机器视觉到工业机器视觉有哪些变化？2022-12-21 10:12
智能化交通管理系统：根据在交通干道置放监控摄像头，当有交通违章车子(如闯红灯违章)时，监控摄像头将车子的支付牌照拍攝出来，传送给智能管理系统，系统软件利用机器视觉图象处理技术性，对拍攝的照片开展解析，获取出车牌号码，储存在数据库查询中，能够供技术人员开展查找。 一、从机器视觉到工业机器视觉 机器视觉这个概念的历史尽管很短，但机器视觉设备的出现并不短。可以说，照相机的诞生就意味着机器视觉的萌芽，包括无声电影也可以归为机器视觉。如今到处可见的各种摄像头，以及人们须臾不离手的手机都是机器视觉产品。现代物流更使得我们生活中的绝大部分商品都用到了机器视觉，如快递商品与超市商品的二维码就是最突出的例子。 从起源来说，机器视觉就是以机器代替人眼的视觉作用。 从发展来说，机器视觉所具备的能力已经超越人眼，仅就尺寸的精确度以及位置的准确度来说，机器视觉更具有优势，而且能力仍在增长中。 从技术上来说，机器视觉作为一项综合技术，集成了多种技术，如图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术（图像增强和分析算法、图像卡、I/O卡等）。一个典型的机器视觉应用系统包括图像捕捉、光源系统、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。 从系统上来说，机器视觉是一套图像处理系统。它由图像摄取装置将被摄取目标转换成图像信号（即机器视觉产品），再将图像信号，结合特定需求，根据像素分布和亮度、颜色等形态信息，转变成数字化信号。如果仅以获取数据为目的，至此已经完成，但是如果要根据获取数据调动设备执行任务，则需要对数字信号进行运算，针对目标特征进行对比，如涂装中的色差，指令设备继续工作，或者转入另一道工序。 简单来说，机器视觉在工业上的应用，就是工业机器视觉。最常见的就是，以机器视觉代替人眼进行测量和判断，更高级一些的可以辅助决策或自行决策。其特点就是利用机器视觉的特性，提高生产的灵活性和自动化程度。一些不适于人工作业的危险工况环境或者人工难以满足要求的场景，都是机器视觉发挥特长的场合。当然，大批量枯燥的重复劳动，如分拣等，也是机器视觉的应用领域。可以说工业机器视觉的快速部署，正是提高生产效率和自动化程度的推进力量。
二、机器视觉技术应用的场景有哪些？ 1、机器视觉技术应用在图像检测场景 机器视觉技术工业生产检测中，经常用于机器视觉图像检测。一般用于印刷线路板的视觉检测、厚钢板表面的全自动视觉检测、大中型钢件平面度和平整度精确测量、器皿容量或残渣检测、机械零件的自动检索归类和几何图形尺寸检测等。 除此之外，在很多其他方式无法检测的场所，利用机器视觉系统能够合理地保持。机器视觉技术的运用正愈来愈多地替代人去进行很多工作中，这毫无疑问在挺大水平上提升了制造自动化技术水准和检测系统软件的智能化水准。 2、机器视觉技术在品质检测中的运用案例 机器视觉系统在品质检测的各个领域获得了普遍的运用，比如：选用激光器扫描仪与CCD探测器的大中型钢件平面度、平整度检测仪，它以平稳的准直粒子束为精确测量基准线，配上旋转轴系，转动五角标棱镜扫到相互之间平行面或竖直的标准平面图，将其与被测大中型钢件的各面开展较为。在生产加工或安裝大中型钢件时，能用该错器精确测量面间的平面度及平整度。 3、机器视觉技术应用在智能化交通管理系统 智能化交通管理系统：根据在交通干道置放监控摄像头，当有交通违章车子(如闯红灯违章)时，监控摄像头将车子的支付牌照拍攝出来，传送给智能管理系统，系统软件利用机器视觉图象处理技术性，对拍攝的照片开展解析，获取出车牌号码，储存在数据库查询中，能够供技术人员开展查找。 三、工业机器视觉的软硬件及技术 工业机器视觉主要有光源、镜头、工业相机、图像采集卡、图像处理系统，算法与软件平台，以及其他外部设备组成。 工业机器视觉硬件 工业光源。光源是机器视觉中基础的部件之一。发挥着照亮目标、突出特征，便于图像处理的作用。同时，要具备克服环境光干扰、保证图像稳定性的能力，以及作为测量或作为参照物的工具性能。特殊情况下，对物体特定部位予以亮度增强。 相比于普通的照明光源，它的照度、均匀性和稳定性指标更高。基本上要将被测物与背景做出明显区分，保证工业镜头能获得高品质、高对比度的图像。 工业镜头。工业镜头与普通的照相机镜头相比，同样在分辨率、对比度、景深以及像差等指标上，有着更高的要求。需要更小的光学畸变、足够高的光学分辨率、丰富的光谱响应选择等，以满足不同生产环境的应用需求。 工业相机。它具有高的图像稳定性、高传输能力和高抗干扰能力等。其功能是将光信号转变成为可解释的电信号，再将电信号模数转换并交由处理器进行分析和识别。 四、工业机器视觉主要应用消费电子行业 消费电子行业的产品主要包括平板电脑、笔记本、台式机、传统手机（淘汰中）、智能手机、电视和相机等7大类。 其中，智能手机凭借越来越多的消费应用，市场占比逐步攀升，目前已接近50%。 工业机器视觉主要应用在主板、零部件组装、整机组装这三大生产环节。 随着消费电子产品越来越精密化，在元器件尺寸越来越小的同时，质量标准也在同步提高。因此，对于工业机器视觉的需求不断放大。以5G智能手机为例，产品升级与技术升级，相应地需要机器视觉工具进行升级。 在主板和零部件组装上，仍以2D视觉为主，3D视觉为辅。 在整机组装上，仍以人力为主。机器视觉主要做外观检测，最多的是做玻璃检测。在缺陷检测上，是机器视觉应用最广的地方。其高精度、高速度的检测能力，可很好完成对划痕、破损、斑点、色差等的检测。 半导体行业是工业机器视觉应用最早，且较为成熟的领域，这也和半导体行业迭代升级快速有关，其高端市场基本被海外厂商占据。 从另一方面说，这也和半导体器件精度非常高，人工检测已不能发挥应有作用有关。如半导体的外观缺陷、尺寸、数量、平整度、距离、定位、校准、焊点质量、弯曲度等检测，尤其芯片制作中的检测、定位、切割和封装都需要工业机器视觉来主导。以切割为例，要求定位迅速准确。如果定位出错，整个芯片就会报废。整个切割过程也需要机器视觉系统进行全程定位引导。切割完成后则由机器视觉识别出非缺陷产品进入贴片流程。 五、发展趋势 数据显示，2018年工业机器视觉技术市场规模已达 44.4亿美元，预计2023年将达122.9 亿美元，年复合增长率高达21%。 目前，机器视觉正由传统工业视觉向深度学习工业视觉转变，未来工业机器视觉的应用领域越来越宽广。基于此，可将工业机器视觉看做AI的重要分支。 传统工业视觉用一个不恰当的比喻来说，类似于“摆拍”，基本上是完成规定动作。具体说，目标物及其背景、光源、采集光学器材的参数等都是给定的，目标感知区域也是划定的，数字图像是按照要求进行处理的，提取什么信息数据是约定好的，输出给哪台设备也是设计好的。也就是说是按照视觉工程师的一系列设定去完成规定动作，很难适应随机性强、特征复杂的工作任务。如果随机出现了超过机器逻辑之外的复杂外观缺陷检测，也就无能为力。很明显，它没有主动的行为能力，也就是不具备AI的深度学习能力。 未来的工业机器视觉会与AI相结合，解决图像视频场景多样、物体种类繁多，以及非受控条件下，目标物受光照、姿态、遮挡等多变量影响等问题，要独立面对数据量巨大、特征复杂、部分应用需实时自主处理等深度场景。 从现状来看，仍然存在以下制约因素。 一是端侧算力成本越来越高。这和工业机器视觉的深度学习能力成正比，就像高级技工的工资高于学徒工一样，工业机器视觉对算力硬件性能的要求越来越高，直接导致算力成本价格上升。另外，一台独立算力设备很难复用与共享，也是成本升高的重要因素。 二是单点系统维护成本过高。主要是设备调试、软件运维、监控分析必须在工作场地完成所造成的。工业机器视觉在工厂的大规模应用，推高了维护成本。 三是数据孤岛。图像数据的处理也需要在工厂完成，有效数据难以被多个系统共享，导致系统功能更新缓慢，难以适应于移动应用场景。同时，工厂车间的有线互联网建设成本过高、容量不足，无法满足工业相机数据上行的数据容量需求。 四是通用性、智能性欠佳。在通用性上，一些集成应用专用性较强，一台设备可能只适用于一种机器视觉设备或单一行业，研发成本高企。在智能性上，当库存量较多时或者移动速度较快时，机器视觉工作的准确率明显下降，设定的场景超过了它能接受的数值，更适合小规模、品类少和工位分拣与检测，对于复杂堆叠物体则有心无力。这与其缺乏深度学习能力有关。因此，大规模工业应用尚待时日。 实际上，解决以上所有痛点是未来的发展方向。通用机器视觉，以及工业机器视觉的应用场景的不断丰富，将解决成本难题，不仅降低总成本，而且24小时不间断工作，使得成本大大降低。一旦可规模代替产线检测人员、操作人员等，就具备了成本优势。 上一篇： 视觉外观检测系统检测原理
下一篇： 机器视觉检测都能检测到哪些缺陷？
|
