机器视觉检测技术介绍

1.    概述

视觉检测就是用机器代替人眼来做测量和判断。视觉检测是指通过机器视觉产品（即图像摄取装置，分 CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。是用于生产、装配或包装的有价值的机制。它在检测缺陷和防止缺陷产品被配送到消费者的功能方面具有不可估量的价值。
机器视觉检测的特点是提高生产的柔性和自动化程度。在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。

2.    机器视觉系统基本组成及原理
一个典型的工业机器视觉应用系统，包括数字图像处理技术、机械工程技术、控制技术、光源照明技术、光学成像技术、传感器技术、模拟与数字视频技术、计算机软硬件技术、人机接口技术等。
-    图像部件
摄像机捕捉被检测物体的电子图像，然后将其发送到处理器进行分析。电子图像被转换成数字，表示图像最小的部分，即像素。图像显示的像素数量称作分辨率。图像的分辨率越高，包含的像素数量越多，进行检测时，图像的像素数量越多，检测结果越准确。
-    摄像机
视觉检测系统的摄像机有三个变量需要调整，以优化捕捉到的图像。它们是光圈、对比度和快门速度。
-    照明部件
正确的照明对帮助创建有效检测所需的对比度很关键。当对一件产品的正确系统设置进行评估时，设计师会花费相当多的时间用来确定检测所需的最 佳照明。照明解决方案的类型、几何形状、颜色和强度应当提供尽可能强的对比。
-    软件工具
视觉检测系统使用软件处理图像。软件采用算法工具帮助分析图像。视觉检测解决方案使用此类工具组合来完成所需要的检测。常用的包括，搜索工具，边界工具，特征分析工具，过程工具，视觉打印工具等。
3.    机器视觉检测的优势
在检测行业，与人类视觉相比，机器视觉优势明显
-    精 确度高：人类视觉是64灰度级，且对微小目标分辨力弱；机器视觉可显著提高灰度级，同时可观测微米级的目标；
-    速度快：人类是无法看清快速运动的目标的，机器快门时间则可达微秒级别；
-    稳定性高：机器视觉解决了人类一个非常严重的问题，不稳定，人工目检是劳动非常枯燥和辛苦的行业，无论你设计怎样的奖惩制度，都会发生比较高的漏检率。但是机器视觉检测设备则没有疲劳问题，没有情绪波动，只要是你在算法中写好的东西，每一次都会认真执行。在质控中大大提升效果可控性。
-    信息的集成与留存：机器视觉获得的信息量是全面且可追溯的，相关信息可以很方便的集成和留存。

4.    机器视觉检测的应用
-    视觉检测在印刷行业的应用
利用在线/离线的视觉系统发现印刷过程中的质量问题，如切模，堆墨、飞墨、缺印/浅印、套印不准、颜色偏差等，同时在线设备可将颜色偏差和墨量多少的检测结果反馈给PLC,控制印刷设备的供墨量，对供墨量进行在线调节，提高印刷质量和效率。
-    视觉检测在PCB板检测中的应用
利用视觉系统对PCB裸板进行检测，检测板上的导线和元件的位置和间距错误、线路和元件的尺寸错误、元件形状错误、线路的通段、板上污损等。
-    视觉检测在零件检测中应用
机器视觉检测可以轻松应对金属零件生产的质量控制，如硬币、汽车零部件、连接器等。通过图像处理的方法，发现金属零件表面的划伤、残缺、变色、粘膜等缺陷，并指导机械传动系统将残缺品剔除，大大提高了生产效率。同时对缺陷类型的统计分析能够指导生产参数的调整，提高产品质量。
-    视觉检测在汽车安全中的应用
这类数字化系统的工作原理就是通过视觉传感器对人的眼睑眼球的几何特征和动作特征、眼睛的凝视角度及其动态变化、头部位置和方向的变化等进行实时检测和测量，建立驾驶人眼部头部特征与疲劳状态的关系模型，研究疲劳状态的多参量综合描述方法；同时研究多元信息的快速融合方法，提高疲劳检测的可靠性和准确性，从而研制稳定可靠的驾驶员疲劳监测系统。它检测的方法很多，比如：人脸快速检测方法、疲劳程度检测方法、疲劳驾驶问题检测等等。
-    金属板表面自动控伤系统
金属板表面自动探伤系统利用机器视觉技术对金属表面缺陷进行自动检查，在生产过程中高速、准确地进行检测，同时由于采用非接角式测量，避免了产生新划伤的可能。利用线阵CCD的自扫描特性与被检查钢板X方向的移动相结合，取得金属板表面的三维图像信息。
-    汽车车身检测系统
英国ROVER汽车公司800系列汽车车身轮廓尺寸精度的100%在线检测，是机器视觉系统用于工业检测中的一个较为典型的例子，该系统由62个测量单元组成，每个测量单元包括一台激光器和一个CCD摄像机，用以检测车身外壳上288个测量点。汽车车身置于测量框架下，通过软件校准车身的精 确位置。
-    智能交通管理系统
通过在交通要道放置摄像头，当有违章车辆（如闯红灯）时，摄像头将车辆的牌照拍摄下来，传输给中央管理系统，系统利用图像处理技术，对拍摄的图片进行分析，提取出车牌号，存储在数据库中，可以供管理人员进行检索。
-    瓶装啤酒生产流水线检测系统
可以检测啤酒是否达到标准的容量、啤酒标签是否完整等。
5.    机器视觉的发展及未来
-   图像采集技术发展迅猛
CCD、CMOS等固件越来越成熟，图像敏感器件尺寸不断缩小，像元数量和数据率不断提高，分辨率和帧率的提升速度可以说日新月异，产品系列也越来越丰富，在增益、快门和信噪比等参数上不断优化，通过核心测试指标(MTF、畸变、信噪比、光源亮度、均匀性、色温、系统成像能力综合评估等)来对光源、镜头和相机进行综合选择，使得很多以前成像上的难点问题得以不断突破。
-    图像处理和模式识别发展迅速

图像处理上，随着图像高精度的边缘信息的提取，很多原本混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。
模式识别上，本身可以看作一个标记过程，在一定量度或观测的基础上，把待识模式划分到各自的模式中去。图像识别中运用得较多的主要是决策理论和结构方法。决策理论方法的基础是决策函数，利用它对模式向量进行分类识别，是以定时描述(如统计纹理)为基础的；结构方法的核心是将物体分解成了模式或模式基元，而不同的物体结构有不同的基元串(或称字符串)，通过对未知物体利用给定的模式基元求出编码边界，得到字符串，再根据字符串判断它的属类。在特征生成上，很多新算法不断出现，包括基于小波、小波包、分形的特征，以及独二分量分析；还有关子支持向量机，变形模板匹配，线性以及非线性分类器的设计等都在不断延展。
-    深度学习带来的突破
传统的机器学习在特征提取上主要依靠人来分析和建立逻辑，而深度学习则通过多层感知机模拟大脑工作，构建深度神经网络(如卷积神经网络等)来学习简单特征、建立复杂特征、学习映射并输出，训练过程中所有层级都会被不断优化。在具体的应用上，例如自动ROI区域分割；标点定位(通过防真视觉可灵活检测未知瑕疵)；从重噪声图像重检测无法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃盖板检测中的真假瑕疵等。随着越来越多的基于深度学习的机器视觉软件推向市场(包括瑞士的vidi，韩国的SUALAB，香港的应科院等)，深度学习给机器视觉的赋能会越来越明显。
-    3d视觉的发展
3D视觉还处于起步阶段，许多应用程序都在使用3D表面重构，包括导航、工业检测、逆向工程、测绘、物体识别、测量与分级等，但精度问题限制了3D视觉在很多场景的应用，目前工程上最 先铺开的应用是物流里的标准件体积测量，相信未来这块潜力巨大。