2020年8月6日 机器视觉与计算机视觉技术

改善机器视觉系统的十大方法

着全球制造市场的竞争日益激烈,企业需确保以最高效率运营显得很重要的。由于过程相关故障导致的停机时间被认为是非增值停机时间,直接影响公司的盈利能力。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。在机器视觉系统中如果没有适当的设置,可能会导致机器视觉过程的非增值停机,下面是特别需要注意改善的十个方面:

1)照明技术-正确的照明技术应该用来照亮需要检测的区域。背光、亮场、掠射、低角度线性阵列和暗场等光照技术是机器视觉鲁棒性最关键的方面。根据零件表面光洁度和轮廓,正确的照明技术可以增强缺陷或去除图像噪声,提高系统的效率和稳定性。这样做的目的是为了选择一种能够产生最大对比度(从黑色到白色像素)的光照技术。此外,对比度需要与正在测量或检查的内容直接相关。

2)照明颜色-应考虑每个特定部分或应用所用的灯光颜色。频率是每秒振荡的次数,而波长是波在同一位置上两点之间的距离。每种不同的紫外、蓝、绿、黄、红、红外光谱都有不同的照明频率和波长。这些变化会影响物体和相机的表面在光线进入时的反应。其目的是利用能产生最大对比度和消除图像中噪声的光频率。例如,金属零件有时可以被引入到一个系统中,该系统有一层薄薄的油或表面轻微氧化,这取决于它们是如何存储的。当这两种类型的零件都被引入检查系统时,使用光的频率来减少波动量是很重要的。

3)使用滤光片滤光片,消除背景和架空照明噪声等严重的环境干扰。通过简单地在相机镜头上放置一个与照亮该部件的光的频率匹配的滤波器,可以消除环境照明干扰。

4)镜头-视场(FOV)和感兴趣区域(ROI),包括所需的像素精度,起着重要的作用。正确的焦距镜头将决定机器视觉系统所能看到的区域的大小,并最终决定所收集的所有信息。计算太大的FOV将导致更少的细节和准确性,而计算太小的FOV可能导致检查失败,因为部分或对象在摄像机的视线之外。在计算FOV时,重要的是在决定哪个焦距镜头最适合应用之前,先确定零件或物体的最大ROI和该区域的最大可接受误差。有时这些因素可能会受到相机到物体的工作距离或高度的限制,所以在构建系统之前需要考虑所有这些因素。

5)定位——重要的是要知道部件或应用程序的公差太宽,不允许对部件进行重复检测。当一个部件移出相机视野时,会导致系统不稳定。应该使用某种类型的物理夹具来限制物体或感兴趣的部分的运动。如果部件移出相机视图,就会发生故障,增加不必要的停机时间。通过提供零件的粗略位置,可以消除这种不稳定性,确保零件每次都能重复出现在机器视觉系统中。

6)校准-拥有母版夹具或校准程序,可对系统进行适当校准,确保其符合设备的质量标准。

特征和基准——为了正确地检查图像,基准——在每次检查中发现的唯一特征——可以在检查时用作视觉工具的参考点,或者用来检测图像中是否存在正确的部分。

8)分辨率-分辨率决定了视觉系统的可重复性;它允许将像素的大小量化为测量值。确定系统的分辨率很重要,因为它决定了检查的准确性和可重复性。特别是在质量测量检测和机器人导引方面需要考虑的解决方案。一些软件可以提高分辨率,精度可达到亚像素。

9)稳定性——在设置机器视觉传感器时,重要的是要保护摄像系统和灯光不受移动的影响。这些项目是系统校准的目标。为了尽量减少移动或干扰,明智的做法是将摄像机和照明灯放置在振动小或没有振动和交通的地方。

10)测试——定期对系统进行检查,确认缺陷部件是否被系统捕获和拒绝。可以在系统中直接构建一个测试过程,以简化该过程。有缺陷的测试部件可以在任何时候放置到系统中,以验证系统的适当功能。

Banner
Related Posts

机器视觉模式匹配的基础:光源、相机、算法

2019年10月11日

2019年10月11日

机器视觉系统还需要能够发现和识别模式。任何机器视觉任务的第一步都是模式匹配,即根据形状属性(如边缘)的预期排列,在视场中定位目标。这个过程是如何工作的?

莫尔法成像方法可增强机器视觉中的3D图像

2019年8月1日

2019年8月1日

我们通常认为,使用正确的照明是机器视觉应用成败的关键。低角度照明可能会带来表面纹理或有用的阴影,背光提供干净的部分轮廓,偏振滤光片可以减少不必要的眩光。这些众所周知且广泛使用的工具已经存在了几十年。

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。

机器视觉相机类型以及接口标准详解

2018年8月9日

2018年8月9日

随着成像技术的进步,相机及其接口的类型不断演变,以满足大量应用的需求。对于检测和分析至关重要的半导体,电子,生物技术,装配和制造行业中的机器视觉应用而言,使用最好的相机系统来完成手头的任务对于获得最佳图像质量至关重要。

红外、中国和3D堆叠:CMOS的发展趋势

2019年3月29日

2019年3月29日

3月13日在伦敦举行的Image Sensors欧洲会议的开幕式上,Analog Value的首席技术官兼创始人Vladimir Koifman在会议上上介绍了红外传感技术的进步、堆叠式传感器以及中国市场的价格趋势。

研究人员开发了一种非侵入性果实成熟度检测方法

2019年6月25日

2019年6月25日

昆士兰的研究人员开发了一种新工具,可以在收获前评估芒果作物的成熟度,这可能会提高收获时间和果实质量。

3D热成像技术

2019年10月30日

2019年10月30日

Fraunhofer IOF使用LWIR热像仪扩展了其高速3D相机系统。他们的数据被映射到使用黑白摄像机重建的3D点,从而获得1kHz空间热图像。

短波红外成像技术与原理

2019年7月25日

2019年7月25日

短波红外(SWIR)的范围占据了电磁频谱略高于近红外。在1050到2500纳米之间——短波红外范围远远超出了标准硅基成像传感器的探测能力。

机器视觉成为防治农作物减产的新式武器

2019年5月15日

2019年5月15日

农作物的损失对农民来说是毁灭性的。随着生态波动性的增加,这也是生活中的事实。

在图像处理中应用深度学习技术

2019年3月28日

2019年3月28日

深度学习应用凭借其在识别应用中超高的预测准确率,在图像处理领域获得了极大关注,这势必将提升现有图像处理系统的性能并开创新的应用领域。

智能高光谱成像与食品安全的未来

2020年3月9日

2020年3月9日

智能高光谱成像技术有望快速准确地检测病原体、异物以及产品的新鲜度和损伤。

红外相机热成像在缺陷检查中的应用

2019年6月1日

2019年6月1日

制造商正在使用红外摄像机来辅助预防性维护,并发现与热相关的装配过程中的缺陷。

机器视觉中的彩色成像以及要考虑的因素

2019年5月22日

2019年5月22日

特定机器视觉彩色摄像机是否适合您的应用取决于多种因素。在为您的应用开发最合适的彩色机器视觉系统时,需要考虑所有这些因素。下面是开发彩色机器视觉系统时需要考虑的一些相机问题:

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。

机器视觉检测系统完整解决方案以及开发流程

2019年4月25日

2019年4月25日

机器视觉一词可以想象是具有一组眼睛的计算机进行检测或检验行为。为了开发机器视觉应用的完整解决方案,视觉工程师执行一系列通常分为五个类别的任务:计划,设计,构建,集成和验证。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注