhone 4使用了OmniVision Technologies BI。

如今，SmartSens Technology Co.，LTD。公司已经开发出用于监视，汽车，机器视觉和消费类电子产品（例如运动相机，无人机和自动吸尘器）的高性能CMOS图像感应（CIS）专有设计。

通过采用“全局”而不是“滚动”快门设计，BI CMOS传感器性能可以在汽车，航空和制造业的高速应用中得到极大改善。滚动快门传感器降低了成本并提供了良好的性能，但是在快速移动的物体以及不稳定或移动的相机中，它们的伪影很容易识别。

与卷帘式快门从上到下读取图像不同，全局快门传感器同时将所有像素曝光到图像上，从而产生更多的噪音，更多的热量和更少的动态范围。可以将这些不足最小化，但要付出高得多的代价。然而，在高速或弱光条件下的结果是显而易见的。

人工智能加速了图像传感器的采用

人工智能（AI）及其子集机器学习可以改变智能事物的未来行为，这些行为分为三类，所有这些都需要“眼睛” —机器人，无人机和自动驾驶汽车。在高速汽车应用中，全局百叶窗使精确制动和避免碰撞和障碍成为可能。

无人驾驶或传统车辆要求采用车载多重曝光，超高动态范围汽车传感器的技术，该传感器可在高速困难照明条件下提供出色的图像。只有使用全局快门和高速BSI处理才能满足这些要求。

为了保证质量，实时维护并为虚拟机设计收集数据而在高速工业环境中发现小零件中的缺陷或缺陷的机器或机器人需要使用全局快门和BSI CMOS技术进行成像。

然后，工程师可以使用收集到的数据来播种生成型设计软件，以探索设计方案的排列，数字孪生子（虚拟和物理的组合）发现有效和无效的工具。有一天，这可能会在机器内部发生。

由硅谷资深人士Andrew Ng（Landing.ai）组成的初创公司已经开发了机器视觉工具，该工具可以使用相对较少的样本图像通过机器学习算法来检测电路板等产品中的微观缺陷。计算机“查看”并处理信息，并从其观察中学习。

使用BSI CMOS的监控摄像头现在可以记录低照度/星光，其感光度等级从0.01 lux（清晰，月光充足的环境）到0.001 lux（清晰，无月光的环境），且数字噪声较低，使其适用于城市或仓库安全以及观察。

大城市地区的执法机构越来越多地依靠BSI CMOS图像传感器技术来记录和识别高犯罪现场的人员，通常是在弱光条件下。人工智能和具有实时人脸生物特征数据的深度学习行为系统有朝一日可以帮助执法机构在犯罪发生之前制止犯罪。

其他机构（消防，EMS，救援）正在使用配备BSI CMOS高清晰度摄像头的监视无人机来挽救生命并指导急救人员。对失踪儿童或迷路远足者的搜索工作可通过扫描能够识别特定人类生物特征的无人机来节省宝贵的时间和生命。

作为美国宇航局“火星探测计划”的一部分，“火星2020”火星探测器计划至少一年（或直到车轮脱落！）广泛地探索“红色星球”。2020年7月的发射使2020年的“火星”号进行了为期一年的旅程。预计将于2021年2月18日登陆火星。

该仪器严重依赖图像传感器。机上的23台摄像机中，有16台将执行工程和科学任务。增强型工程相机可提供详细的地形彩色图像，以实现安全导航，硬件自检，引导样本收集以及将其引导至指定为科学目标区域的解决方案。

没有BSI / FSI CMOS图像传感器（20兆像素，5120 x 3840像素图像）和集成软件，这一切都是不可能的。导航摄像机从其当前位置显示当前区域和所需区域的轮廓，从而使漫游者及其在地球上的团队可以使用这些数据。

HazCams在前方有四个，在后方有两个，可以检测到障碍物和危险，经常停下来抓取前方地形的立体图像，以自行评估难度和可能的替代路线。此外，它们还有助于引导机械臂收集样品并进行测量，而无需咨询漫游车队。

在科学的凸轮中，安装在流动站机器人手臂上的SHERLOC和WATSON尤其有趣。SHERLOC使用分光计，激光和照相机搜索因水而改变的有机物和矿物质。沃森（WATSON）拍摄了“大”图，用于SHERLOC对矿物目标的详细检查。WATSON可以精细地查看火星岩石的纹理和结构以及岩石碎片和尘埃的表层，但可以将其用于其他带扶手的仪器。

CMOS AI / ML技术在任何地方都比医疗保健更有益。与机器学习相同的技术可以在电路板上发现针孔，评估火星地形或自动识别印刷字符，从而有助于定位和诊断曾经被医生忽视的疾病。

计算机辅助诊断使用自动图像分析来提取统计推断，并应用模式分类器来确定所提取特征可能属于的类别。这在乳腺摄影和某些癌症中特别有用。

显然，图像传感器-“机器的眼睛”所提供的不仅仅是图片。他们使我们对新的领域和现实有了深刻的了解。