机器视觉技术在瓶颈的应用

随着机器视觉的快速发展，在工业或生产环境中，机器视觉通常使用单个相机或多个相机自动检查和分析物体。然后利用获得的数据控制过程或生产活动。

例如：在装配线的典型应用中，对部件执行操作之后，触发相机以捕获和处理图像。可以对相机进行编程以检查目标物体的位置、颜色、大小或形状、或物体是否存在。

它还可以查看和解密标准或二维矩阵条形码，或者可以读取字符。

在对产品进行检查后，通常会生成一个信号以确定如何处理它。零件可能被拒收到容器或分支输送机中，或通过更多的装配操作、系统跟踪其检查结果。相对于简单的传感器，机器视觉系统通常可以提供关于物体的更多信息。机器视觉的典型应用包括：质量保证，机器人/机器指导，测试和校准，实时过程控制，数据采集，机器监控，排序/计数。

许多制造商使用自动化机器视觉而不是人工检查员，因为它更适合重复性的检查任务。它更快、更客观，并且可以持续不间断的工作。

机器视觉系统每分钟可检测数百甚至数千个零件，并提供比人工检查员更一致和更可靠的检测结果。

通过减少缺陷、提高产量，机器视觉系统帮助制造企业跟踪产品、组件和提升合规性，从而节省了成本并提高了盈利能力。

机器视觉检测有哪些难点？

1、光源与成像：机器视觉中优质的成像是第一步，由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取，因此光源与成像可以说是机器视觉检测要攻克的第一个难关。比如现在玻璃、反光表面的划痕检测等，很多时候问题都卡在不同缺陷的集成成像上。

2、重噪音中低对比度图像中的特征提取：在重噪音环境下，真假瑕疵的鉴别很多时候较难，这也是很多场景始终存在一定误检率的原因，但这块通过成像和边缘特征提取的快速发展，已经在不断取得各种突破。

3、对非预期缺陷的识别：在应用中，往往是给定一些具体的缺陷模式，使用机器视觉来识别它们到底有没有发生。但经常遇到的情况是，许多明显的缺陷，因为之前没有发生过，或者发生的模式过分多样，而被漏检。如果换做是人，虽然在操作流程文件中没让他去检测这个缺陷，但是他会注意到，从而有较大几率抓住它，而机器视觉在这点上的“智慧”目前还较难突破。

4、嵌入式解决方案发展迅猛，智能相机性能与成本优势突出，嵌入式PC会越来越强大。模块化的通用型软件平台和人工智能软件平台将降低开发人员技术要求和缩短开发周期。