機(jī)器視覺在智能制造中的應(yīng)用

劉允浩

（長(zhǎng)江大學(xué) 湖北省荊州市 434022）

目前，制造業(yè)如何打破束縛，獲得突破性發(fā)展，則要優(yōu)先處理人工成本與市場(chǎng)個(gè)性化需求等一系列問題。而智能制造理念引入，卻恰恰是打開創(chuàng)新型制造生產(chǎn)方式的鑰匙，其中機(jī)器視覺[1]技術(shù)完全替換人工操作、提升工作效率、填補(bǔ)市場(chǎng)個(gè)性化訴求的高效技術(shù)方法，隨其技術(shù)水平的不斷進(jìn)步，勢(shì)必在智能制造應(yīng)用中大放異彩。

1 概述

1.1 機(jī)器視覺技術(shù)

機(jī)器視覺技術(shù)利用計(jì)算機(jī)或圖像處理器，及其設(shè)備模擬人體視覺功能，借助圖像采集、解析與處置使用在客觀事物檢測(cè)中。其等同于人類的眼睛與大腦，對(duì)比過往機(jī)械生產(chǎn)設(shè)施，此技術(shù)呈現(xiàn)出智能化與創(chuàng)新性。同時(shí)憑借著高度自主化、超強(qiáng)適應(yīng)力與精準(zhǔn)度等優(yōu)點(diǎn)被廣泛應(yīng)用在工業(yè)領(lǐng)域，而非工業(yè)應(yīng)用也在加速普及力度。

機(jī)器視覺技術(shù)的發(fā)展可以追溯到20世紀(jì)50年代，當(dāng)時(shí)研究人員開始探索使用計(jì)算機(jī)進(jìn)行圖像分析。在1960年代和1970年代，數(shù)字成像和計(jì)算機(jī)處理的進(jìn)步導(dǎo)致了早期機(jī)器視覺系統(tǒng)的發(fā)展，這些系統(tǒng)在制造中用于自動(dòng)化檢查任務(wù)。在1980年代和90年代，更強(qiáng)大的計(jì)算機(jī)的發(fā)展和機(jī)器學(xué)習(xí)算法的出現(xiàn)推動(dòng)了機(jī)器視覺技術(shù)的重大進(jìn)步。這導(dǎo)致了能夠識(shí)別圖像中的對(duì)象和模式以及實(shí)時(shí)分析視頻數(shù)據(jù)的更復(fù)雜系統(tǒng)的開發(fā)。

進(jìn)入21世紀(jì)以來(lái)，在更強(qiáng)大、更實(shí)惠的計(jì)算硬件的發(fā)展以及機(jī)器學(xué)習(xí)、深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)的突破的推動(dòng)下，機(jī)器視覺繼續(xù)快速發(fā)展。如今，機(jī)器視覺的應(yīng)用范圍很廣，從工業(yè)質(zhì)量控制和自動(dòng)駕駛汽車到面部識(shí)別和醫(yī)學(xué)成像。

機(jī)器視覺系統(tǒng)的關(guān)鍵組件包括相機(jī)或成像設(shè)備、圖像處理軟件以及運(yùn)行軟件的計(jì)算機(jī)或嵌入式系統(tǒng)。相機(jī)捕捉圖像或視頻，然后由圖像處理軟件處理以提取信息。然后，處理后的數(shù)據(jù)用于做出決策或控制其他系統(tǒng)。機(jī)器視覺技術(shù)可用于各種應(yīng)用，例如制造中的質(zhì)量控制、農(nóng)產(chǎn)品檢驗(yàn)和自動(dòng)駕駛汽車。在這些應(yīng)用中，機(jī)器視覺系統(tǒng)可以執(zhí)行諸如檢測(cè)缺陷、測(cè)量尺寸、識(shí)別模式和跟蹤對(duì)象等任務(wù)。機(jī)器視覺中使用了許多不同的技術(shù)，包括模式識(shí)別[2]、圖像分析和計(jì)算機(jī)視覺[3]。這些技術(shù)允許系統(tǒng)識(shí)別對(duì)象、跟蹤運(yùn)動(dòng)并從圖像中提取有用信息。

機(jī)器視覺是一種通過攝像機(jī)、光源和圖像處理算法等技術(shù)實(shí)現(xiàn)自動(dòng)化檢測(cè)和分析的技術(shù)。在智能制造中，機(jī)器視覺可以廣泛應(yīng)用于生產(chǎn)過程的自動(dòng)化、質(zhì)量控制、安全檢測(cè)等方面。

總之，機(jī)器視覺在智能制造中的應(yīng)用非常廣泛，可以大大提高生產(chǎn)效率、降低成本，并保證產(chǎn)品的質(zhì)量和安全性。機(jī)器視覺檢測(cè)PCB 板如圖1所示。

圖1：機(jī)器視覺檢測(cè)PCB 板

1.2 智能制造

智能制造構(gòu)成內(nèi)容是智能制造技術(shù)與智能制造系統(tǒng)，其為傳統(tǒng)制造業(yè)引入自動(dòng)化與自適應(yīng)、自學(xué)習(xí)能力等加強(qiáng)版現(xiàn)代型制造。因此，智能制造勢(shì)必成為現(xiàn)代創(chuàng)新制造業(yè)全新發(fā)展大趨勢(shì)，同時(shí)為國(guó)內(nèi)經(jīng)濟(jì)謀求變革與轉(zhuǎn)型的重要陣地。而從目前國(guó)內(nèi)制造業(yè)發(fā)展現(xiàn)狀來(lái)講，制造業(yè)整體生產(chǎn)量數(shù)目驚人，而產(chǎn)品質(zhì)量對(duì)比發(fā)達(dá)國(guó)家差距較為明顯。基于此，盡全力發(fā)展智能制造，在裝備、加工技藝與資源管理、生產(chǎn)程序等方面探索智能化發(fā)展，其中重點(diǎn)探究與應(yīng)用機(jī)器視覺技術(shù)，開足馬力達(dá)成智能制造技術(shù)。

智能制造是指在制造過程中使用先進(jìn)技術(shù)和數(shù)據(jù)分析來(lái)提高效率、降低成本和提高生產(chǎn)率的術(shù)語(yǔ)。智能制造的目標(biāo)是建立一個(gè)全連接、集成的制造系統(tǒng)，能夠?qū)崟r(shí)監(jiān)控、分析和控制。

智能制造依賴于各種技術(shù)的集成，包括物聯(lián)網(wǎng) (IoT)[4]、人工智能 (AI)[5]和機(jī)器學(xué)習(xí)[6]。這些技術(shù)允許制造商從各種來(lái)源收集數(shù)據(jù)，例如機(jī)器、傳感器和人工操作員，然后使用這些數(shù)據(jù)來(lái)優(yōu)化流程并做出明智的決策。

智能制造的一個(gè)例子是預(yù)測(cè)性維護(hù)的使用。在這種方法中，分析機(jī)器上傳感器的數(shù)據(jù)以預(yù)測(cè)何時(shí)需要維護(hù)，從而使制造商能夠在最方便的時(shí)間安排維護(hù)并將對(duì)生產(chǎn)的干擾降至最低。

另一個(gè)例子是數(shù)字孿生的使用，它們是物理產(chǎn)品和生產(chǎn)過程的虛擬表示。數(shù)字孿生允許制造商模擬和分析生產(chǎn)過程，識(shí)別瓶頸，并在生產(chǎn)物理產(chǎn)品之前進(jìn)行改進(jìn)。

智能制造有望通過提高效率、降低成本以及在供應(yīng)商、制造商和客戶之間實(shí)現(xiàn)新型協(xié)作來(lái)徹底改變制造業(yè)。然而，要充分發(fā)揮智能制造的潛力，就必須有強(qiáng)大的網(wǎng)絡(luò)安全基礎(chǔ)設(shè)施來(lái)保護(hù)敏感數(shù)據(jù)并確保系統(tǒng)安全可靠地運(yùn)行。汽車自動(dòng)化生產(chǎn)線如圖2所示。

圖2：汽車自動(dòng)化生產(chǎn)線

2 機(jī)器視覺技術(shù)對(duì)制造業(yè)產(chǎn)生的影響

2.1 機(jī)器視覺讓設(shè)備變得智能化

在制造業(yè)中植入機(jī)器視覺技術(shù)，可完全將檢測(cè)系統(tǒng)的優(yōu)點(diǎn)最大化，相應(yīng)產(chǎn)品加強(qiáng)自主檢測(cè)，及其處理加工制作中不合格產(chǎn)品，從而嚴(yán)格控制產(chǎn)品質(zhì)量，進(jìn)一步高效提升相應(yīng)產(chǎn)品質(zhì)量。并且機(jī)器視覺技術(shù)通過自主辨別與定位功能鎖定目標(biāo)物體，進(jìn)一步使加工制作的實(shí)踐工作效率有所提升。簡(jiǎn)言之，在智能化機(jī)器人中引入機(jī)器視覺技術(shù)，通過自動(dòng)化流水生產(chǎn)線加強(qiáng)產(chǎn)品堆放打包程序解析，傳統(tǒng)制造領(lǐng)域絕大多數(shù)時(shí)候需靠大量人力完成實(shí)際操控，產(chǎn)品體積或重量較重，需要大量人力、物力、財(cái)力方才能完成工作量，且整體工作效率低下，同時(shí)存在潛在安全風(fēng)險(xiǎn)。相反重載機(jī)器人代替人工完成上述工作操作，其中機(jī)器人裝備了機(jī)器視覺技術(shù)具備視覺功能，可迅速精準(zhǔn)獲取產(chǎn)品數(shù)據(jù)，經(jīng)過高效獲取數(shù)據(jù)與處理，致使產(chǎn)品堆放與打包直到成型能夠便捷高效完成工作。機(jī)器視覺使設(shè)備能夠通過使用相機(jī)和高級(jí)算法分析視覺數(shù)據(jù)來(lái)感知和解釋周圍環(huán)境。這使得設(shè)備能夠根據(jù)它們“看到”的內(nèi)容做出決策并采取行動(dòng)，從而使它們更加智能，能夠執(zhí)行物體識(shí)別、運(yùn)動(dòng)檢測(cè)和面部識(shí)別等任務(wù)。機(jī)器視覺是機(jī)器人、自動(dòng)駕駛汽車和智能家居設(shè)備等領(lǐng)域的一項(xiàng)關(guān)鍵技術(shù)，它可以讓設(shè)備更高效、更安全、更直觀地運(yùn)行。

2.2 機(jī)器視覺將多方技術(shù)融合

機(jī)器視覺技術(shù)探究與使用重點(diǎn)方向?yàn)槔酶鞣N技術(shù)大融合，完成視覺數(shù)據(jù)系統(tǒng)通用代碼，強(qiáng)化生產(chǎn)加工過程中智能處理機(jī)制的便捷性。從目前探究情況來(lái)講，對(duì)比人體視覺體系差距非常明顯，不能在極短時(shí)間內(nèi)升級(jí)智能化，但需以此為發(fā)展方向，創(chuàng)建局部性專用視覺系統(tǒng)，從而有效完備一般系統(tǒng)，其市場(chǎng)發(fā)展前景較好。而國(guó)內(nèi)生產(chǎn)制造業(yè)迅猛發(fā)展，進(jìn)一步刺激了機(jī)器視覺技術(shù)應(yīng)用訴求，如何順應(yīng)加工制造不同場(chǎng)合與訴求，則要加強(qiáng)機(jī)器視覺多方技術(shù)融合，從而使技術(shù)系統(tǒng)趨向于智能化與便捷化。尤其在靜止與瞬時(shí)視覺數(shù)據(jù)傳輸功能根本上，加強(qiáng)機(jī)器視覺、聽覺、嗅覺、觸覺的有機(jī)融合，進(jìn)一步增強(qiáng)制造業(yè)數(shù)據(jù)收集與處理能力，綜合多傳感器融合技術(shù)，方才能讓制造效率穩(wěn)步提升，智能性能更加趨于人性化。

2.3 機(jī)器視覺與智能制造

機(jī)器視覺和智能制造是密不可分的關(guān)系，機(jī)器視覺作為一種重要的技術(shù)手段，可以在智能制造領(lǐng)域中發(fā)揮巨大的作用。智能制造是一種以人工智能技術(shù)為基礎(chǔ)，通過物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等技術(shù)手段實(shí)現(xiàn)生產(chǎn)流程的數(shù)字化、自動(dòng)化、智能化的制造方式。而機(jī)器視覺作為智能制造中的一個(gè)重要技術(shù)手段，可以實(shí)現(xiàn)對(duì)生產(chǎn)過程中各個(gè)環(huán)節(jié)的自動(dòng)化檢測(cè)、精度測(cè)量和數(shù)據(jù)采集等功能，從而實(shí)現(xiàn)智能制造的各項(xiàng)目標(biāo)。在智能制造中，機(jī)器視覺技術(shù)可以應(yīng)用于生產(chǎn)線的生產(chǎn)過程監(jiān)控、生產(chǎn)設(shè)備的故障診斷、產(chǎn)品質(zhì)量的檢測(cè)與控制、數(shù)據(jù)分析與處理等多個(gè)領(lǐng)域，從而提高生產(chǎn)效率、降低生產(chǎn)成本，并且保證產(chǎn)品的質(zhì)量和安全性。同時(shí)，機(jī)器視覺技術(shù)的不斷發(fā)展也進(jìn)一步推動(dòng)了智能制造的發(fā)展，特別是在深度學(xué)習(xí)、機(jī)器學(xué)習(xí)和圖像識(shí)別等方面的應(yīng)用，讓機(jī)器視覺能夠更加智能化、自適應(yīng)、自我學(xué)習(xí)，從而進(jìn)一步提升智能制造的水平和能力。因此，可以說(shuō)機(jī)器視覺技術(shù)是智能制造中不可或缺的一部分，兩者的相互融合將為制造業(yè)的未來(lái)發(fā)展帶來(lái)更加廣闊的空間和機(jī)遇。

以下是機(jī)器視覺在智能制造中的應(yīng)用：

（1）檢測(cè)和排序：機(jī)器視覺可以用于自動(dòng)檢測(cè)生產(chǎn)線上的產(chǎn)品，并根據(jù)其特征進(jìn)行分類和排序，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

（2）質(zhì)量控制：機(jī)器視覺可以檢測(cè)產(chǎn)品表面的缺陷、裂紋、變形等問題，并及時(shí)識(shí)別和處理，從而保證產(chǎn)品質(zhì)量。

（3）精度測(cè)量：機(jī)器視覺可以通過對(duì)圖像進(jìn)行測(cè)量和分析，實(shí)現(xiàn)高精度的測(cè)量和檢測(cè)，例如測(cè)量產(chǎn)品尺寸、重量等參數(shù)。

（4）系統(tǒng)監(jiān)控：機(jī)器視覺可以用于監(jiān)控整個(gè)生產(chǎn)系統(tǒng)的運(yùn)行情況，例如檢測(cè)設(shè)備的故障和異常情況，并及時(shí)發(fā)出警報(bào)。

（5）安全檢測(cè)：機(jī)器視覺可以檢測(cè)生產(chǎn)線上的危險(xiǎn)物品或者檢測(cè)人員是否穿戴了安全裝備，從而提高生產(chǎn)線的安全性。

（6）智能分揀：機(jī)器視覺可以對(duì)產(chǎn)品進(jìn)行快速分揀，例如對(duì)快遞包裹進(jìn)行自動(dòng)分揀和歸類。

（7）節(jié)能環(huán)保：機(jī)器視覺可以用于能源和環(huán)境監(jiān)測(cè)，例如檢測(cè)能源消耗情況和環(huán)境污染情況，從而實(shí)現(xiàn)節(jié)能環(huán)保的目標(biāo)。

3 機(jī)器視覺在智能制造中的應(yīng)用

3.1 尺寸測(cè)量

目前，制作技藝不斷成熟，工業(yè)產(chǎn)品中超大型構(gòu)件外形設(shè)計(jì)更加繁雜。因超大型構(gòu)件體積與重量受限，不方便轉(zhuǎn)移，而傳統(tǒng)測(cè)量方法有無(wú)法精準(zhǔn)采集信息。而機(jī)器視覺測(cè)量技術(shù)利用光學(xué)成像、數(shù)字圖像處置、計(jì)算機(jī)圖形學(xué)無(wú)接觸測(cè)量方法，已形成較為系統(tǒng)理論基礎(chǔ)，且測(cè)量范疇較大，通過傳統(tǒng)測(cè)量方式比較分析講述，呈現(xiàn)出較高測(cè)量精準(zhǔn)度。此外，視覺檢測(cè)方式依照多種光照方式，及與幾何間牽連性，隨即分成了被動(dòng)視覺探測(cè)與主動(dòng)視覺檢查。其原先圖像依靠被動(dòng)視覺探測(cè)，又在工業(yè)生產(chǎn)環(huán)境中無(wú)法全部截取顯著特性信息；相反主動(dòng)檢測(cè)方法可獲取想要的特點(diǎn)數(shù)據(jù)，能最大程度的避免立體特性不吻合難題，因此工業(yè)檢測(cè)中被普及使用。而主動(dòng)視覺檢測(cè)方法涵蓋了激光測(cè)量間距、云紋干涉方法、便捷三角形法、結(jié)構(gòu)光與時(shí)差方法等。比如：少數(shù)技術(shù)員提議物體測(cè)量方式采取結(jié)構(gòu)光視覺傳感器，可將超大型工件結(jié)構(gòu)光通過三維視覺檢測(cè)出來(lái)。且在結(jié)構(gòu)光方式測(cè)量程序中，在結(jié)構(gòu)光平面上附著靶標(biāo)基準(zhǔn)坐標(biāo)點(diǎn)困難重重，不可精準(zhǔn)獲取空間坐標(biāo)。此測(cè)量方式操作中，可通過雙重交比不改變結(jié)構(gòu)光視覺傳感器鎖定目標(biāo)方法，且明確對(duì)應(yīng)的靶標(biāo)，方才能有效解決上述問題。

視覺測(cè)量一般包含以下幾個(gè)步驟：

（1）圖像采集：這是使用相機(jī)或其他成像設(shè)備從現(xiàn)實(shí)世界中捕捉圖像的過程。獲取的圖像通常經(jīng)過預(yù)處理以校正任何失真或噪聲。

（2）圖像處理：此階段涉及將原始圖像數(shù)據(jù)轉(zhuǎn)換為可用于測(cè)量的形式。這通常涉及將圖像轉(zhuǎn)換為二進(jìn)制格式，其中感興趣的對(duì)象根據(jù)其強(qiáng)度值與背景區(qū)分開來(lái)。

（3）特征提取：在這個(gè)階段，提取圖像中物體的相關(guān)特征，并以可用于測(cè)量的方式表示。這可能涉及找到對(duì)象的邊緣或角落，識(shí)別它們的形狀或大小，或者確定它們的方向或位置。

（4）測(cè)量：這是使用提取的特征執(zhí)行所需測(cè)量的階段。這可能涉及確定物體之間的距離、計(jì)算它們的大小或體積，或者估計(jì)它們的位置或方向。

（5）輸出：測(cè)量結(jié)果以合適的格式輸出，例如帶有注釋或數(shù)值的圖像。

測(cè)量及顯示如圖3所示。

圖3：測(cè)量及顯示

3.2 物體定位

傳統(tǒng)制造業(yè)日常操控流程正在被工業(yè)機(jī)器人悄然改變，比如：焊接、搬運(yùn)、裝配等工作流程。而通過現(xiàn)代工業(yè)機(jī)器人操控程序來(lái)看，需提前設(shè)定相應(yīng)程序，隨后啟動(dòng)后按照既定步驟完成工作。但固定零件姿態(tài)與相對(duì)應(yīng)位置機(jī)器人無(wú)法正確辨別與操控，從而導(dǎo)致實(shí)際加工位置與零件擺放位置偏移，機(jī)器人無(wú)法依照事先設(shè)定好的程度完成加工制：作工作。當(dāng)機(jī)器視覺技術(shù)以及便捷的機(jī)器操手臂面世后，上述問題迎刃而解，且加快了智能制造業(yè)的可循環(huán)發(fā)展。

常用的物體定位主要有以下幾種：

（1）Blob 分析：Blob 分析是一種根據(jù)對(duì)象的大小、形狀和顏色來(lái)識(shí)別和跟蹤對(duì)象的方法。該方法可用于定位圖像中的對(duì)象，常用于產(chǎn)品檢測(cè)和跟蹤等應(yīng)用。

（2）邊緣檢測(cè)：邊緣檢測(cè)是一種檢測(cè)圖像內(nèi)對(duì)象邊界的方法。此方法可用于定位對(duì)象并確定它們的方向和形狀。邊緣檢測(cè)常用于機(jī)器人引導(dǎo)和質(zhì)量控制等應(yīng)用中。

（3）基于特征的定位：基于特征的定位是一種基于獨(dú)特特征（例如角或紋理）來(lái)定位對(duì)象的方法。此方法可用于定位圖像中的對(duì)象并跟蹤它們隨時(shí)間的移動(dòng)?；谔卣鞯亩ㄎ煌ǔＳ糜诋a(chǎn)品跟蹤和機(jī)器人技術(shù)等應(yīng)用中。

（4）模板匹配：模板匹配是一種根據(jù)對(duì)象與預(yù)定義模板的相似性來(lái)定位對(duì)象的方法。該方法可用于定位圖像中的對(duì)象，常用于產(chǎn)品檢測(cè)和跟蹤等應(yīng)用。

（5）深度學(xué)習(xí)：深度學(xué)習(xí)是一種使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像模式的對(duì)象定位方法。該方法可用于定位和識(shí)別圖像中的對(duì)象，常用于對(duì)象識(shí)別和圖像分類等應(yīng)用。

機(jī)器視覺中物體定位方法的選擇將取決于應(yīng)用的具體要求和被定位物體的類型。通過使用適當(dāng)?shù)姆椒?，機(jī)器視覺系統(tǒng)可以準(zhǔn)確、高效地定位和跟蹤物體，為決策和控制提供有價(jià)值的信息。Blob 分析定位法如圖4所示。

圖4：Blob 分析定位法

3.3 零件檢測(cè)

3.3.1 存在性檢測(cè)

存在性檢測(cè)主要針對(duì)特殊部件、圖案或整體物體的存在性。尤其在生產(chǎn)流程中，少數(shù)環(huán)節(jié)漏洞或制作缺陷造成零件遺失，導(dǎo)致產(chǎn)品質(zhì)量不達(dá)標(biāo)，待到下步環(huán)節(jié)或出廠前挑出完成問題處置。等到初期圖像采集與分析后，通過分辨方法顯著目標(biāo)檢測(cè)計(jì)算，結(jié)果查看是否是顯著目標(biāo)既定結(jié)果。比如：部分技術(shù)員提議借助顯著目標(biāo)存在性檢測(cè)算法，利用中心周邊直方圖計(jì)算顯著圖，截取目標(biāo)范圍與圖像中心點(diǎn)間距、目標(biāo)范圍位置分布方差、目標(biāo)范圍在圖像邊緣分布、目標(biāo)范圍分布熵、圖像顯著圖的直方圖等特性實(shí)施分類，隨之使用投票方法來(lái)明確輸入圖片有沒有包括顯著目標(biāo)。

機(jī)器視覺檢查是否存在零件是機(jī)器視覺技術(shù)的一種特定應(yīng)用，涉及使用相機(jī)和圖像處理來(lái)檢查特定組件或物體是否存在于給定區(qū)域或組件中。該過程通常涉及使用一個(gè)或多個(gè)相機(jī)捕獲該區(qū)域的圖像，然后使用可以檢測(cè)和定位感興趣部分的專用軟件分析圖像。

為了確定零件是否存在，系統(tǒng)將捕獲圖像的特征與預(yù)定義圖像進(jìn)行比較，該圖像顯示零件存在時(shí)該區(qū)域應(yīng)該是什么樣子。如果零件存在，系統(tǒng)將識(shí)別它并發(fā)出信號(hào)表明它已被檢測(cè)到。如果零件丟失，系統(tǒng)將發(fā)出警報(bào)，指示零件不存在。這種類型的檢查通常用于制造和裝配線，以確保零件正確組裝或出現(xiàn)在最終產(chǎn)品中。它可以幫助提高效率、減少缺陷并確保最終產(chǎn)品的質(zhì)量。機(jī)器視覺檢測(cè)焊點(diǎn)如圖5所示。

圖5：機(jī)器視覺檢測(cè)焊點(diǎn)

3.3.2 表面缺陷檢測(cè)

表面缺陷檢測(cè)主要針對(duì)二維平面元素，具體包含了孔洞、污漬、劃痕、開裂、亮點(diǎn)、暗點(diǎn)等經(jīng)常遇見的外表面劃傷，勢(shì)必對(duì)產(chǎn)品質(zhì)量與使用安全形成負(fù)面影響，而精準(zhǔn)辨別問題產(chǎn)品至關(guān)重要。在后續(xù)探究中，少數(shù)技術(shù)員提議獲取系統(tǒng)需借助CCD 圖像，將電荷耦合器件CCD 完美的于實(shí)踐相融合，采取熒光磁粉無(wú)損檢測(cè)技術(shù)，進(jìn)一步完成CCD 圖像采集工作，緊接著采用關(guān)聯(lián)計(jì)算方法，更好的完成圖像處置與模式辨別工作，進(jìn)一步檢測(cè)外表面問題種類與程度。

缺陷檢測(cè)一般用以下幾種方法：

（1）圖像預(yù)處理-這些技術(shù)涉及圖像處理操作，例如閾值處理、過濾和分割，以將缺陷與圖像的其余部分隔離開來(lái)。

（2）模板匹配-此方法將參考圖像與目標(biāo)圖像進(jìn)行比較以定位差異并識(shí)別缺陷。

（3）機(jī)器學(xué)習(xí)技術(shù)——這些技術(shù)使用決策樹、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)等算法來(lái)檢測(cè)基于訓(xùn)練數(shù)據(jù)的缺陷。

（4）特征提取——這種方法涉及從圖像中提取特征，例如邊緣、形狀和紋理，并使用它們來(lái)檢測(cè)缺陷。

（5）光流分析-這種方法使用圖像中像素的運(yùn)動(dòng)來(lái)識(shí)別變化和檢測(cè)缺陷。

（6）立體視覺-這種方法使用兩個(gè)相機(jī)從略微不同的角度捕捉圖像，然后使用三角測(cè)量來(lái)確定每個(gè)像素的深度并檢測(cè)缺陷。

（7）基于模型的技術(shù)——這些技術(shù)涉及使用數(shù)學(xué)模型來(lái)表示理想產(chǎn)品并將其與目標(biāo)圖像進(jìn)行比較以檢測(cè)缺陷。

機(jī)器學(xué)習(xí)檢測(cè)樣品砂孔如圖6所示。

圖6：機(jī)器學(xué)習(xí)檢測(cè)樣品砂孔

3.4 圖像識(shí)別

圖像識(shí)別利用圖像處置、解析與理解功能完成相應(yīng)工作，而機(jī)器視覺技術(shù)可精細(xì)化判斷出某類預(yù)先設(shè)置目標(biāo)或物體模型。而工業(yè)領(lǐng)域常見的條形碼與二維碼，過去則通過NFC標(biāo)簽等載體截取數(shù)據(jù)，需離產(chǎn)品較近方才能讀取。伴隨著工業(yè)攝像機(jī)等硬件設(shè)施升級(jí)，二維碼等標(biāo)識(shí)能夠較遠(yuǎn)距離被讀取或辨別，同時(shí)攜帶大量數(shù)據(jù)，也可把全部產(chǎn)品信息生成二維碼，且不同聯(lián)網(wǎng)查詢數(shù)據(jù)。

圖像識(shí)別技術(shù)也稱為計(jì)算機(jī)視覺，是機(jī)器從圖像或視頻中解釋和理解視覺數(shù)據(jù)的能力。該技術(shù)依靠高級(jí)算法和機(jī)器學(xué)習(xí)模型來(lái)識(shí)別和分類數(shù)字圖像或視頻中的對(duì)象、場(chǎng)景和模式。圖像識(shí)別技術(shù)的應(yīng)用范圍從識(shí)別照片中的人臉、識(shí)別車牌和分析醫(yī)學(xué)圖像，到實(shí)現(xiàn)自動(dòng)駕駛汽車和提高工業(yè)自動(dòng)化。得益于海量訓(xùn)練數(shù)據(jù)的出現(xiàn)、更強(qiáng)大的計(jì)算能力以及深度學(xué)習(xí)技術(shù)的突破，該技術(shù)近年來(lái)發(fā)展迅速。二維碼識(shí)別如圖7所示。

圖7：二維碼識(shí)別

3.5 物品分類

物品分類指的是將圖像或視頻中的物品自動(dòng)分類為不同的類別。這是許多應(yīng)用程序的關(guān)鍵部分，例如智能監(jiān)控、醫(yī)療圖像分析、無(wú)人駕駛汽車、機(jī)器人視覺和自然語(yǔ)言處理。機(jī)器視覺實(shí)現(xiàn)物品分類需要進(jìn)行數(shù)據(jù)采集與預(yù)處理、特征提取、模型訓(xùn)練、模型評(píng)估和模型部署等步驟。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，機(jī)器視覺的物品分類效果不斷提升，越來(lái)越多的應(yīng)用程序正在使用這種技術(shù)。

以下是機(jī)器視覺實(shí)現(xiàn)物品分類的方法：

（1）數(shù)據(jù)采集與預(yù)處理：收集足夠數(shù)量的具有代表性的圖像數(shù)據(jù)集，并進(jìn)行數(shù)據(jù)清洗、增強(qiáng)、標(biāo)注等預(yù)處理操作。

（2）特征提取：使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等模型提取圖像特征。CNN 是一種特殊類型的神經(jīng)網(wǎng)絡(luò)，它能夠從原始像素值中自動(dòng)提取高級(jí)特征，這些特征能夠很好地用于物品分類。

（3）模型訓(xùn)練：使用已經(jīng)提取的特征進(jìn)行監(jiān)督學(xué)習(xí)，訓(xùn)練一個(gè)分類器。常見的分類器包括支持向量機(jī)（SVM）、隨機(jī)森林（Random Forest）和神經(jīng)網(wǎng)絡(luò)等。

（4）模型評(píng)估：使用測(cè)試數(shù)據(jù)集評(píng)估分類器的性能，并根據(jù)評(píng)估結(jié)果進(jìn)行調(diào)整和優(yōu)化。

（5）模型部署：將訓(xùn)練好的分類器部署到實(shí)際應(yīng)用中，進(jìn)行物品分類。

香蕉和橙子識(shí)別分類如圖8所示。

圖8：香蕉和橙子識(shí)別分類

4 結(jié)束語(yǔ)

總而言之，在制造業(yè)以機(jī)器代替人工發(fā)展歷程中，其中機(jī)器設(shè)備智能化進(jìn)程與機(jī)器視覺技術(shù)高速發(fā)展息息相關(guān)。正因機(jī)器視覺技術(shù)能夠更有利于企業(yè)降低污染，同時(shí)以極少投入獲取高收益的工具，由此不難發(fā)現(xiàn)，伴隨著機(jī)器視覺技術(shù)朝著越來(lái)越成熟方向發(fā)展，勢(shì)必在將來(lái)的工業(yè)制造企業(yè)中獲得前所未有普及應(yīng)用。