2020年8月11日 机器视觉与计算机视觉技术

机器视觉技术可能比您想象的更厉害

从数字图像中自动提取信息的能力为制造商努力削减成本、提高质量和简化整体流程提供了更多可能。机器视觉的主要用途是检查、测量和机器人引导。这些任务需要尽快速、高精缺执行重复的工作任务,这正是机器视觉系统的优势所在。在过去几十年里,它们的成本效益也越来越高,实施起来也越来越简单。

图1. HAWK MV-4000智能相机检查一系列印刷电路板。

自动化检验通常是在生产线上进行的,即与生产线上的产品同时进行。虽然技术复杂,但使用机器视觉来执行自动化任务的基本顺序很简单:视觉系统被触发在部件位于其前面时捕获图像,然后系统对图像进行处理,提取关键特征和数据。最后,它传达结果数据,这可以像通过/失败一样简单,以便可以进行操作和决策。这些动作包括触发拒绝机制或给机器人拾取所检测部件的位置。

只要质量得以保持,生产线的速度越快越好。而机器视觉系统需要几乎能够瞬间扫描经过它们的部件的相关图像信息。一般来说,通过将多个摄像头连接到一台PC上,可以达到最高的处理速度,但智能相机技术的最新进展使得单一、独立的设备几乎与多个相机系统一样强大(图1)。

除了令人惊叹的处理速度之外,正确的照明对于生产线至关重要,以确保相机“看到”它正在尝试处理物体图像的关键特征并忽略不相关的图像细节(例如带有日期戳的表面上的凸起)。照明要求在很大程度上取决于检查任务的性质。试图检查粗糙表面上的日期戳需要光照,以尽量减少表面不规则现象的出现,而试图在光滑表面上发现凹痕则需要光照,以特别强调这些不规则现象。

凭借先进的光学技术,卓越的照明技术和最先进的算法,机器视觉系统可以执行各种工业自动化任务,包括产品检测、印刷检测、表面缺陷检测,测量和机器人引导。

基础工具包

即使生产线上的照明近乎完美,但仍有许多变化。机器视觉是如何处理如此之多的不规则,并仍然以可靠的方式执行其任务的?事实证明,机器视觉的广泛功能归结为几个基本功能:定位、测量、计数和解码。这四项任务取决于识别像素强度值,查找边缘轮廓以及匹配形状和图案的常见功能。这些是复杂的任务,涉及逐个像素地将图像与模板进行比较,或者将一组感知边缘(通过计算相邻像素强度的梯度而生成)与模板的边缘进行比较。有许多方式可以执行和优化模式匹配,但这里的重点是工业专业人员可以使用的最终功能。

基本功能:位置

在许多情况下,复杂的机器视觉处理任务从对象定位开始。该系统经过训练可以识别特定的图案,然后该图案将定位在具有各种背景的各种图像中。机器视觉系统需要反复定位的一个常见例子是二维码,例如数据矩阵。系统必须先找到条形码才能对其进行解码,而且由于带有条形码的产品在生产线上高速运行,所以必须快速地找到条形码。实际上,高性能智能相机每分钟可以检测多达4,000个零件,或相当于每秒300英寸的传送带。代码的特定方面向视觉系统指示存在条形码,其他图形通常位于条形码附近,例如徽标。

在视野内匹配指定的图案还使得可以基于所定位的对象与训练所提供的图案的对应程度来检测缺陷。如果项目的图像与预期的图案有很大的偏差,例如:像素与期望的颜色不匹配,或者在不应该有边缘的地方出现边缘——它将被标记为返工或被生产线拒绝。

基本功能:计数

图2:检查零件的孔数和位置是否正确。

一旦机器视觉系统可以定位目标对象,它就可以计算图像中存在的类似对象的数量。它还可以判断对象是否不存在于图像中,因此存在/不存在测试也属于计数类别。例如,在汽车工业中,计数功能用于确定零件是否具有适当数量的加工孔(图2)。如果零件加工孔的数量或尺寸不对,将从生产线上移除,而不是成为新车的一部分。

基本功能:测量

机器视觉还可以计算它所定位的物体之间的距离,称为测量的任务。它可以进行非常精确的测量,以验证产品的两个组件之间的距离,例如药瓶的底部和瓶子的填充点是否符合预期值。在视觉系统能够执行测量之前,必须首先对其进行校准。简单的校准包括告诉系统一个测量单位等于一定数量的像素。更复杂的校准涉及向系统显示网格模式,其中网格间距等于一个已知值。这可以确保即使相机倾斜或旋转,或者镜头有失真,测量结果也良好。

在生产线上,使用视觉进行测量不需要对物体进行物理操作,因此不像接触式测量那样存在损坏零件的相关风险。由于这个原因,机器视觉测量实际上已经取代了接触式测量,现在机器视觉系统的成本更低,需要的编程知识也更少。它们可以每秒执行数千次测量,包括一些复杂的计算,比如接触式测量难以实现的圆度。(这是因为接触式测量仅限于几个接触点,而机器视觉可以快速、轻松地利用圆上的360个点来获得更好的测量结果)。

基本功能:一维和二维解码

在许多行业中,特别是消费电子产品和汽车行业,所有部件都标有机器可读代码。它是机器视觉系统的基本功能,它可以解码这些符号,以便在整个生产过程中跟踪零件,并记录它们成为哪个成品。这是一个称为跟踪和跟踪的概念。如果在以后出现问题,比如在试图确定哪些产品可能因为组装有缺陷的部件而需要召回。

通过以各种方式组合这些基本功能:定位、计数、测量和解码,工业自动化系统几乎可以处理任何放在它们前面的检查任务。然而,他们不能做的一件事就是解读人类的思想。出于这个原因,工业自动化解决方案提供商需要通过使用特定模式和逻辑程序对其进行预编程来告诉机器视觉软件要寻找什么。

具有具体效益的应用科学

与人工检查相比,机器视觉在速度和一致性方面提供了巨大的改进。它还可以昼夜不停地工作,始终如一地提供优质产品并可靠地捕获拙劣物品。由于机器视觉系统能够快速、准确、一致地处理与检查相关的任务,因此可以最大限度地缩短停机时间,从而可以即时执行纠正措施。还可以分析收集的关于被检查物品的适用性的数据,以发现诸如切割工具的磨损等趋势。

机器视觉的过程控制优势的一个很好的例子是代码验证。对于产品和产品零件的可追溯性至关重要,这些代码可以打印、点喷或雕刻在即将开始生产过程的部件上。代码的质量可能不一致,并会随着时间的推移而下降,这取决于标记系统的性能,因此使用机器视觉技术来验证这些代码的可读性。高级代码验证系统根据国际标准化组织(ISO)制定的标准对各种符号进行分级。他们还跟踪评分趋势,记录有关条码质量的信息,以便密切关注打印机的功能,并在出现不扫描符号的争议时提供参考。

图3:显示OCV数据的屏幕截图。

机器视觉还可以识别和验证人类可读的符号,我们称为光学字符识别(OCR)和光学字符验证(OCV)。这些都是重要的功能,因为许多项除了机器可读的代码外,还带有人类可读的代码,并且需要读取这两种类型的标记来验证数据是否匹配。OCR是用来进行实际阅读的,它的优点是即使字符变形也能阅读。另一方面,OCV是用来检查印刷质量的。它确保诸如3,8,6或B之类的字符足够清晰,以便在被人阅读时不会混淆。在印刷的有效期内完成OCV是这项技术典型的范例。我们不希望任何人误读过期日期并摄取过期的食物或药物。图3显示了OCV如何逐个像素地查看字符的形状。

现代的汽车比以往任何时候都更复杂,具有更多可选择配置和功能,使生产可能出现错误方面也越来越多。机器视觉可以帮助制造商和供应商在整个生产过程中防止缺陷。它可以引导机器人从机架中取出零件,验证它们是零件是否正确,检查零件的质量,然后定位零件并进行装配。

智能相机的引入极大地改善了在汽车工业中使用机器视觉的选择,因为它允许在生产线上的多个点配置独立的分布式检查系统。智能相机将光学、照明、视觉软件和通信集成在一个设备中,因此不必为所有检测点配备单个处理中心。

机器视觉技术利用其定位模式的能力,在引导机器人设备拾取必要物体方面表现出色。如果没有机器视觉,这些物体每次都需要放置在完全相同的位置,与预期位置稍有偏差,就会中断至少一种产品的加工,甚至可能完全停止生产线。引导机器人在移动的传送带上抓取物体也极其棘手。

然而,使用机器视觉,找到物体的位置——包括移动的目标——相对容易。系统在特定的时刻触发视觉,软件在图像中定位所需的目标。系统计算每个部件的位置和方向数据,加上它所知道的从被触发到这些部件的移动距离,然后将这些部件的“拾取”位置发送给机器人。基本上,电脑版的双向飞碟射击——你需要瞄准并将抓手对准物体所在的位置——是允许视觉控制机器人在飞行中捡起物体的。鉴于机器人指导决策需要在几分之一秒内完成,重要的是机器视觉系统或智能相机可以实现近乎实时的响应。

一种快速发展的技术

机器视觉一直在进步。这项技术曾经是一项昂贵的投资,需要大量的编程知识来实现,现在它的设置和使用都很简单,而且比以前便宜很多。在精度、速度和可靠性方面的显著提高使得机器视觉——尤其是智能相机——成为一个非常热门的工程话题。鉴于机器视觉系统已经可以完成的任务种类繁多,在不久的将来带给我们的创新将是令人兴奋。

Banner
Related Posts

深度学习在机器视觉中的应用与发展

2019年5月7日

2019年5月7日

在短短几年内,深度学习软件已经比任何传统算法可以更好地对图像进行分类处理,而且可能很快就可以超越人工检查。

Teledyne DALSA的Linea HS 16k多场TDI相机

2019年11月28日

2019年11月28日

机器视觉技术公司 Teledyne DALSA ,近日推出其最新的电荷域CMOS TDI相机——Linea HS 16k多场TDI相机。多场成像允许最终用户捕获多个图像,例如一次扫描即可同时显示明场、暗场和背光图像。

深度学习+机器视觉=下一代检测

2019年9月18日

2019年9月18日

将机器视觉和深度学习结合起来,将为企业在运营和投资回报(ROI)方面提供强大的手段。因此,抓住传统机器视觉和深度学习之间的差异,并理解这些技术如何相互补充——而不是竞争或替代——对于实现投资最大化至关重要。

机器视觉技术发展的五大趋势

2019年6月21日

2019年6月21日

在过去的一年里,人工智能(AI)、大数据、3D成像和机器人过程自动化等领域在取得了空前的发展。在即将到来的2019年,机器视觉技术应用还将蓬勃发展,新机器视觉认为五大发展趋势将引领行业应用。

改善机器视觉系统的十大方法

2018年8月9日

2018年8月9日

机器视觉是一个新兴领域,如果设置正确,可以减少过程效率低下。任何使用机器视觉作为机器人引导或检查的设施都应重视这一领域,以寻求可能的改进。

MicrochipPolarFire FPGA成像和视频开发套件加快机器视觉应用的开发与部署

2019年8月29日

2019年8月29日

制造业和工业界正在经历巨大的变化,工业物联网(IIoT)等新兴技术有望大幅提升工厂运营效率。因此,各种传感器正以前所未有的速度进行部署,让IIoT应用能够感知和洞察生产过程、工业自动化和质量控制等现实场景所发生的一切。

CCD成像在光源和色彩检测中的优势和应用

2019年7月25日

2019年7月25日

人类视觉感知是任何旨在被人类观看的照明或显示产品质量的最终标准。从平板电视到智能手机,灯泡到交通信号,VR球场的jumbotrons体育场,您的车内GPS到喷气式飞机的驾驶舱仪表,人类用户感知的以及他们注意到的任何缺陷都是决定性因素设备质量。人类对亮度和颜色的感知为操作和安全公差设定了基准。

机器视觉如何改变金融服务

2019年9月9日

2019年9月9日

事实证明,在金融领域应用机器视觉不仅对企业有利,而且对一般消费者也有利。尽管这在5年前似乎遥不可及,但金融机构一直在使用先进技术开展业务。这些技术能够改进客户体验并减轻员工的工作负担。

嵌入式视觉:通过软硬件协作获得成功

2019年3月21日

2019年3月21日

在可预见的未来,嵌入式视觉技术不会完全取代传统的、基于PC或智能相机的机器视觉系统。然而,从技术和经济的角度来看,它确实在许多应用领域提供了非常有效的解决方案。

基于线扫描相机的表面缺陷检测系统

2019年5月17日

2019年5月17日

表面缺陷检测系统也叫表面质量检测系统或者表面质量检测设备。应用的领域十分的广泛,我例举一下最主要的应用领域吧,钢铁冶金,有色金属加工,高精铜板带,铝板带,铝箔,不锈钢制造,电子材料,无纺布,织物,玻璃,纸张,薄膜。

深度学习在机器视觉系统中的应用详解

2019年4月24日

2019年4月24日

随着机器视觉技术的不断发展,系统在不需要计算机编程的情况下也可以具有分析和分类对象的能力。而人工智能(AI)和深度学习是推动机器视觉发展的重要技术手段。

工业机器人及机器人视觉系统详解

2019年3月26日

2019年3月26日

人类想要实现一系列的基本活动,如生活、工作、学习就必须依靠自身的器官,除脑以外,最重要的就是我们的眼睛了,(工业)机器人也不例外,要完成正常的生产任务,没有一套完善的,先进的视觉系统是很难想象的。

工业机器视觉应用有必要使用边缘计算吗?

2019年12月17日

2019年12月17日

伴随着机器视觉技术的快速发展,在提高制造商产品质量水平的同时加快生产效率,可以说拥有巨大的潜力。这项技术的影响范围也在不断地扩大,各种新的应用注定会在我们的日常生活中发挥更大的作用。

细数机器视觉的9大应用场景

2019年7月23日

2019年7月23日

本文主要介绍了机器视觉的主要应用场景,目前绝大部分数字信息都是以图片或视频的形式存在的,若要对这些信息进行有效分析利用,则要依赖于机器视觉技术的发展,虽然目前已有的技术已经能够解决很多问题,但离解决所有问题还很遥远,因此机器视觉的应用前景还是非常广阔的。

每个机器制造者都应该了解基于组件的3D视觉系统

2019年9月1日

2019年9月1日

在构建成本效益高的三维视觉系统时,是最好使用基于组件的方法(如照相机、激光、透镜、支架、校准目标)还是采用一体化(即智能)方法?乍一看,以较低的成本购买单个组件和构建定制的视觉解决方案似乎是更经济的途径。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注