機器視覺研究進展及工業應用綜述

李祥瑞

（北華大學材料科學與工程學院，吉林 吉林 132013）

1 緒論

近年來，現代制造業正處于產業結構調整和轉型的階段，機器人被廣泛應用于電子、化工、醫藥、物流等各個領域之中。機器人的發展使工業生產越來越“智能”[1]。智能化的應用離不開各種傳感器的使用，視覺傳感器的應用十分廣泛，機器視覺技術也得到了快速發展。機器視覺技術涉及人工智能、圖像處理、模式識別等諸多前沿領域，具有效率高，出錯率低、實現功能多等特點[2]。機器視覺技術的主要功能是利用相機、計算機等設備模擬人的視覺對所需測量的對象進行識別和判斷，從而實現如檢測、測量、控制等操作，改變了傳統質量檢測時需要人工檢測的情況。典型的工業機器視覺應用系統應包括光源，鏡頭，圖像采集卡，圖像處理單元，通信單元、圖像處理軟件等[3]，如圖1所示。

圖1 工業機器視覺系統的組成部分

本文主要對機器視覺的發展現狀、相關核心技術以及在工業中的應用進行總結和分析，并對其發展趨勢進行展望。

2 機器視覺技術發展現狀

機器視覺在中國的發展較晚，在20世紀90年代才有少數的機器視覺技術公司成立，但是在較長的時間內，機器視覺技術在很多行業尚未普及，開發出的機器視覺系統例如表面缺陷檢測、車牌識別等也存在著功能單一、準確性不足等問題。目前，機器視覺技術在歐美、日本等發達國家的發展較為成熟，應用也較為廣泛，主要應用于半導體行業和電子行業，比如PCB印刷電路、電子封裝技術與應用等領域[4]。而我國此類行業還屬于新型產業，機器視覺技術的應用較外國相比具有一定差距。但近年來，隨著相關政策的支持與理論實踐積累，我國已經取得了一定的成果并進入到機器視覺發展的高速階段。機器視覺技術已經慢慢融入國內的半導體、電子制造、印刷、新能源、汽車制造等領域，但現階段應用的場合仍十分有限，需要進行更多的嘗試與開發。

3 機器視覺系統的組成

從硬件和軟件兩個方面對機器視覺系統進行分析。硬件主要有照明系統、成像系統等。硬件部分的主要功能是實現圖像的采集，軟件部分則主要是對采集到的信息進行相應的處理，從而得到檢測結果。

3.1 硬件

照明系統的作用主要是將外部光以合適的方式照射到被測目標上，從而減小圖像中的干擾并增強某一特征，使圖像更容易被鏡頭檢測，提高系統的識別效率。然而由于根據檢測目標、檢測特征、檢測背景、檢測材質等的不同，要選取不同的照明方案，從而得到最佳效果。不同的光源的顏色、波長、亮度能耗等因素不僅相同，在機器視覺中使用的光源主要有氙燈、LED、熒光燈、激光鹵素燈等。常見的光源性能如表1[5]所示。光源的使用還要考慮到光源的角度、位置等因素。在機器視覺系統中除了光源的選取，還應考慮檢測物體的位置，物體表面紋理，物體的形狀等因素。

表1 光源對比

成像系統主要包括鏡頭、工業相機和圖像采集卡等設備。鏡頭的主要作用是將收集到的光線聚焦在相機芯片的光敏面陣上。鏡頭選取的過程中要考慮工作距離、視距、景深等因素。圖像成像的質量很大程度上取決于鏡頭的質量。由鏡頭因素導致的圖像失真很難在后續步驟中進行恢復，因此鏡頭質量的好壞直接影響系統的整體性能。工業相機的主要功能是將光信號轉化為電信號，在實際工業應用中，主要將光信號轉化為數字信號。常用的工業相機有CCD相機和CMOS相機。CCD相機成像質量好，但成本較高。CMOS相機能耗低，數據傳輸速度快。根據相機傳感器的結構性能劃分，工業相機又可劃分為面陣式和線陣式兩種。面陣式相機每次獲得完整的一幅圖像，因此獲得的圖像直觀。線陣式相機通過逐行掃描的方式獲得完整的圖像，分辨率較高。除了相機成像，還需考慮響應速度、系統精度、識別范圍等因素。圖像采集卡是圖像采集部分和圖像處理部分的中間環節，其主要作用是進行數據的傳輸和通信[6]。

3.2 軟件

軟件部分，國內外諸多專家對圖像識別和處理算法進行了深入研究，已經形成諸多成熟的圖像處理算法，同時也催生出很多功能強大的機器視覺軟件。如美國Intel公司開發的OpenCV開源圖像處理庫。德國MVTec公司開發的HALCON機器視覺算法包等。這些軟件往往具有操作簡單、擴展性良好、界面簡介、軟硬件兼容等特點，因此得到了廣泛應用。基于以上強大的機器視覺軟件進行圖像處理和分析應具有以下步驟：圖像預處理、定位與分割、特征提取、模式分類、圖像理解等步驟。圖像信號處理是機器視覺技術的關鍵，很多成熟的機器視覺算法可以直接應用。現在的機器視覺算法已經不局限于單一特征的識別。并且現在深度學習、神經網絡等對機器視覺算法進行完善和升級，使機器視覺技術和算法的運行速率、準確性和魯棒性得到大幅提升。

4 機器視覺技術應用

機器視覺最大的優勢是與被檢測對象無直接接觸，不會損傷被觀測對象。與此同時，隨著圖像處理技術的不斷完善，機器視覺技術應用的場合越來越廣泛。但根據需要識別進行判斷的參數不同，所進行的數據分析以及采用方法也有所差異。本文主要從3個應用場合來介紹機器視覺技術應用。

4.1 表面瑕疵檢測

基于機器視覺的表面缺陷自動檢測是自動化生產中產品質量保障的一個重要環節。表面缺陷檢測是指利用相機等視覺傳感器對產品表面的缺陷瑕疵進行成像，并通過圖像處理技術對圖像進行處理，從而得到有無瑕疵、瑕疵位置、瑕疵數量、瑕疵類型等數據，進而可以對瑕疵產生原因進行分析。機器視覺在表面瑕疵檢測方面的應用可以有效地降低傳統人工瑕疵檢測的主觀性差異，能夠提高生產效率，降低生產成本。與此同時，在一些工作環境惡劣的場所中，機器視覺技術的使用可以更好的發揮其優勢。

產品的缺陷檢測一般分為圖像預處理、特征提取、缺陷確認和分類等步驟。基于機器視覺的缺陷檢測方法中基于圖像處理的缺陷檢測中的模板匹配的方法已經在工業檢測環節得到了應用實踐。例如，趙翔宇等[7]基于模板匹配的方法檢測印刷品的缺陷，將圖像歸邊運算添加到圖像預處理過程中，利用數學形態學對幀差結果圖進行處理，克服了在工業環境中的灰塵干擾和傳送震動干擾。孫光民等[8]提出一種針對帶鋼圖像的圖像二值化算法，對傳統算法中邊緣檢測、圖像分塊、連通域分析等過程進行了改進。改進后的算法在保持較高檢測正確率的同時，缺陷定位較于傳統缺陷檢測算法更加準確。然而在進行缺陷確認時，由于工業生產時所得到的數據影響因素較多，難以得到“標準”的圖像，因此傳統的圖相匹配等方法難以使用，因此常常采用圖像分割的方法實現瑕疵區域的定位。周宇[9]等將采集到的圖像進行分塊并變成列向量，再使用列向量矩陣進行RCDA維數約減，對約減后的特征進行支持向量機訓練與測試，得到圖像塊分類結果，最后將塊分類矩陣變形成二值分割圖，得到死節缺陷目標。此外，深度學習在產品表面瑕疵的檢測中也得到了廣泛應用，大大提高了缺陷檢測的準確性。表現瑕疵與表面紋理的檢測原理相似。

4.2 智能裝配與分揀

裝配一直是工業生產中不可或缺的環節，傳統的人工裝配已經不能滿足一些裝配精度的要求，如晶體管的焊接等。因此裝配機器人應運而生。傳統的裝配機器人一般按照離線編程方式工作，難以適應環境變化。而機器視覺的加入可以使裝備機器人更加智能化。裝配機器人應用機器視覺的方式有很多種，使用三維視覺可以更加準確的進行識別。王帥等[10]提出了一種基于Hough變換的底座表面原型特征識別算法和基于鏈碼的姿態識別算法，實現了工業機器人底座與減速器的智能裝配。韓浩等[11]設計一種基于工業機器人裝配生產線，在智能裝配過程中，提出了一種改進型的二次匹配誤差法，首先進行粗略匹配，大幅度減少數據量，第二次則在第一次誤差最小點的鄰域內進行匹配，加快了識別速度。

智能裝配與分揀的在機器視覺的圖像識別方面原理類似，都是在識別完成之后對受控單元發布運行指令。例如，方小明等[12]提出一種將圖像識別和區域斑點數目聯合識別的改進方法。提高了工業機器人的自適應性提高了工件的檢測和分選精度。機器視覺技術在智能裝配和分揀方便的應用，極大地提高了相關產業的智能化。

4.3 家居板件尺寸測量

我國一些制造業已經進入大規模集成化發展的階段，例如家具制造業。自動化流水線已經應用于加工各類家具模板，但尺寸測量仍需人工測量，這帶來了一定的誤差，也降低了生產效率。唐小松等[13]提出一種基于面陣相機的板件尺寸檢測機器視覺系統，實現了使用計算機計算圖像中幾何要素的尺寸。但是其檢測速度慢，精度低并且大尺寸板件檢測困難。肖書浩等[14]提出一種基于機器視覺的通用平面尺寸檢測系統，可以實現多個尺寸同時測量，但需要手動選定區域，沒有實現完全的自動化，難以高效率識別。鄧斌攸等[15]提出一種家居板件幾何測量系統，可以提取出板材的幾何要素且保持較高精度。機器視覺在家居板件尺寸測量方面的應用已經逐步成熟，自動化和智能化水平不斷提高。

5 結束語

機器視覺在近年來取得巨大進展，應用領域也逐漸擴展，提高了工業生產的自動化水平，但仍面臨著諸多挑戰。應用場景的復雜性而導致的可靠性和準確性的問題；圖像或視頻數據龐大而導致的運算速度問題；多傳感器使用時的同步問題、產品通用性不足的問題等。此外，在機器視覺領域中如鏡頭、芯片等器件還依賴于進口，國內企業所研制出的機器視覺系統穩定性有待提升。未來完整的機器視覺系統在工業中的使用集成化更高，處理速度更快；通用性能更強，能夠適應不同的工作環境；擁有更加完善的數據庫，能夠更加準確地進行識別；與不同傳感器的信息能夠更好的貼合，穩定性更強；在圖像捕獲和處理方面基于三維圖像上探究。此外，與人工智能的融合可以更好地提高其智能性和學習能力。