圖像傳感器，曾經是一組視覺感知工具，正在尋找進入新的，更具挑戰性且不斷擴展的應用程序的途徑。人工智能（AI）有望進一步推動該技術的發展。

事實上，根據市場研究公司Technavio的數據，預計全球CMOS（互補金屬氧化物半導體）圖像傳感器市場在2020-2024年期間將增長101.5億美元。

使之成為可能的是，由于對更小封裝和更高分辨率的需求，成像技術本身正在發生一場革命。

為了實現這些目標，像素尺寸必須與填充因子一起減小，并且金屬布線反射吸收要求必須降至最低。

正面照明（FSI或FI）已經成熟，生產成本越來越低。盡管現在接近2微米的高分辨率傳感器限制了光敏區域，但這卻導致了更高的良率。添加到微透鏡的其他光導已將盡可能多的光導引到有限的感光區域，但是1至2μm是像素大小的臨界點。

背面照明可提高性能

背面照明（BSI或BI）提供了一種有趣的選擇，因為控制電子設備不會限制光敏區域。但是，光以較低的量子效率（到達傳感器的光子數與在終端收集的電荷載流子數之比）進一步傳播。下圖說明了背面和正面照明。

制造商正在采用BSI并采用新的傳感器設計架構，以改善弱光條件下智能安全和監視攝像機的靈敏度，信噪比和動態范圍。

例如，索尼降低了2009年推出的5兆像素1.75 μm BI CMOS傳感器的復雜性和相關的制造成本。HTCEVO 4G Android智能手機以及蘋果的iPhone 4使用了OmniVision Technologies BI。

如今，SmartSens Technology Co.，LTD。公司已經開發出用于監視，汽車，機器視覺和消費類電子產品（例如運動相機，無人機和自動吸塵器）的高性能CMOS圖像感應（CIS）專有設計。

通過采用“全局”而不是“滾動”快門設計，BI CMOS傳感器性能可以在汽車，航空和制造業的高速應用中得到極大改善。滾動快門傳感器降低了成本并提供了良好的性能，但是在快速移動的物體以及不穩定或移動的相機中，它們的偽影很容易識別。

與卷簾式快門從上到下讀取圖像不同，全局快門傳感器同時將所有像素曝光到圖像上，從而產生更多的噪音，更多的熱量和更少的動態范圍。可以將這些不足最小化，但要付出高得多的代價。然而，在高速或弱光條件下的結果是顯而易見的。

人工智能加速了圖像傳感器的采用

人工智能（AI）及其子集機器學習可以改變智能事物的未來行為，這些行為分為三類，所有這些都需要“眼睛” —機器人，無人機和自動駕駛汽車。在高速汽車應用中，全局百葉窗使精確制動和避免碰撞和障礙成為可能。

無人駕駛或傳統車輛要求采用車載多重曝光，超高動態范圍汽車傳感器的技術，該傳感器可在高速困難照明條件下提供出色的圖像。只有使用全局快門和高速BSI處理才能滿足這些要求。

為了保證質量，實時維護并為虛擬機設計收集數據而在高速工業環境中發現小零件中的缺陷或缺陷的機器或機器人需要使用全局快門和BSI CMOS技術進行成像。

然后，工程師可以使用收集到的數據來播種生成型設計軟件，以探索設計方案的排列，數字孿生子（虛擬和物理的組合）發現有效和無效的工具。有一天，這可能會在機器內部發生。

由硅谷資深人士Andrew Ng（Landing.ai）組成的初創公司已經開發了機器視覺工具，該工具可以使用相對較少的樣本圖像通過機器學習算法來檢測電路板等產品中的微觀缺陷。計算機“查看”并處理信息，并從其觀察中學習。

使用BSI CMOS的監控攝像頭現在可以記錄低照度/星光，其感光度等級從0.01 lux（清晰，月光充足的環境）到0.001 lux（清晰，無月光的環境），且數字噪聲較低，使其適用于城市或倉庫安全以及觀察。

大城市地區的執法機構越來越多地依靠BSI CMOS圖像傳感器技術來記錄和識別高犯罪現場的人員，通常是在弱光條件下。人工智能和具有實時人臉生物特征數據的深度學習行為系統有朝一日可以幫助執法機構在犯罪發生之前制止犯罪。

其他機構（消防，EMS，救援）正在使用配備BSI CMOS高清晰度攝像頭的監視無人機來挽救生命并指導急救人員。對失蹤兒童或迷路遠足者的搜索工作可通過掃描能夠識別特定人類生物特征的無人機來節省寶貴的時間和生命。

作為美國宇航局“火星探測計劃”的一部分，“火星2020”火星探測器計劃至少一年（或直到車輪脫落！）廣泛地探索“紅色星球”。2020年7月的發射使2020年的“火星”號進行了為期一年的旅程。預計將于2021年2月18日登陸火星。

該儀器嚴重依賴圖像傳感器。機上的23臺攝像機中，有16臺將執行工程和科學任務。增強型工程相機可提供詳細的地形彩色圖像，以實現安全導航，硬件自檢，引導樣本收集以及將其引導至指定為科學目標區域的解決方案。

沒有BSI / FSI CMOS圖像傳感器（20兆像素，5120 x 3840像素圖像）和集成軟件，這一切都是不可能的。導航攝像機從其當前位置顯示當前區域和所需區域的輪廓，從而使漫游者及其在地球上的團隊可以使用這些數據。

HazCams在前方有四個，在后方有兩個，可以檢測到障礙物和危險，經常停下來抓取前方地形的立體圖像，以自行評估難度和可能的替代路線。此外，它們還有助于引導機械臂收集樣品并進行測量，而無需咨詢漫游車隊。

在科學的凸輪中，安裝在流動站機器人手臂上的SHERLOC和WATSON尤其有趣。SHERLOC使用分光計，激光和照相機搜索因水而改變的有機物和礦物質。沃森（WATSON）拍攝了“大”圖，用于SHERLOC對礦物目標的詳細檢查。WATSON可以精細地查看火星巖石的紋理和結構以及巖石碎片和塵埃的表層，但可以將其用于其他帶扶手的儀器。

CMOS AI / ML技術在任何地方都比醫療保健更有益。與機器學習相同的技術可以在電路板上發現針孔，評估火星地形或自動識別印刷字符，從而有助于定位和診斷曾經被醫生忽視的疾病。

計算機輔助診斷使用自動圖像分析來提取統計推斷，并應用模式分類器來確定所提取特征可能屬于的類別。這在乳腺攝影和某些癌癥中特別有用。

顯然，圖像傳感器-“機器的眼睛”所提供的不僅僅是圖片。他們使我們對新的領域和現實有了深刻的了解。