1.機器視覺檢測技術介紹

視覺檢測就是用機器代替人眼來做測量和判斷。視覺檢測是指通過機器視覺產品（即圖像攝取裝置，分CMOS和CCD兩種）將被攝取目標轉換成圖像信號，傳送給專用的圖像處理系統，根據像素分布和亮度、顏色等信息，轉變成數字化信號；圖像系統對這些信號進行各種運算來抽取目標的特征，進而根據判別的結果來控制現場的設備動作。是用于生產、裝配或包裝的有價值的機制。它在檢測缺陷和防止缺陷產品被配送到消費者的功能方面具有不可估量的價值。

機器視覺檢測的特點是提高生產的柔性和自動化程度。在一些不適合于人工作業的危險工作環境或人工視覺難以滿足要求的場合，常用機器視覺來替代人工視覺；同時在大批量工業生產過程中，用人工視覺檢查產品質量效率低且精度不高，用機器視覺檢測方法可以大大提高生產效率和生產的自動化程度。而且機器視覺易于實現信息集成，是實現計算機集成制造的基礎技術。

2.機器視覺系統基本組成及原理

一個典型的工業機器視覺應用系統，包括數字圖像處理技術、機械工程技術、控制技術、光源照明技術、光學成像技術、傳感器技術、模擬與數字視頻技術、計算機軟硬件技術、人機接口技術等。

圖像部件

攝像機捕捉被檢測物體的電子圖像，然后將其發送到處理器進行分析。電子圖像被轉換成數字，表示圖像最小的部分，即像素。圖像顯示的像素數量稱作分辨率。圖像的分辨率越高，包含的像素數量越多，進行檢測時，圖像的像素數量越多，檢測結果越準確。

攝像機

視覺檢測系統的攝像機有三個變量需要調整，以優化捕捉到的圖像。它們是光圈、對比度和快門速度。

照明部件

正確的照明對幫助創建有效檢測所需的對比度很關鍵。當對一件產品的正確系統設置進行評估時，設計師會花費相當多的時間用來確定檢測所需的最佳照明。照明解決方案的類型、幾何形狀、顏色和強度應當提供盡可能強的對比。

軟件工具

視覺檢測系統使用軟件處理圖像。軟件采用算法工具幫助分析圖像。視覺檢測解決方案使用此類工具組合來完成所需要的檢測。常用的包括，搜索工具，邊界工具，特征分析工具，過程工具，視覺打印工具等。

3.機器視覺檢測的優勢

在檢測行業，與人類視覺相比，機器視覺優勢明顯

精確度高：人類視覺是64灰度級，且對微小目標分辨力弱；機器視覺可顯著提高灰度級，同時可觀測微米級的目標；

速度快：人類是無法看清快速運動的目標的，機器快門時間則可達微秒級別；

穩定性高：機器視覺解決了人類一個非常嚴重的問題，不穩定，人工目檢是勞動非常枯燥和辛苦的行業，無論你設計怎樣的獎懲制度，都會發生比較高的漏檢率。但是機器視覺檢測設備則沒有疲勞問題，沒有情緒波動，只要是你在算法中寫好的東西，每一次都會認真執行。在質控中大大提升效果可控性。

信息的集成與留存：機器視覺獲得的信息量是全面且可追溯的，相關信息可以很方便的集成和留存。

4.機器視覺檢測的應用

視覺檢測在印刷行業的應用

利用在線/離線的視覺系統發現印刷過程中的質量問題，如切模，堆墨、飛墨、缺印/淺印、套印不準、顏色偏差等，同時在線設備可將顏色偏差和墨量多少的檢測結果反饋給PLC,控制印刷設備的供墨量，對供墨量進行在線調節，提高印刷質量和效率。

視覺檢測在PCB板檢測中的應用

利用視覺系統對PCB裸板進行檢測，檢測板上的導線和元件的位置和間距錯誤、線路和元件的尺寸錯誤、元件形狀錯誤、線路的通段、板上污損等。

視覺檢測在零件檢測中應用

機器視覺檢測可以輕松應對金屬零件生產的質量控制，如硬幣、汽車零部件、連接器等。通過圖像處理的方法，發現金屬零件表面的劃傷、殘缺、變色、粘膜等缺陷，并指導機械傳動系統將殘缺品剔除，大大提高了生產效率。同時對缺陷類型的統計分析能夠指導生產參數的調整，提高產品質量。

視覺檢測在汽車安全中的應用

這類數字化系統的工作原理就是通過視覺傳感器對人的眼瞼眼球的幾何特征和動作特征、眼睛的凝視角度及其動態變化、頭部位置和方向的變化等進行實時檢測和測量，建立駕駛人眼部頭部特征與疲勞狀態的關系模型，研究疲勞狀態的多參量綜合描述方法；同時研究多元信息的快速融合方法，提高疲勞檢測的可靠性和準確性，從而研制穩定可靠的駕駛員疲勞監測系統。它檢測的方法很多，比如：人臉快速檢測方法、疲勞程度檢測方法、疲勞駕駛問題檢測等等。

金屬板表面自動控傷系統

金屬板表面自動探傷系統利用機器視覺技術對金屬表面缺陷進行自動檢查，在生產過程中高速、準確地進行檢測，同時由于采用非接角式測量，避免了產生新劃傷的可能。利用線陣CCD的自掃描特性與被檢查鋼板X方向的移動相結合，取得金屬板表面的三維圖像信息。

汽車車身檢測系統

英國ROVER汽車公司800系列汽車車身輪廓尺寸精度的100%在線檢測，是機器視覺系統用于工業檢測中的一個較為典型的例子，該系統由62個測量單元組成，每個測量單元包括一臺激光器和一個CCD攝像機，用以檢測車身外殼上288個測量點。汽車車身置于測量框架下，通過軟件校準車身的精確位置。

智能交通管理系統

通過在交通要道放置攝像頭，當有違章車輛（如闖紅燈）時，攝像頭將車輛的牌照拍攝下來，傳輸給中央管理系統，系統利用圖像處理技術，對拍攝的圖片進行分析，提取出車牌號，存儲在數據庫中，可以供管理人員進行檢索。

瓶裝啤酒生產流水線檢測系統

可以檢測啤酒是否達到標準的容量、啤酒標簽是否完整等。

5.機器視覺的發展及未來

圖像采集技術發展迅猛

CCD、CMOS等固件越來越成熟，圖像敏感器件尺寸不斷縮小，像元數量和數據率不斷提高，分辨率和幀率的提升速度可以說日新月異，產品系列也越來越豐富，在增益、快門和信噪比等參數上不斷優化，通過核心測試指標(MTF、畸變、信噪比、光源亮度、均勻性、色溫、系統成像能力綜合評估等)來對光源、鏡頭和相機進行綜合選擇，使得很多以前成像上的難點問題得以不斷突破。

圖像處理和模式識別發展迅速

圖像處理上，隨著圖像高精度的邊緣信息的提取，很多原本混合在背景噪聲中難以直接檢測的低對比度瑕疵開始得到分辨。

模式識別上，本身可以看作一個標記過程，在一定量度或觀測的基礎上，把待識模式劃分到各自的模式中去。圖像識別中運用得較多的主要是決策理論和結構方法。決策理論方法的基礎是決策函數，利用它對模式向量進行分類識別，是以定時描述(如統計紋理)為基礎的；結構方法的核心是將物體分解成了模式或模式基元，而不同的物體結構有不同的基元串(或稱字符串)，通過對未知物體利用給定的模式基元求出編碼邊界，得到字符串，再根據字符串判斷它的屬類。在特征生成上，很多新算法不斷出現，包括基于小波、小波包、分形的特征，以及獨二分量分析；還有關子支持向量機，變形模板匹配，線性以及非線性分類器的設計等都在不斷延展。

深度學習帶來的突破

傳統的機器學習在特征提取上主要依靠人來分析和建立邏輯，而深度學習則通過多層感知機模擬大腦工作，構建深度神經網絡(如卷積神經網絡等)來學習簡單特征、建立復雜特征、學習映射并輸出，訓練過程中所有層級都會被不斷優化。在具體的應用上，例如自動ROI區域分割；標點定位(通過防真視覺可靈活檢測未知瑕疵)；從重噪聲圖像重檢測無法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃蓋板檢測中的真假瑕疵等。隨著越來越多的基于深度學習的機器視覺軟件推向市場(包括瑞士的vidi，韓國的SUALAB，香港的應科院等)，深度學習給機器視覺的賦能會越來越明顯。

3d視覺的發展

3D視覺還處于起步階段，許多應用程序都在使用3D表面重構，包括導航、工業檢測、逆向工程、測繪、物體識別、測量與分級等，但精度問題限制了3D視覺在很多場景的應用，目前工程上最先鋪開的應用是物流里的標準件體積測量，相信未來這塊潛力巨大。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯系我們刪除（QQ: 2737591964），不便之處，敬請諒解！