機器視覺的發展、應用及好處

  常見機器視覺系統主要可分為兩類，一類是基于計算機的，如工控機或PC，另一類是更加緊湊的嵌入式設備。典型的基于工控機的機器視覺系統主要包括：光學系統，攝像機和工控機（包含圖像采集、圖像處理和分析、控制/通信）等單元，如圖所示。機器視覺系統對核心的圖像處理要求算法準確、快捷和穩定，同時還要求系統的實現成本低，升級換代方便。

     （1）圖像采集
  圖像采集就是從工作現場獲取場景圖像的過程，是機器視覺的第一步，采集工具大多為CCD或CMOS照相機或攝像機。照相機采集的是單幅的圖像，攝像機可以采集連續的現場圖像。就一幅圖像而言，它實際上是三維場景在二維圖像平面上的投影，圖像中某一點的彩色（亮度和色度）是場景中對應點彩色的反映。這就是我們可以用采集圖像來替代真實場景的根本依據所在。

     （2）圖像預處理
  對于采集到的數字化的現場圖像，由于受到設備和環境因素的影響，往往會受到不同程度的干擾，如噪聲、幾何形變、彩色失調等，都會妨礙接下來的處理環節。為此，必須對采集圖像進行預處理。常見的預處理包括噪聲消除、幾何校正、直方圖均衡等處理。

     （3）圖像分割
  圖像分割就是按照應用要求，把圖像分成各具特征的區域，從中提取出感興趣目標。在圖像中常見的特征有灰度、彩色、紋理、邊緣、角點等。例如，對汽車裝配流水線圖像進行分割，分成背景區域和工件區域，提供給后續處理單元對工件安裝部分的處理。

     （4）目標識別和分類
  在制造或安防等行業，機器視覺都離不開對輸入圖像的目標進行識別和分類處理，以便在此基礎上完成后續的判斷和操作。識別和分類技術有很多相同的地方，常常在目標識別完成后，目標的類別也就明確了。近來的圖像識別技術正在跨越傳統方法，形成以神經網絡為主流的智能化圖像識別方法，如卷積神經網絡（CNN）、回歸神經網絡（RNN）等一類性能優越的方法。

     （6）目標檢測和跟蹤
  圖像處理中的運動目標檢測和跟蹤，就是實時檢測攝像機捕獲的場景圖像中是否有運動目標，并預測它下一步的運動方向和趨勢，即跟蹤。并及時將這些運動數據提交給后續的分析和控制處理，形成相應的控制動作。圖像采集一般使用單個攝像機，如果需要也可以使用兩個攝像機，模仿人的雙目視覺而獲得場景的立體信息，這樣更加有利于目標檢測和跟蹤處理。

  （1）穩定性：某種處理方法往往在研究和開發中表現良好，但在復雜多變的應用環境中，卻不時地出現問題。例如人臉識別系統，在目標配合時識別率可高達95%以上，但在實際監控環境下，識別率就會大大下降。

  （3）準確性：機器視覺系統要求圖像識別和測量的準確性接近100%，任何微小的誤差都有可能帶來不可預測的后果。例如目標定位的誤差會使裝配出來的設備不符合要求。

  今后機器視覺中智能圖像處理的發展主要體現在以下幾個方面：

  （2）實時性：出現更多結構新穎、資源充足、運算快速的硬件平臺支撐，例如基于多CPU、多GPU的并行處理結構的計算機，海量存儲單元等。

  （4）融合處理：從單圖像傳感器發展到多傳感器（多視點）的融合處理，可更加充分地獲取現場信息。還可融合多類傳感器，如圖像傳感器、聲音傳感器、溫度傳感器等共同完對現場目標定位、識別和測量。

       東莞銘威自動化設備廠專注于視覺檢測設備領域的研發與生產，歡迎前來咨詢了解更多的視覺檢測案例與視覺檢測方案。