智能视觉技术在智能制造中的应用

智能视觉技术在智能制造中的应用

1

机器视觉中的关键技术

机器视觉在智能制造中主要用于视觉检测，关键技术包括图像获取、图像预处理、图像分割、图像识别、检测［2］。

1.1 成像系统

1.2 图像预处理

由于获取条件的不同和外界的各种干扰，经过成像系统采集到的原始图像往往存在着大量的噪声和失真，这种数据无法直接用于视觉系统。为了消除外界环境对图像采集的干扰，需要对图像进行预处理，例如通过图像分析和识别等手段，消除使图像质量恶化的因素，使采集到的图像能够更有效的用于有效信息的提取。图像预处理的降噪手段主要有以下几种：

（1）均值滤波：其是一种线性滤波算法，用图片中目标像素周围8个像素的平均值来代替该像素自身，从而达到降噪效果。但是该算法自身存在一定的缺陷，会破环图像的细节部分，使其变得模糊，不能有效的去除噪点［3］。

（2）中值滤波：是一种基于统计排序理论的非线性滤波算法，其将待处理的像素点用周围的8个或者24个像素点中的中值进行替换，从而达到降噪的目的［3］。

（3）高斯滤波：其为一种线性平滑滤波算法，用于处理高斯噪声，将待处理的像素点用周围其他像素点的加权平均值代替。高斯滤波处理对于服从正态分布的噪声特别有效［4］。

1.3 图像分割

1.4 图像识别

图像识别基于图像特征分析、运动分析、模式匹配等，主要的途径包括：基于图像分割，序列图像识别方式，以及基于模式学习和和形状匹配的识别方式等［6-8］。

2

机器视觉在智能制造中的应用

正是因为这些特性，机器视觉技术被广泛应用于工业生产的各个步骤。在智能制造体系中，机器视觉的应用主要可以归纳为四个方向：尺寸测量、物体定位、零件检测、图像识别［9］。

2.1 尺寸测量

随着制造工艺的不断提高，工业产品尤其是大型构件的外形设计日趋复杂。同时，由于大型构件的体积和重量限制，不便于经常移动，给传统的测量方式带来了巨大的困扰。机器视觉测量技术是一种基于光学成像、数字图像处理、计算机图形学的无接触的测量方式，拥有严密的理论基础，测量范围更广，而且相对于传统测量方式而言，拥有更高的测量精度和效率。

根据不同的光照方式和几何关系，视觉检测方法可以分为两种：被动视觉探测和主动视觉检查。被动视觉探测直接采用了原始图像，这些在工业环境中获取的原始图像并没有明显的特征信息；而主动检测方式能够主动的去产生所需的特征信息，从而避免立体特征匹配困难，所以在工业检测中应用范围更广。

主动视觉检测方式包括激光测距、云纹干涉法、简单三角形法，结构光法与时差法等方法。例如魏振忠［10］提出了一种基于结构光视觉传感器的物体测量方法，可用于提高大型工件的结构光三维视觉的检测精度。在结构光方法的测量过程中，由于靶标上的基准坐标点很难准确落在结构光平面上，导致空间坐标的准确获取难以实现。在此测量方法中，通过一种基于双重交比不变的结构光视觉传感器的标定方法，并配合相应的标定靶标，从根本上解决了此问题。

2.2 物体定位

2.3零件检测

零件检测是机器视觉技术在工业生产中最重要的应用之一，在制造生产的过程中，几乎所有的产品都面临着质量检测。传统的手工检测存在着许多不足：首先，人工检测的准确性依赖于工人的状态和熟练程度；其次，人工操作效率相对较低，不能很好的满足大量生产检测的要求；近年来人工成本也在逐步上升。所以，机器视觉技术被广泛用于产品检测中，主要的应用包括：存在性检测和缺陷检测。

2.3.1存在性检测

存在性检测的对象包括某个部件、某个图案或者是整个物体的存在性。在制造环节中，某些步骤的缺失或者加工缺陷会导致零部件的丢失，影响产品的品质，需要在进行下一步工序或出厂前分拣出来待进一步处理。通过前期的图像采集和处理后，需要依靠显著目标检测算法来进行识别，从而得出显著目标是否存在的结论。

例如李牧等［12］提出了一种显著目标存在性检测算法，利用中心周边直方图计算出的显著图，提取目标区域与图像中心点距离、目标区域位置分布方差、目标区域在图像边缘的分布、目标区 域分布熵、图像显著图的直方图等5种特征进行分类，并利用投票的方式最终确定输入图片是否包含显著目标。通过数据集验证，能够有效识别出指定目标的存在性。

2.3.2表面缺陷检测

图2 系统图像处理和识别流程图

零件检测相关的工作流程一般大致如图2所示。尽管系统针对于不同的对象和目的，但是其图像处理和图像识别内核差异不大。图像处理和识别都是从采集的图像出发，经过单色化处理、阈值处理，图像膨胀处理，孤点滤波等预处理之后，对图像的特征进行提取并描述，最终输出结果。

2.4 图像识别

3

机器视觉的发展和问题

尽管机器视觉在智能制造中已经得到的长足的发展，但是就目前的应用现状而言，还存在一些发展的瓶颈。

另一个则可能是机器视觉输出结果的可靠性问题。一般而言，产品位置，光照强度，外部环境等都会都最终基于机器视觉所输出的结果产生影响，尤其是在精度要求比较高的时候。随着测量条件、环境、被测物表面特性等改变，尤其是在一些强光或温度的干扰下，机器视觉的应用会受到很大的限制。然而，这种测量环境的普适性很难通过一种标准化的的方法实现解决。

算法上的可靠性也会对机器视觉的广泛应用产生影响。目前，针对于不对场景下的机器视觉应用，各类算法层出不穷，其精度和应用范围也存在差异。不同算法之间的差异，不仅会得到不同的测量结果，而且整合于一个系统之内的难度也会加大。

同时，机器视觉与生产系统一体化也是一个需要考虑的方面［15］。由于产品位置对于测量精度和可靠性都具有一定的影响，因此，在生产设备中嵌入机器视觉系统是最为适合的方法。然而，设备机器的再设计和制造会对这种应用产生一定的壁垒，其需要保证产量和应用价值的基础上才能解决。目前中国的机器视觉市场相较成熟的自动化产品应用水平偏低，市场也远未饱和，未来还需要更多的研究者和实践者的关注和参与。

伴随着制造业的进一步发展以及“中国制造2025”的提出，制造业迎来了新一轮的产业升级，智能制造技术、智能数字化工程成为了制造业发展的重点。作为智能制造领域采集和处理生产信息的关键技术，机器视觉表现出了巨大的优势。一方面，用智能装备替代人工操作，避免了一切依赖人工而存在的弊端；同时，这极大的拓展了生产环境和生产条件，无需近距离接触危险的工作环境；最后，随着机器视觉装备和算法的不断革新和改进，机器视觉系统的准确性和效率会得到进一步的提升。