机器视觉详解：技术、应用与优势
机器视觉是赋予机器查看和解读视觉信息能力的技术。在制造业中，机器视觉系统自动完成传统上需要人工视觉的检测、测量和引导任务。本文解释了机器视觉的工作原理及其为何已成为现代制造业的必要条件。
什么是机器视觉？
机器视觉是指在工业应用中使用摄像机和图像处理提供基于成像的自动检测、过程控制和机器人引导。它涵盖捕获图像的硬件以及分析图像以做出决策的软件。
"机器视觉"一词特指工业应用，与更广泛的"计算机视觉"领域有所区别，后者包括自动驾驶汽车、医学成像和安防系统等非工业用途。机器视觉系统专为工厂环境的恶劣条件和严格要求而设计。
机器视觉的工作原理
机器视觉系统遵循一致的工作流程，将光线转化为可操作的决策：
- 图像采集：摄像机捕获被检测对象的图像。适当的照明确保相关特征可见。
- 图像处理：软件处理原始图像以增强特征、降低噪声并准备进行分析。这可能包括滤波、对比度调整或几何校正。
- 特征提取：算法识别和测量图像中的相关特征：边缘、形状、图案、颜色或特定特征。
- 决策制定：系统将提取的特征与定义的标准进行比较，做出通过/失败决定、测量或分类。
- 通信：结果传达给其他系统，包括PLC、机器人和数据库，以触发适当的操作。
核心技术
图像传感器
图像传感器将光线转换为电信号。现代机器视觉主要使用CMOS（互补金属氧化物半导体）传感器，具有出色的性能、低功耗和经济高效的制造优势。CCD（电荷耦合器件）传感器曾经占据主导地位，目前仍用于需要极高图像质量的专业应用。
照明
照明改变了摄像机看到物体的方式。不同的照明技术揭示不同的特征：
明场照明
显示表面颜色和纹理的直接照明。最常用于常规检测。
暗场照明
低角度照明使划痕和表面缺陷在深色背景上显得明亮。
背光照明
物体后方的光线创建轮廓，用于精确的边缘检测和尺寸测量。
结构光
投射在3D表面上变形的图案，实现高度和形状测量。
图像处理算法
传统机器视觉依赖工程师编程的算法方法：
- 边缘检测：查找不同强度区域之间的边界
- 斑点分析：识别和测量相似像素的连通区域
- 模式匹配：在图像中定位已知模式
- 形态学操作：处理形状以清理图像或提取特征
- 颜色分析：测量和比较各区域的颜色
- 几何测量：计算距离、角度、面积和位置
工业应用
检测与质量控制
机器视觉检查产品是否存在缺陷、污染以及是否符合规格。从检测半导体晶圆上的微观缺陷到检查汽车制造中的涂装质量，检测是最广泛的机器视觉应用。了解与AI计算机视觉方法的比较。
测量与计量
以生产速度进行非接触式尺寸测量。机器视觉可测量机械量规难以或无法到达的特征，且不会减慢生产速度或损坏精密产品。
识别
读取一维条形码、二维码（QR码、Data Matrix码）和文字（OCR/OCV）。实现产品跟踪、可追溯性以及验证产品上标记了正确信息。
机器人引导
视觉引导机器人使用摄像机定位零件并计算拾取或放置位置。这消除了对昂贵夹具的需求，使机器人能够处理零件摆放的变化。
机器视觉的优势
一致性
对每次检测应用相同标准。无疲劳、轮班间无差异、无主观判断。
速度
以人类不可能达到的速度检测：每分钟数百或数千个零件。
精确度
精确到微米级。检测肉眼不可见的缺陷。
文档记录
每次检测都会生成数据。图像和测量提供完整的质量文档。
全天候运行
持续运行，无需休息、病假或人员更替。生产运行时始终可用。
降低成本
降低劳动力成本、防止质量逃逸、减少废品。通常在几个月内收回成本。
传统机器视觉的局限性
尽管功能强大，传统机器视觉仍有局限性：
- 编程刚性：每项检测标准都必须明确编程。新的缺陷类型需要新的编程。
- 对变化敏感：当产品颜色、纹理或位置自然变化时，基于规则的系统会陷入困境。
- 设置复杂：编程有效的检测需要专业知识，通常需要大量调整。
- 适应性有限：更改产品或要求通常意味着大量的重新编程工作。
这些局限性推动了基于学习方法融入机器视觉系统，创建出结合传统算法精度与现代技术灵活性的混合系统。
机器视觉标准
行业标准实现了机器视觉组件之间的互操作性：
- GigE Vision：通过以太网传输视频的标准
- USB3 Vision：USB 3.0摄像机接口标准
- Camera Link：用于高要求应用的高带宽接口
- CoaXPress：使用同轴电缆的高速接口
- GenICam：摄像机的通用编程接口
选择机器视觉解决方案
评估适合您应用的机器视觉时，请考虑：
- 应用需求：究竟需要检测、测量或识别什么？
- 速度和吞吐量：系统必须以多快的速度运行？
- 精度要求：需要什么精度？
- 环境条件：工厂中的温度、振动、污染
- 集成要求：它将如何连接到现有系统？
- 支持和维护：谁来保持其正常运行？
来自Overview.ai等供应商的现代机器视觉平台将摄像机、处理和软件集成到专为轻松部署设计的统一系统中。这些平台将传统机器视觉能力与现代基于学习的技术相结合，同时提供精度和灵活性。