2021年2月18日 机器视觉与计算机视觉技术

机器视觉系统集成发展的现状和前景

机器视觉系统集成是一门学科,随着新成像技术的不断发展,这门学科的发展势头依然强劲。

自从35年前广泛使用的商业组件被引入以来,熟练地将机器视觉集成到自动化应用程序中一直是该技术成功的关键因素。近年来,机器视觉行业在全球范围内实现了创纪录的增长,零部件在3D制导与计量、光谱图像分析、高速检测、深度学习等前沿应用领域的可用性和能力不断增强。在为工业用户提供成功和可靠的机器视觉系统解决方案方面,称职的机器视觉集成商——无论是集成公司还是工程团队中的个人——比以往任何时候都扮演着重要的角色。

集成与易用性

首先要了解机器视觉集成任务和业务的主要目的。也就是说,减轻最终用户的应用程序风险。总的来说,机器视觉技术的实现技术还没有像PLC、运动控制甚至机器人技术那样被整个工业工程界广泛理解。聘请具有机器视觉技术经验的集成商,从根本上有助于确保项目的最终成功和可靠性。

不过,对不需要集成的机器视觉系统的需求肯定很高。机器视觉应用的易用性一直是用户的痛点,也是市场上组件和软件制造商的目标。在20世纪80年代中期,许多机器视觉组件开始出现,它们不需要低级编程,并且具有用户界面,这使得工具的配置更加容易。20世纪90年代智能相机技术的爆炸式发展巩固了机器视觉的易用性。其结果是:许多要求较低的机器视觉应用程序可以使用只需要很少配置甚至不需要配置的组件来解决。最近发布或引入了一些新组件,声称可以消除某些应用程序的机器视觉任务的粗略配置。

尽管如此,机器视觉集成业务已经蓬勃发展。随着机器视觉组件行业最近以创纪录的水平增长,机器视觉集成行业似乎也出现了显著增长(不过,有趣的是,由于市场上很少收集到机器视觉集成方面的硬数据)。

对集成服务的一些持续需求,甚至包括所谓的易于使用的组件,是机器视觉实现的基本性质,这需要有关光学和照明等方面的高级知识,这对标准工业工程学科中不常见的应用领域具有挑战性。但是,机器视觉集成服务需求的持续增长,很大程度上是由于工业内部对需要使用尖端机器视觉技术的最具挑战性的应用程序的实现的持续和不断扩大的需求。

不断变革

在过去的10到15年中,机器视觉系统集成已经成为一种非常复杂的工程服务。成功的集成公司虽然可能继续为更常见的任务配置更简单的组件而提供服务,但它们经常处理以前尚未实现的高度复杂的自动化应用程序。现在的系统集成对于综合性技术的要求也越来越高,一个合格机器视觉集成商的先决条件包括:

●能够对各种基于PC、嵌入式计算机或板级软件库进行编程,以执行最复杂的机器视觉图像采集、处理和分析算法和任务;

●了解各种成像技术、相机和传感器;

●在复杂和专门的光学和照明元件的选择、设计和实现方面具有广泛的能力,以及在先进机器视觉成像系统的规范和使用方面具有广泛的专业知识。


不断发展的技术使新的应用程序得以应用,并推动了对合格系统集成的需求

此外,机器视觉集成商已经调整了商业模式,成为完整自动化系统的提供商,提供涉及机器视觉技术的解决方案的设计和集成,而不是仅安装机器视觉组件。要求苛刻的应用程序成功的关键包括控制零件,提供灵活的处理选项,操纵摄像机和照明方向,协调自动化控制和连接外部设备的能力。对通信的额外需求 – 例如与工业物联网(IIoT)和工业4.0相关的通信 – 决定了与机器视觉解决方案相关的进一步集成技能。

新技术

机器视觉技术的快速发展使得大量新应用成为可能,同时也有助于推动当今机器视觉集成商的需求和技术能力。

首先,考虑3D成像:更容易获得捕获视野的3D信息的机器视觉组件。这些设备在成像方法和实现技术方面差异很大。集成商可以将这些设备应用于各种应用,包括高精度表面分析、3D零件和特征测量,以及使用3D图像数据进行检查,而不是2D灰度信息。还有最新推出的机器人视觉引导,在机器人导引中,随机的产品甚至是混合的、随机堆积的产品都可以被夹持器挑出并抓取。

其次,高光谱和多光谱成像是一项相对较新的技术。这些摄像机收集单个场景的多个(有时是数百个)图像,每个图像具有不同的窄带宽光谱信息。在熟悉该技术的集成商手中,可以在线完成材料离散光谱分析甚至化学成分的应用。食品,制药和回收等许多行业都可以从这种检测能力中受益。

第三,许多工业应用需要高速成像和处理。线扫描是一种在高分辨率下实现更高成像速率的常用技术,但这些组件的集成可能比普通区域成像应用更复杂。同样,高速成像和处理是需要熟练集成的任务。

最后,深度学习变得越来越受欢迎。虽然机器视觉并不是全新的,但机器学习及其最新的实现深度学习是该行业的最新流行语。这项技术在许多应用领域显示了巨大的潜力,但是它需要一个熟练的集成人员来确定特定任务的深度学习的可行性和实现参数。

前景

可以说,机器视觉集成已经发展起来,就像整个机器视觉行业一样。在不断扩大的应用基础上提供尖端的解决方案,机器视觉集成具有广阔的前景。

精明的终端用户需要接受的是,机器视觉市场一直是,并将继续是,他是技术和能力方面的应用结合体。无论什么情况,系统集成商都将视觉行业的守门人,他们将不断提高自己,并向最终用户交付真正成功和可靠的机器视觉解决方案。(David Dechow)

Banner
Related Posts

基于机器视觉的监测系统​

2019年11月3日

2019年11月3日

本研究基于机器视觉技术,结合Python语言,openCV库等,编写出了一套高精度,高稳定性的位移监测算法,以Nvidia Jetson开发板为载体,结合单片机,红外传感器等,设计制造了一套具有形变监测与预警功能的系统。

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。

表面缺陷检测系统方案实施的七个步骤

2019年5月24日

2019年5月24日

表面缺陷检测系统主要以相机成像和图像处理技术为主,配置合适的相机和光源可以使被检测物体凸显表面缺陷或特征,使其检测系统能够实时、准确的对物体表面缺陷进行检测。

工程点扩展函数(E-PSF)技术可以实现高精度3D成像

2019年7月10日

2019年7月10日

工程点扩散功能(E-PSF)技术以光学相位板的形式发展,将使制造商能够满足对超精密物体成像不断增长的需求。

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。

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。

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。

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。

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。

机器视觉从发展到成熟,最新技术又有些什么?

2018年8月9日

2018年8月9日

这是机器视觉行业的一个演变时期。嵌入式视觉与深度学习和人工智能相结合, 将在生命科学、自驾游、安全和农业等传统制造业以外的市场继续蓬勃发展。

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。

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。

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。

用于食品标签的光学字符识别(OCR)视觉系统

2019年4月24日

2019年4月24日

在食品制造工厂,系统需要从传送器中剔除带有错误打印数据代码的包装食品。虽然以前的系统运行还算正常,但它已经陈旧,原始软件开发的升级换代也无法得到支持。

用于柔性显示器的缺陷检测系统

2019年5月10日

2019年5月10日

韩国国家计量院开发了一种用于自由曲面显示器(包括柔性显示器)的缺陷检测技术,该技术将帮助显示器制造商用在制造过程中通过拍摄的一张图像来检测缺陷。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注