機器視覺在智能制造中的應用與產業發展

衛晶

摘要：在我國推進制造強國的發展過程中，智能制造是十分重要的途徑，在這之中機器視覺技術成為了智能制造的核心技術。在本文的論述中從技術概念出發，論述了機器視覺技術在智能制造領域中的應用以及產業發展。

關鍵詞：機器視覺;智能制造;應用;產業發展

引言

我國是一個世界制造大國，但還不是制造強國，存在的突出問題主要在于自主創新能力不強、資源利用效率低等，產業結構調整刻不容緩，智能制造（SmartManufacturing，SM）為我國制造業跨越發展、實現制造強國目標提供了歷史性機遇[1]。人工智能（ArtificialIntelligence，AI）與先進制造技術融合發展，促進了制造業向人-信息-物理系統（Human-Cyber-PhysicalSystems，HCPS）的新一代智能制造的轉型升級。制造業信息化專家、中國工程院院士李培根認為智能制造的本質和真諦是利用大數據、AI等先進技術認識和控制制造系統中的不確定性問題，以達到更高的目標。發達國家紛紛運用工業大數據、物聯網、云計算、工業網絡安全、虛擬現實（VirtualReality，VR）、工業機器人、3D打印、AI、知識工作自動化等信息網絡技術大力發展智能制造。由此，新一輪工業革命席卷全球。

1、技術概念

機器視覺技術是一項覆蓋多領域學術技術的科學技術[1]。對機器視覺技術的理解，首先要談到人類視覺。人類視覺是引發機器視覺研究的基礎。機器視覺模擬人的視覺感官，以求實現如人一樣的對面前事物進行分辨，從而替換人力，嵌入機器設備而使之改造升級。需重點提出的是，機器視覺不僅能仿人類視覺能力，同時還能對所“見”物體展開精確測量與定位等更高級的操作，它在某種意義上超越了人的視覺。

目前，CCD攝像機是機器視覺技術得以產生價值的關鍵。機器視覺技術發揮功能就在于要對信息進行提取，而CCD攝像機就像是它的瞳孔，為它進行提取信息、監測信息等操作。CCD攝像機所獲得信息都是以數據的形式收入電子信息軟件，然后實現以信息技術為依托的全方位檢測。可以說，CCD攝像機為機器視覺技術的操作平添了信息提取力，而信息技術則為它平添了超強的判斷力、數據分析力。

2、機器視覺在智能制造中的應用

2.1、定位和引導

定位和引導技術是自動導引小車的核心技術之一。機器視覺在定位和引導中起重要作用，近年來，無預設參照介質的同步定位與建圖技術得到迅猛發展。與傳統磁條、射頻識別、激光反射板等導引技術不同，該技術不必預設參照物就能夠實現自主避障、自主規劃路徑，從而大幅度降低成本。

2.2、檢測

機器視覺檢測技術主要應用于目標表面缺陷檢測，傳統的缺陷檢測主要是從形狀、顏色、面積、圓度、角度、長度、寬度、長寬比等信息來確定被檢測目標是否符合標準。隨著深度學習的發展與應用，視覺檢測在人眼難以直接量化的特征方面的表現尤其亮眼。南京航空航天大學開發了一套新型汽車表面缺陷檢測系統，使用5個CCD相機同步采集汽車5個側面的圖像，利用多尺度Hessian矩陣融合方法選取圖像中的缺陷區域，然后提取缺陷形狀、尺寸、統計量、散度特征并運用支持向量機識別缺陷類別，劃痕、凹陷識別率分別達97.1%、95.6%，適用于進口車輛海關檢測。

2.3、測量

機器視覺技術可以用來測量，根據相機的用量和設計位置，可以實現對二維平面圖像的采集，也可以實現對三維立體圖像的采集。傳統的2D圖像分析技術主要是提取灰度圖像的特征信息來測量目標物體的X-Y平面，無法測量目標物體的高度、厚度、曲率和體積等3D參數。與2D目標檢測相比，3D目標檢測結合了深度信息，能夠提供目標的位置、大小以及方向等空間信息，在自動駕駛、機器人領域應用廣泛。

2.4、識別

常見的視覺識別技術主要有光學字符識別、一維碼/二維碼識別技術、人臉識別技術、產品缺陷識別、分類識別等。其中，OCR技術已廣泛應用于食品標簽識別、票據識別、產品溯源、儀表讀數識別等領域，并且，機器視覺與深度學習技術相結合已能夠識別更為復雜的目標。

3、機器視覺產業

3.1、產業發展

20世紀50年代，人們開始研究二維圖像的統計模式識別;60年代，ROBERTS運用計算機程序從數字圖像中提取出諸如立方體、楔形體、棱柱體等多面體的三維結構并對物體形狀及物體的空間關系進行描述，開創了以理解三維場景為目的三維機器視覺研究;70年代中期，MIT人工智能實驗室正式開設“機器視覺”的課程，DavidMARR提出了著名的Marr理論;到了80年代，在全球范圍內掀起了一股研究熱潮，不僅出現了基于感知特征群的物體識別理論框架、主動視覺理論框架、視覺集成理論框架等概念，而且產生了很多新的研究方法和理論;90年代，機器視覺理論得到進一步的發展，同時開始在工業領域得到應用。早期的視覺算法大致可以分為特征感知、圖像預處理、特征提取、特征篩選、推理預測與識別5個步驟，不但需要手工設計特征，還要在此基礎上設計合適的分類器算法。卷積神經網絡（ConvolutionalNeuralNetworks，CNN）的出現，使得不需要手動設計特征、不挑選分類器的視覺系統得以實現。1998年深度學習網絡的最初原型LeNet被提出，2009年李飛飛教授建立了ImageNet數據集并于次年創辦了首屆ImageNet圖像識別挑戰賽，隨后AlexNet、VGG、GoogLeNet、ResNet模型分別在該賽事中奪冠，并涌現出一大批創業公司，大力推動了機器視覺的發展。時至今日，機器視覺獲得了蓬勃發展，新概念、新理論不斷涌現，基于深度學習的視覺系統已在工業界大量應用。

3.2、機器視覺在工業智能化生產中的發展趨勢

在工業智能化生產之中應用機器視覺技術，表現出如下優勢：（1）可以借助機器在非接觸的狀態下進行測量，也可以針對人工難以檢測的區域進行測量。（2）相比于人眼，機器對光的敏感度更高，可以用于人眼無法識別的紅外及微弱光的檢測，有效避免了人眼檢測的缺陷，在一定程度上拓展了人眼的視覺范圍。（3）機器與人不同，不會出現視覺疲勞，因此可以維持長期穩定的工作。（4）通過機器視覺技術的形式可以在一定程度上節約人力資源，為企業節約生產成本，以實現增收的目的。

一般而言，圖像采集的速度直接取決于硬件的處理速度，如果硬件的質量較高，則可以在一定程度上減小對主機造成的負擔，讓系統的圖像分辨率、采集率和圖像處理速度得到切實提升。此外，軟件的質量也十分關鍵，通過高質量的軟件可以切實提升機器的命令執行速度，讓圖像處理效率得到充分保障;其次，要求積極研制具有良好適應性且效率較高的智能算法，通過較為穩定高效的智能算法，讓系統的分析處理速度得到切實提升，實現對于復雜環境中系統抗干擾能力的充分改善，讓系統的即時性和穩定性得到切實提升，同時，強化系統的環境適應性和魯棒性能。

4、結語

時至今日，機器視覺獲得了蓬勃發展，對新一代智能制造的轉型升級和發展起了重要的推動作用。目前我國的機器視覺技術水平仍然有待提升，要對于這一技術繼續探索，努力攻克現存的技術難題，以促進其在工業制造領域中的智能化和自動化應用，為我國早日成為現代化科技強國奠定堅實的基礎。

參考文獻：

[1]鄭達.自主性的智能化藝術[J].畫刊，2020（10）：26-28.

[2]孫鄭芬，吳韶波.機器視覺技術在工業智能化生產中的應用[J].物聯網技術，2020，10（08）：103-105+108.