智慧工廠機(jī)器視覺(jué)感知與控制關(guān)鍵技術(shù)綜述

王耀南　陳鐵健

摘要：認(rèn)為發(fā)展智慧工廠和智能制造裝備的關(guān)鍵技術(shù)是環(huán)境感知和智能控制技術(shù)。結(jié)合智慧工廠特點(diǎn)，提出了一種機(jī)器視覺(jué)感知控制系統(tǒng)原理方案，并對(duì)各個(gè)關(guān)鍵核心技術(shù)進(jìn)行分析。還提出了一種基于云計(jì)算的機(jī)器視覺(jué)感知控制系統(tǒng)方案，用于解決各種視覺(jué)控制應(yīng)用的高實(shí)時(shí)性需求與計(jì)算復(fù)雜度極高之間的矛盾。該方案中還有一些技術(shù)需要進(jìn)一步研究，包括先進(jìn)工業(yè)成像技術(shù)、云計(jì)算平臺(tái)負(fù)載平衡技術(shù)、云計(jì)算平臺(tái)中的自動(dòng)化圖像處理流程設(shè)計(jì)等。

關(guān)鍵詞：智慧工廠；機(jī)器視覺(jué)；感知控制；云計(jì)算

Abstract： The key technology in smart factory and intelligent manufacturing is environment sensing and autonomous control. In this paper， a machine vision perception and control system design is proposed， and key technologies are also analyzed. Additionally， the cloud computing-based machine vision perception and control system design is also proposed， which is utilized to solve the conflicts between real-time requirements and high computing complexity of image processing. In this design scheme， some techniques need to be further studied， including advanced industrial imaging technology， cloud computing platform load balancing technology， process design of automated image in cloud computing platform and so on.

Key words： smart factory； machine vision； perception and control； cloud computing

當(dāng)前，全球制造業(yè)格局面臨著重大調(diào)整，新一代信息技術(shù)與制造業(yè)深度融合，正在引發(fā)影響深遠(yuǎn)的產(chǎn)業(yè)變革，形成新的生產(chǎn)方式、產(chǎn)業(yè)形態(tài)、商業(yè)模式和經(jīng)濟(jì)增長(zhǎng)點(diǎn)。

各國(guó)都在加大科技創(chuàng)新力度，制訂了多個(gè)智能制造產(chǎn)業(yè)發(fā)展計(jì)劃，包括德國(guó)的“工業(yè)4.0”計(jì)劃[1]，美國(guó)的“制造業(yè)回歸”計(jì)劃，中國(guó)的“中國(guó)制造2025”計(jì)劃[2]，日本的“2015制造白皮書”等。在最具代表性的“工業(yè)4.0”計(jì)劃中，提出了第4次工業(yè)革命的概念。在該智能制造模式中，信息物理系統(tǒng)（CPS）[3-5]通過(guò)將物聯(lián)網(wǎng)、服務(wù)網(wǎng)絡(luò)、社會(huì)網(wǎng)絡(luò)有機(jī)結(jié)合，實(shí)現(xiàn)智能機(jī)器、存儲(chǔ)系統(tǒng)、生產(chǎn)設(shè)施、物流和定制服務(wù)等各個(gè)生產(chǎn)-消費(fèi)要素相互獨(dú)立地自動(dòng)交換信息、觸發(fā)動(dòng)作和控制，從根本上改善包括制造、工程、材料使用、供應(yīng)鏈和生命周期管理的工業(yè)過(guò)程，生產(chǎn)出智能產(chǎn)品，大幅度提高服務(wù)質(zhì)量，降低設(shè)備閑置率、生產(chǎn)時(shí)間、能源消耗和制造成本。

工業(yè)4.0的核心在于智慧工廠，它是實(shí)現(xiàn)高質(zhì)量定制產(chǎn)品和智能產(chǎn)品的關(guān)鍵[6]。在工業(yè)4.0框架下，發(fā)展智慧工廠和智能制造裝備需要解決多個(gè)關(guān)鍵技術(shù)難題，諸如精密機(jī)構(gòu)設(shè)計(jì)、高性能材料、高速網(wǎng)絡(luò)通信、云計(jì)算平臺(tái)、環(huán)境感知和智能控制等信息處理方法、系統(tǒng)可靠性等。其中，環(huán)境感知和智能控制技術(shù)作為智慧工廠高適應(yīng)性、高精度、智能化作業(yè)的根本保障，是必須首先解決的關(guān)鍵技術(shù)難題。在工業(yè)4.0框架下，智慧工廠的感知和控制技術(shù)必須具備高速、高精度、模塊化、智能化、無(wú)損感知等特點(diǎn)，能夠根據(jù)不同的任務(wù)實(shí)現(xiàn)自主配置和自適應(yīng)調(diào)節(jié)，滿足定制和個(gè)性化產(chǎn)品的自適應(yīng)制造，然而傳統(tǒng)的感知控制技術(shù)無(wú)法滿足上述需求，因此研究適應(yīng)智慧工廠需求的新型環(huán)境感知和智能控制技術(shù)十分必要。

1 機(jī)器視覺(jué)感知與控制

關(guān)鍵技術(shù)

機(jī)器視覺(jué)感知與控制技術(shù)是解決智慧工廠環(huán)境感知和自主控制這一技術(shù)難題的關(guān)鍵。機(jī)器視覺(jué)檢測(cè)與控制技術(shù)是采用機(jī)器視覺(jué)、機(jī)器手代替人眼、人腦、人手來(lái)進(jìn)行檢測(cè)、測(cè)量、分析、判斷和決策控制的智能測(cè)控技術(shù)[9]，是人類模仿自身視覺(jué)感知能力實(shí)現(xiàn)自動(dòng)化測(cè)量和控制的重要手段，能夠同時(shí)滿足智慧工廠環(huán)境感知和自主控制的多項(xiàng)需求。機(jī)器視覺(jué)感知控制技術(shù)可用于智慧工廠中的精密制造自動(dòng)化生產(chǎn)線、智能機(jī)器人、在線檢測(cè)裝備[10]、細(xì)微操作、工程機(jī)械、虛擬現(xiàn)實(shí)產(chǎn)品設(shè)計(jì)[11]等多個(gè)領(lǐng)域，在提高航空航天[12]、軍工、汽車、電子、精密儀器等行業(yè)自動(dòng)化加工制造水平，保障產(chǎn)品質(zhì)量等方面發(fā)揮巨大作用。因此，機(jī)器視覺(jué)感知控制技術(shù)是工業(yè)4.0框架中不可或缺的重要組成部分。

1.1 智慧工廠中的機(jī)器視覺(jué)感知控制

系統(tǒng)方案

智慧工廠屬于復(fù)雜系統(tǒng)，應(yīng)用環(huán)境特殊，對(duì)機(jī)器視覺(jué)感知控制技術(shù)的準(zhǔn)確率、實(shí)時(shí)性、重復(fù)性有著極高的要求。針對(duì)這一難題，我們提出了如圖1所示的智慧工廠機(jī)器視覺(jué)感知控制系統(tǒng)方案。在該系統(tǒng)方案中，根據(jù)應(yīng)用需求，首先設(shè)計(jì)智能視覺(jué)成像系統(tǒng)和自動(dòng)化圖像獲取機(jī)構(gòu)，自動(dòng)獲取檢測(cè)對(duì)象的高質(zhì)量圖像；獲取的圖像經(jīng)過(guò)去噪增強(qiáng)、分割、配準(zhǔn)融合、拼接等圖像預(yù)處理步驟，改善獲取圖像質(zhì)量；然后采用目標(biāo)定位與分割算法、目標(biāo)檢測(cè)與識(shí)別算法，智能分類與判別等圖像處理過(guò)程，實(shí)現(xiàn)對(duì)檢測(cè)對(duì)象的識(shí)別、檢測(cè)、分析、測(cè)量。同時(shí)，從圖像處理中得到的目標(biāo)位姿信息可用于基于視覺(jué)的高速運(yùn)動(dòng)精確位置與恰當(dāng)力的優(yōu)化控制。

1.2 工業(yè)成像系統(tǒng)的關(guān)鍵技術(shù)

工業(yè)成像系統(tǒng)包括光學(xué)、成像、處理3部分。其中，光學(xué)部分由光源、光學(xué)系統(tǒng)構(gòu)成，光源主要用于在成像對(duì)象表面上產(chǎn)生光場(chǎng)，常用的光源包括發(fā)光二級(jí)管（LED）光源、結(jié)構(gòu)光等；光學(xué)系統(tǒng)主要實(shí)現(xiàn)光路控制，并將光信號(hào)聚焦到成像平面上。成像部分主要由圖像傳感器構(gòu)成，將入射光轉(zhuǎn)化為電信號(hào)，并經(jīng)過(guò)放大、調(diào)理、A/D轉(zhuǎn)換和讀出，就可以得到數(shù)字圖像[13]。處理部分由通信電路、圖像處理器和處理算法構(gòu)成，獲取的圖像通過(guò)通信電路和協(xié)議傳輸?shù)綀D像處理器中，并采用圖像處理算法進(jìn)行實(shí)時(shí)處理，提取出視覺(jué)信息用于智能制造裝備的檢測(cè)和控制。

1.3 自動(dòng)圖像獲取的關(guān)鍵技術(shù)

精密成像機(jī)構(gòu)是自動(dòng)圖像獲取的關(guān)鍵，它可以實(shí)現(xiàn)對(duì)成像位置、視角、分辨率、質(zhì)量、數(shù)量等參數(shù)的精密控制。為適應(yīng)不同成像對(duì)象和裝備機(jī)械結(jié)構(gòu)，多種自動(dòng)圖像獲取方法和精密成像機(jī)構(gòu)被提出，主要包括：高速運(yùn)動(dòng)序列圖像獲取、位置觸發(fā)成像、顯微成像、眼手圖像獲取、全方位圖像獲取、立體視覺(jué)成像[14]、線掃描成像、點(diǎn)云成像等關(guān)鍵技術(shù)。

1.4 圖像預(yù)處理的關(guān)鍵技術(shù)

圖像預(yù)處理方法主要包括去噪、增強(qiáng)、配準(zhǔn)、融合、拼接，通過(guò)圖像預(yù)處理可提高圖像質(zhì)量，降低圖像識(shí)別和分類的難度，從而保證檢測(cè)控制的精度。

圖像去噪增強(qiáng)主要用于消除獲取圖像中包含的鹽椒、高斯等多種噪聲，并通過(guò)特征結(jié)構(gòu)增強(qiáng)改善可能存在的對(duì)比度低，邊界模糊和運(yùn)動(dòng)模糊等現(xiàn)象[15]。常用的去噪方法包括空間域?yàn)V波方法、變換域?yàn)V波方法、基于偏微分的圖像去噪方法、 基于相似性的圖像去噪方法、全變分圖像去噪等。常用的圖像增強(qiáng)方法包括直方圖均衡化、匹配、校正，圖像銳化方法[16]，基于視覺(jué)模型的增強(qiáng)方法[17]，運(yùn)動(dòng)模糊去除方法等。

多源圖像融合可以去除冗余信息，提高單幅圖像所包含的信息量。圖像融合[18]主要基于圖像分解和重構(gòu)，其中多分辨率圖像分析是最常用的圖像分解方法，包括小波變換、金字塔形或樹(shù)狀小波幀變換、幾何分析小波，以及稀疏表示等；在重構(gòu)過(guò)程中，根據(jù)統(tǒng)計(jì)模型或其他融合規(guī)則對(duì)圖像分解系數(shù)進(jìn)行融合，經(jīng)過(guò)逆變換得到融合圖像。

對(duì)不同位姿獲取的圖像進(jìn)行配準(zhǔn)，可以將多幅圖像對(duì)齊到單個(gè)圖像坐標(biāo)系下，實(shí)現(xiàn)多幅圖像拼接，還可以實(shí)現(xiàn)圖像偏差測(cè)量。在圖像配準(zhǔn)過(guò)程中，輸入多源圖像經(jīng)過(guò)特征檢測(cè)、匹配、變換模型估計(jì)、圖像重采樣和空間變換，得到相同目標(biāo)在不同圖像中的匹配關(guān)系，最后根據(jù)變換模型對(duì)圖像進(jìn)行空間變換和重采樣，獲得配準(zhǔn)后的圖像。

1.5圖像定位分割的關(guān)鍵技術(shù)

在成像過(guò)程中由于運(yùn)動(dòng)控制方式和機(jī)械電氣誤差，圖像中對(duì)象位置并不固定，因此需要進(jìn)行目標(biāo)定位和檢測(cè)區(qū)域分割。

對(duì)于背景簡(jiǎn)單、特征明顯對(duì)象，可以利用目標(biāo)邊界、幾何形狀特征等先驗(yàn)知識(shí)， 實(shí)現(xiàn)目標(biāo)定位和檢測(cè)區(qū)域提取。對(duì)于復(fù)雜背景下且特征模糊對(duì)象，可采用基于圖像分割的定位和檢測(cè)區(qū)域提取方法[19]，如閾值分割方法、區(qū)域生長(zhǎng)法、分水嶺分割算法、聚類分割方法、基于圖的分割方法、基于主動(dòng)輪廓的分割方法、神經(jīng)網(wǎng)絡(luò)圖像分割方法等關(guān)鍵技術(shù)。

1.6 圖像識(shí)別檢測(cè)的關(guān)鍵技術(shù)

通過(guò)圖像識(shí)別檢測(cè)，可實(shí)現(xiàn)目標(biāo)識(shí)別和分類、缺陷檢測(cè)、視覺(jué)測(cè)量等功能，從而滿足智慧工廠多樣化的應(yīng)用需求。

圖像識(shí)別可通過(guò)對(duì)分割后圖像特征分析，序列圖像運(yùn)動(dòng)分析和模式匹配等方法實(shí)現(xiàn)。識(shí)別目標(biāo)多表現(xiàn)為灰度或紋理均勻的閉合區(qū)域，利用檢測(cè)對(duì)象輪廓等不變性特征和形狀、面積、灰度、紋理等先驗(yàn)信息，對(duì)分割后圖像進(jìn)行特征分析，即可實(shí)現(xiàn)圖像識(shí)別。在基于模式匹配的識(shí)別方法中，模式可以用點(diǎn)集、輪廓、骨架來(lái)表示[20]，匹配過(guò)程可采用動(dòng)態(tài)規(guī)劃、最優(yōu)化、最大似然、圖匹配方法、Patmax方法等[21]，得到對(duì)象位移、旋轉(zhuǎn)、尺度、形變等參數(shù)。

圖像檢測(cè)可實(shí)現(xiàn)對(duì)缺陷、特定結(jié)構(gòu)及特征的檢測(cè)，由于檢測(cè)目標(biāo)在尺寸、灰度、紋理等特征方面與背景差異較大，因此圖像檢測(cè)主要通過(guò)特征分析實(shí)現(xiàn)。針對(duì)不同應(yīng)用，多種特征分析方法被提出，主要包括基于紋理分析的檢測(cè)方法、基于局部特征的檢測(cè)算法、基于模板匹配的缺陷檢測(cè)方法等。

圖像分類是實(shí)現(xiàn)圖像識(shí)別、檢測(cè)、決策的關(guān)鍵，其精度直接決定最終檢測(cè)識(shí)別結(jié)果。常用的分類方法包括模糊方法、神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)、極限學(xué)習(xí)機(jī)、深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法。機(jī)器學(xué)習(xí)方法能夠模仿人的學(xué)習(xí)能力，處理非線性等復(fù)雜問(wèn)題，提高圖像分類決策的智能化程度。然而當(dāng)前主要問(wèn)題在于圖像分類精度不理想，特別是對(duì)于復(fù)雜高維數(shù)據(jù)、非均衡數(shù)據(jù)集等，同時(shí)圖像空間域與特征域的建模也是一大難點(diǎn)。

1.7 視覺(jué)伺服與優(yōu)化控制的關(guān)鍵技術(shù)

智慧工廠根據(jù)視覺(jué)檢測(cè)識(shí)別和位姿測(cè)量結(jié)果，引導(dǎo)精密伺服運(yùn)動(dòng)控制系統(tǒng)可控制機(jī)器人完成定位、抓取、分揀、組裝、灌裝、裝配等復(fù)雜自適應(yīng)作業(yè)。視覺(jué)伺服運(yùn)動(dòng)控制基本原理如圖2所示，視覺(jué)控制率根據(jù)視覺(jué)誤差產(chǎn)生控制量，驅(qū)動(dòng)機(jī)器人的關(guān)節(jié)運(yùn)動(dòng)，完成給定作業(yè)。其中視覺(jué)誤差定義為給定特征向量和視覺(jué)信息反饋之間的差值。

在反饋環(huán)節(jié)，通過(guò)成像參數(shù)、控制對(duì)象模型等信息，將當(dāng)前圖像特征的測(cè)量值轉(zhuǎn)化為與給定特征向量同類型的測(cè)量值。根據(jù)特征向量類型，可分為基于位置的視覺(jué)伺服（PBVS）、基于圖像的視覺(jué)伺服（IBVS）、混合視覺(jué)伺服和直接視覺(jué)伺服等[22-23]。其中PBVS采用機(jī)器人末端空間位姿作為反饋，IBVS將圖像特征作為反饋，而混合視覺(jué)伺服則將一種擴(kuò)展圖像坐標(biāo)特征作為反饋。針對(duì)傳統(tǒng)方法未充分利用圖像信息這一不足，直接視覺(jué)伺服方法將整幅圖像作為反饋，通過(guò)最優(yōu)化方法得到視覺(jué)伺服中的位姿信息，改善視覺(jué)伺服的精度和魯棒性。與其他控制方法相比，視覺(jué)伺服控制的主要難點(diǎn)在于視覺(jué)反饋信息的測(cè)量和視覺(jué)控制率的確立。

在智慧工廠中，智能制造系統(tǒng)需要自動(dòng)化生產(chǎn)線上多種智能制造裝備協(xié)同工作，是一種典型的高階、非線性、強(qiáng)耦合的多變量系統(tǒng)。針對(duì)這一難題，可采用多機(jī)器人手眼協(xié)調(diào)控制，將機(jī)器人逆運(yùn)動(dòng)學(xué)分析、軌跡規(guī)劃、多機(jī)器人協(xié)同控制、力/位混合控制、多感知控制等智能控制技術(shù)用于視覺(jué)伺服中，實(shí)現(xiàn)多機(jī)器人關(guān)節(jié)空間的協(xié)同視覺(jué)伺服控制，提高控制精度和智能化程度。

2 智慧工廠機(jī)器感知控制

的云計(jì)算平臺(tái)設(shè)計(jì)

在智慧工廠中，機(jī)器感知控制技術(shù)主要用于解決特定的制造作業(yè)，如目標(biāo)識(shí)別和位姿測(cè)量，產(chǎn)品質(zhì)量和缺陷檢測(cè)、物理量測(cè)量、目標(biāo)三維建模、視覺(jué)伺服作業(yè)等。在這些應(yīng)用中，由于實(shí)時(shí)獲取的圖像本身數(shù)據(jù)量較大，且圖像處理過(guò)程通常較為復(fù)雜，導(dǎo)致整個(gè)信息處理過(guò)程計(jì)算量復(fù)雜度極高，采用傳統(tǒng)的裝備側(cè)運(yùn)算資源難以滿足上述應(yīng)用對(duì)于實(shí)時(shí)性的要求。針對(duì)這一難題，在工業(yè)4.0框架下，智能制造過(guò)程中獲取的實(shí)時(shí)圖像數(shù)據(jù)通過(guò)高速通信網(wǎng)絡(luò)傳輸?shù)皆朴?jì)算平臺(tái)中，利用云端極強(qiáng)的運(yùn)算能力和計(jì)算負(fù)載平衡方法，可以滿足各種機(jī)器感知控制算法應(yīng)用的實(shí)時(shí)性、檢測(cè)控制精度、穩(wěn)定性極高的需求。

智慧工廠中的機(jī)器視覺(jué)感知控制的云計(jì)算平臺(tái)可采用如圖3所示的系統(tǒng)方案，該云平臺(tái)主要有3部分構(gòu)成[23]，分別為裝備抽象層、機(jī)器視覺(jué)感知控制算法層和智能制造數(shù)據(jù)庫(kù)。裝備抽象層主要對(duì)各種制造裝備進(jìn)行抽象，得到裝備的成像系統(tǒng)模型、控制系統(tǒng)模型等，作為環(huán)境感知和自主控制的基礎(chǔ)。算法層主要包括各種圖像去噪增強(qiáng)、配準(zhǔn)融合、目標(biāo)定位、檢測(cè)區(qū)域分割、目標(biāo)識(shí)別、特征檢測(cè)、機(jī)器學(xué)習(xí)、視覺(jué)伺服控制等信息處理方法，實(shí)現(xiàn)從獲取的圖像中提取出目標(biāo)的位姿、特征、類型等信息，滿足智慧工廠各種應(yīng)用對(duì)于信息服務(wù)的需求。智能制造數(shù)據(jù)庫(kù)主要包括感知和控制目標(biāo)數(shù)據(jù)庫(kù)、圖像處理流程數(shù)據(jù)庫(kù)等，主要用于存儲(chǔ)、配置和統(tǒng)計(jì)制造過(guò)程中的物流、制造參數(shù)、信息處理流程等，是實(shí)現(xiàn)柔性制造和高質(zhì)量定制產(chǎn)品制造的關(guān)鍵。

與傳統(tǒng)的機(jī)器視覺(jué)感知控制系統(tǒng)相比，上述基于云平臺(tái)的實(shí)現(xiàn)可以大幅度提高系統(tǒng)的可擴(kuò)展性、可重構(gòu)性等，同時(shí)也降低了系統(tǒng)開(kāi)發(fā)的難度和成本，有利于在智慧工廠中普遍推廣應(yīng)用機(jī)器視覺(jué)感知控制技術(shù)，提高環(huán)境感知和自主控制的智能化程度。

3 總結(jié)與展望

智慧工廠是一個(gè)復(fù)雜系統(tǒng)，通過(guò)智能制造裝備、大數(shù)據(jù)、云計(jì)算平臺(tái)和信息物理系統(tǒng)的應(yīng)用，可滿足極其復(fù)雜的制造過(guò)程協(xié)同控制的需求，大幅度提高制造過(guò)程的智能化和自主化程度。機(jī)器視覺(jué)感知控制技術(shù)是解決智慧工廠環(huán)境感知和自主控制這一難題的關(guān)鍵，而云計(jì)算技術(shù)則能夠解決各種視覺(jué)應(yīng)用高實(shí)時(shí)性需求與圖像運(yùn)算復(fù)雜度極高之間的矛盾，因此發(fā)展機(jī)器視覺(jué)感知控制云計(jì)算平臺(tái)對(duì)于智慧工廠來(lái)說(shuō)十分重要。針對(duì)這一難題，我們分別對(duì)機(jī)器視覺(jué)感知控制技術(shù)進(jìn)行綜述，并提出了一種機(jī)器視覺(jué)感知控制云計(jì)算平臺(tái)設(shè)計(jì)方案，在該方案中有以下關(guān)鍵技術(shù)難題有待進(jìn)一步研究：

（1）先進(jìn)工業(yè)成像技術(shù)。當(dāng)前采用的成像技術(shù)大多局限于可見(jiàn)光成像，導(dǎo)致在某些應(yīng)用中獲得的圖像特異性差，不能夠全面體現(xiàn)被檢對(duì)象特征。為此需要從光源頻譜控制、先進(jìn)陣列感知、信號(hào)調(diào)理等方面全面研究成像技術(shù)，探索不同類型對(duì)象與電磁波相互作用和成像的新現(xiàn)象、新原理、新方法。將多種先進(jìn)成像技術(shù)，如高光譜成像、激光掃描成像、干涉/衍射成像、層析成像、太赫茲成像、電容成像等應(yīng)用于工業(yè)視覺(jué)檢測(cè)和控制，豐富視覺(jué)感知手段。

（2）云計(jì)算平臺(tái)負(fù)載平衡技術(shù)。圖像大數(shù)據(jù)與其他信息不同，具有流數(shù)據(jù)的特點(diǎn)，如何在云計(jì)算平臺(tái)中實(shí)現(xiàn)對(duì)制造過(guò)程獲取的圖像大數(shù)據(jù)進(jìn)行實(shí)時(shí)處理一直是困擾智能制造的一個(gè)技術(shù)難題。因此，研究云計(jì)算平臺(tái)中的負(fù)載平衡技術(shù)，將圖像處理步驟分散到各個(gè)節(jié)點(diǎn)中，結(jié)合流數(shù)據(jù)處理特點(diǎn)，實(shí)現(xiàn)并行圖像處理，成為解決這一難題的關(guān)鍵。

（3）云計(jì)算平臺(tái)中的自動(dòng)化圖像處理流程設(shè)計(jì)。圖像處理過(guò)程通常由多個(gè)圖像處理步驟構(gòu)成，而每個(gè)步驟都可以采用多種處理算法，同時(shí)由于不同應(yīng)用圖像特征和任務(wù)目標(biāo)各異，造成圖像處理流程設(shè)計(jì)困難。為解決這一難題，需研究自動(dòng)化圖像處理流程設(shè)計(jì)方法，首先分析不同圖像處理算法的特點(diǎn)，以及達(dá)到的處理效果，并分析參數(shù)對(duì)于圖像處理結(jié)果的影響，然后根據(jù)任務(wù)、先驗(yàn)知識(shí)和圖像特征，選擇最優(yōu)圖像處理算法和參數(shù)，實(shí)現(xiàn)自動(dòng)化圖像處理流程設(shè)計(jì)。

（4）智慧工廠機(jī)器魯棒感知控制的高穩(wěn)定性、高可靠性和適應(yīng)性研究。由于機(jī)器感知圖像信息屬于非線性多維信息，在應(yīng)用中存在多種不確定性，限制了智慧工廠制造裝備的穩(wěn)定性和可靠性。為此需要研究機(jī)器感知應(yīng)用的穩(wěn)定性、可靠性控制方法，以及誤差控制方法，消除不確定性，提高智慧工廠的自適應(yīng)能力。

（5）智慧工廠機(jī)器深度學(xué)習(xí)技術(shù)研究。建立智能化工廠是企業(yè)未來(lái)發(fā)展的需要。不論是食品行業(yè)還是其他行業(yè)，最初的生產(chǎn)都是大批量生產(chǎn)，隨著技術(shù)及時(shí)代的發(fā)展，市場(chǎng)上產(chǎn)品同質(zhì)化越來(lái)越嚴(yán)重；另一方面客戶的個(gè)性化需求逐漸增強(qiáng)，迫使企業(yè)由大批量生產(chǎn)轉(zhuǎn)向多品種小批量生產(chǎn)，更進(jìn)一步，將逐步轉(zhuǎn)向個(gè)性化定制生產(chǎn)。市場(chǎng)需求的變化使得各行各業(yè)逐步開(kāi)始進(jìn)行轉(zhuǎn)型升級(jí)，要求生產(chǎn)線具有高度的柔性，能夠進(jìn)行模塊化的組合，以滿足生產(chǎn)不同產(chǎn)品的需求。與此同時(shí)，為了響應(yīng)客戶的需求，需要及時(shí)對(duì)客戶的信息進(jìn)行收集、處理及反饋，也促使企業(yè)開(kāi)始關(guān)注自己的數(shù)字化、信息化建設(shè)，各種實(shí)用的系統(tǒng)逐步上線；更進(jìn)一步為了提升生產(chǎn)效率，使得設(shè)備與設(shè)備之間、設(shè)備與人之間要有信息互通和良好的交互，又要求利用相關(guān)技術(shù)實(shí)現(xiàn)互聯(lián)。在工業(yè)4.0概念中對(duì)于智能化要求的描述是設(shè)備自適應(yīng)柔性制造、信息感知及端到端溝通，并具有預(yù)警和自診斷能力。為此需研究深度學(xué)習(xí)的機(jī)器感知、機(jī)器認(rèn)知，以提高智慧工廠的自適應(yīng)柔性制造能力。

參考文獻(xiàn)

[1] 德國(guó)聯(lián)邦教育研究部. 德國(guó)工業(yè)4.0戰(zhàn)略計(jì)劃實(shí)施建議[R]. 2013

[2] 中國(guó)國(guó)務(wù)院. 國(guó)務(wù)院關(guān)于印發(fā)《中國(guó)制造2025》的通知[R/OL].（2015-05-19）[2016-05-09].http：//www.mof.gov.cn/zhengwux inxi/zhengcefabu/201505/t20150519_1233751.htm， 2015. Online； accessed 19-Mar.-2016

[3] SHETH A， ANANTHARAM P， HENSON C. Physical-Cyber-Social Computing： An Early 21st Century Approach [J]. IEEE Intelligent Systems， 2013， 28（1）：78-82. DOI： 10.1109/MIS.2013.20

[4] ILIC M D， XIE L， KHAN U A， et al. Modeling of Future Cyber-Physical Energy Systems for Distributed Sensing and Control[J]. IEEE Transactions on Systems， Man， and Cybernetics-Part A： Systems and Humans， 2010， 4（40）：825-838. DOI： 10.1109/TSMCA.2010.2048026

[5] DERLER P， LEE E A， VINCENTELLI A S. Modeling Cyber-Physical Systems [J]. Proceedings of the IEEE， 2012， 100（1）：13-28. DOI： 10.1109/JPROC.2011.2160929

[6] PEREZ F， IRISARRI E， ORIVE D， et al. A CPPS Architecture Approach for Industry 4.0[C]// Proceeding of Emerging Technologies & Factory Automation （ETFA）， 2015 IEEE 20th Conference on. USA： IEEE， 2015， 1-4

[7] WANG F Y. The Emergence of Intelligent Enterprises： From CPS to CPSS [J]. IEEE Intelligent Systems， 2010， 25（4）：85-88. DOI： 10.1109/MIS.2010.104

[8] CHENG F T， TIENG H， YANG H C， et al. Industry 4.1 for Wheel Machining Automation [J]. IEEE Robotics and Automation Letters， 2016， 1（1）：332-339.DOI： 10.1109/LRA.2016.2517208

[9] 王耀南， 陳鐵健， 賀振東，等. 智能制造裝備機(jī)器視覺(jué)感知控制方法綜述[J]. 控制理論與應(yīng)用. 2015： 32（3）： 273-286

[10] 張輝， 王耀南， 周博文. 基于機(jī)器視覺(jué)的液體藥品異物檢測(cè)系統(tǒng)研究[J]. 儀器儀表學(xué)報(bào)， 2009， 30（3）：548-553

[11] SAMPIGETHAYA K， POOVENDRAN R. Aviation Cyber-Physical Systems： Foundations for Future Aircraft and Air Transport [J]. Proceedings of the IEEE， 2013， 101（8）：1834-1855. DOI： 10.1109/JPROC.2012.2235131

[12] GATTULLO M， UVAA E， FIORENTINO M， et al. Legibility in Industrial AR： Text Style， Color Coding， and Illuminance [J]. IEEE Computer Graphics and Applications， 2015， 35（2）：52-61. DOI： 10.1109/MCG.2015.36

[13] YADID P O， ETIENNE C R. CMOS Imagers： from Photo Transduction to Image Processing [M]. Germany： Kluwer Academic Publishers， 2004

[14] 余洪山， 趙科， 王耀南， 等. 融合2D/3D 攝像機(jī)的方法與獲取高精度三維視覺(jué)信息的裝置[J]. 控制理論與應(yīng)用， 2014， 31（10）：1383-1392

[15] BUADES A， COLL B， MOREL J M. A Review of Image Denoising Algorithms， with a New One [J]. Multiscale Modeling & Simulation， 2005， 4（2）：490-530

[16] POLESEL A， RAMPONI G， MATHEWS V J， et al. Image Enhancement via Adaptive Unsharp Masking [J]. IEEE Transactions on Image Processing， 2000， 9（3）：505-510

[17] RAHMAN Z U， JOBSON D J， WOODELL G A. Retinex Processing for Automatic Image Enhancement [J]. Journal of Electronic Imaging， 2004， 13（1）：100-110

[18] 王耀南， 李樹(shù)濤. 多傳感器信息融合及其應(yīng)用綜述[J]. 控制與決策， 2001，16（5）：518-522

[19] SEERHA G K， KAUR R. Review on Recent Image Segmentation Techniques [J]. International Journal on Computer Science and Engineering， 2013， 5（2）：109

[20] SILVER W M， MCGARRY E J， HILL M L， et al. Method for Fast， Robust， Multi-Dimensional Pattern Recognition [P]： 7016539. 2006-03-21

[21] CHAUMETTE F， HUTCHINSON S. Visual Servo Control. I. Basic Approaches [J]. IEEE Robotics &Automation Magazine， 2006， 13（4）：82-90

[22] CHAUMETTE F， HUTCHINSON S. Visual Servo Control. II. Advanced Approaches [J]. IEEE Robotics & Automation Magazine， 2007， 14（1）：109-118

[23] DRATH R， HORCH A. Industrie 4.0： Hit or hype？[J]. IEEE Industrial Electronics Magazine， 2014， 8（2）：56-58