機器視覺技術在制造企業中的應用研究

陳一銘， 李世寧， 劉長慶， 宋 林

（青州卷煙廠， 山東 青州 262500）

0 引言

近年來，生產制造企業智能化程度越來越高，深度學習、圖像識別和機器視覺等人工智能技術應用在產品的生產制造中，有效提高了制造工廠的智能化程度。機器視覺技術作為人工智能的關鍵技術，得到了應用廣泛。我國機器視覺技術起步晚，但市場潛力大。卷煙制造、物流運輸等企業紛紛將機器視覺技術引入到生產制造中，有些企業甚至成立了自己的研發中心，研發出屬于自己的核心技術，在實際應用中成效明顯，對于企業向智能化、數字化方向轉型，大幅度提高企業整體作業效率，增強生產質量把控能力，提高綜合競爭力起到非常重要的作用。

1 機器視覺技術概述

1.1 機器視覺技術

機器視覺技術用計算機來模擬人的視覺功能和大腦，通過采集設備獲取圖像信息并進行加工處理。涉及計算機科學、模式識別、自動化和通信工程等諸多領域。機器視覺把客觀世界中獲取的事物轉換成圖像信號，通過專門的圖像算法處理，提取出對改善工程系統有用的關鍵特征，根據結果輸出產生相關命令，對生產現場的設備進行控制。

1.2 機器視覺關鍵技術組成

機器視覺系統通常由圖像采集、圖像處理和執行部件三部分組成[1]。通過工業相機，配備合適的光源及鏡頭采集圖像。圖像處理部分是機器視覺系統的“大腦”。執行部件一般由控制單元和機械裝置組成。

1.2.1 圖像采集

采集圖像是機器視覺技術中非常關鍵的一步。采集圖像過程既要保證速度也要保證質量，為后面圖像的處理以及機器的控制打好基礎。首先，利用攝像頭進行圖像捕捉過程中，需要增加照明輔助設備來突出重要采集區域、提取出重要的圖像特征。在視覺系統應用過程中，被檢測對象不同，照明方向、角度就會不同，沒有一個通用、標準化的照明方案，需要具體情況具體分析。其次，利用工業相機進行圖像采集需要一個合適的鏡頭，鏡頭的好壞會直接影響目標的成像質量。

工業相機主要有CCD 和CMOS 兩種傳感器，由于其信號輸出方式不同，具有各自不同的優點和缺點。CCD 傳感器具有較高的成像質量，但是其制造成本較高。CMOS 雖然節約了制造成本，但同時造成了噪聲干擾。在機器視覺應用方面，目前使用較多的是成像質量更好的CCD 傳感器。

1.2.2 圖像處理

機器視覺系統中常見的圖像處理方法有圖像濾波、圖像增強和圖像分割等，在處理圖像過程中涉及到很多的算法模型，包括Canny 算法、Mask 均勻化和卷積神經網絡等。其中，卷積神經網絡在圖像識別分類中效果明顯，已被廣泛使用。

卷積神經網絡中包含卷積層、池化層和全連接層[2]。為了完成對復雜特征的提取，進一步增強卷積神經網絡的表達能力，通常使用非線性的激活函數。由于Sigmoid 函數存在計算量大等缺陷，近年來，使用比較多的函數有ReLU 激活函數、Softmax 函數等。其中，Softmax 函數用來解決多分類問題。卷積神經網絡的結構如圖1 所示。

圖1 卷積神經網絡的構成

另外，殘差網絡越來越多地應用到圖像的識別中來，在某些方面取得了不錯的效果。它是將殘差塊的概念加入到傳統卷積神經網絡上。殘差塊[3]可以將第一層的輸出直接作為最后一層的輸入，有效解決網絡層數堆疊帶來的模型錯誤率升高、準確率下降的難題。殘差塊如圖2 所示。

圖2 殘差塊

1.2.3 執行部件

執行部件是一些可驅動的機械裝置，主要包含機器人、電氣系統、液壓系統和傳輸系統等。在接到控制單元下達的命令后，具體執行某些特定的動作，完成相關功能。生產制造企業中常見的輸送帶報警器和運輸車的剔除裝置等都可以理解為機器視覺系統的執行部件。

1.3 機器視覺技術的特點

隨著機器視覺技術的不斷發展，已經具備了成熟的運作程序，并且在檢測精度、檢測能力等方面遠超人類。機器視覺技術具有以下鮮明的特點：

1）機器視覺技術具有較強的客觀性與公正性，能顯著降低人為因素對產品質量評估的影響。

2）機器視覺技術應用廣泛，對光譜的響應范圍大，通過機器視覺代替人眼，可擴大人類的檢測范圍，可在空間狹小、有害環境中代替人工工作。

3）機器視覺技術還具有長期性。安裝機器視覺軟硬件系統后，可以長期使用。

2 機器視覺技術的應用

2.1 產品缺陷檢測

生產制造行業生產的產品可能出現劃痕、透明紙破損、條盒包偏、破損、翹邊、異物和污漬等缺陷，這些缺陷不僅影響產品的美觀，還會對產品的壽命造成影響。現階段，仍有大部分企業采用人工抽檢的方式檢測產品缺陷。這對于中小企業而言，當任務少、產量小時，基本上能滿足企業生產要求。但是，當任務多，對產量和質量要求較高時，人工檢測速度慢、效率低、勞動成本高和工作強度大的缺點就會凸顯出來。這種傳統的缺陷檢測方式已經遠遠不能滿足現代企業對于高速生產化的需求。

隨著圖像處理和深度學習技術的不斷發展，機器視覺越來越多地應用到產品缺陷檢測中去，并取得很好的效果。常用的缺陷檢測方法包括圖像預處理、模板匹配、機器學習、特征提取、光流分析和立體視覺等。

2.2 倉儲盤點

隨著制造企業的立體倉庫不斷向智能化發展，倉庫管理水平不斷提升，高效率、高精準度的盤庫需求日益增加。經調研，目前制造企業的立體倉庫盤點[4]大多是人工手動進行，操作人員利用堆垛機將貨物取出盤點后再入庫，每個貨位的貨物需要經過出庫、入庫，或者操作人員系上安全帶，借助堆垛機將盤庫人員送到指定貨位。傳統的盤點方式效率低、安全性低，難度大。操作人員長時間在密閉、視線不好的環境中難免會出現盤點錯誤。將機器視覺技術應用到立體倉庫貨物的盤點，可以很好地解決上述問題，有效避免登高作業、提高工作效率和降低勞動強度。現介紹兩種利用機器視覺技術盤庫的方法。

1）利用無人機搭載工業相機根據層、列、排順序逐個貨位盤點。無人機技術目前已十分成熟，已被應用到生產制造、物流和軍事等領域。在庫存盤點應用中，這種方法易操作、精度高。但要注意無人機三維路徑的規劃，避免觸碰貨架，造成安全事故。

2）利用立體倉庫本身資源，在堆垛機的載貨臺上搭載工業相機，實現逐個貨位盤點。通過工業相機識別出的貨位狀態、條碼和貨位種類等信息，將這些數據返回給物流中心，并和WMS 上位信息進行關聯比對，實現異常貨位信息報警。這種盤庫方式能充分利用已有資源，及時將異常貨物取出到倉庫抽檢站臺，然后返回，繼續執行盤庫任務。堆垛機如圖3 所示。

圖3 堆垛機

2.3 物料輸送異常檢測

物料輸送及產品入庫時，會出現各種各樣的異常情況，通過人工發現問題，效果不太理想。從立體倉庫調取生產所需的原輔材料，若原輔材料輸送過程中出現卡碰情況，堆垛機將長時間停留在某一區域。由于立體倉庫的空間環境復雜，企業員工很難第一時間發現問題，導致材料不能及時到達指定位置，影響企業正常生產。另外，在產品入庫時，機械手碼垛過程中可能出現故障導致產品計數異常、位置異常，影響產品順利到達貨位。引入機器視覺技術，在關鍵區域進行圖像采集、處理并及時預警，能夠有效縮短發現問題的時間。

2.4 箱內缺盒檢測

生產制造中的產品往往要經過封箱工序，然后以箱為單位入庫。因設備或人為因素影響，會出現箱內缺盒的情況。可以采用稱重檢測、γ 射線掃描式檢測和機器視覺檢測等手段避免上述情況發生。

稱重檢測是一種常見的原理簡單、易維護的檢測裝置，但是，對于一些較輕的箱或稱重誤差較小時，容易造成錯誤檢測。γ 射線掃描式檢測檢測準確率很高、系統運行穩定，需要專業素質較高的操作人員進行維修保養。機器視覺技術是將工業相機安裝在封箱設備內部，對盒裝產品的入箱過程進行檢測，具有原理簡單、維護方便、檢測精度高和穩定性好等優點。

3 機器視覺技術存在的問題

機器視覺技術雖然在制造行業廣泛應用并取得顯著效果，但仍存在著以下問題：

1）高速運動目標的圖像獲取能力仍需提高[5]。實際生產環境中，受光線、電子耦合器性能等因素的影響，想要捕捉高速運動的目標，有一定的困難。

2）算法研究效率低。由于機器視覺檢測對象種類多、形態各異，一些通用的視覺系統難以滿足需求，需要不斷進行針對性的調整，阻礙了機器視覺技術在不同領域的應用推廣。

3）大規模數據樣本獲取較難。機器視覺技術應用過程中，深度機器學習模型的訓練需要大量數據作為支撐。在制造業實際生產環境中，能夠獲取的樣本數量較少，并且存在正負樣本比例不均的現象，不能滿足視覺系統的學習訓練需求，導致模型輸出結果不夠精準，影響機器視覺技術的整體效果。

4 展望

對于制造行業而言，運用機器視覺技術可節約生產成本和勞動力、提升企業生產效率和產品質量，實現安全檢測，有效避免因接觸設備造成的人身傷害。與此同時，機器視覺技術作為人工智能的關鍵技術，它的應用研究在很大程度上推動了智能制造的發展。目前，我國的機器視覺技術水平有待提升，在未來機器視覺應用研究中，專家學者應將構建穩定、可靠的圖像采集環境，將提取圖像中的物體特征作為研究重點，增加防護罩、采用紅外相機、提升電子耦合器性能以及改進特征提取算法等。加強對機器視覺系統使用前的適應性研究，提高系統的泛化性。研究如何獲得更多的生產制造數據樣本或者需要少量樣本的機器學習模型。相信，通過對機器視覺技術不斷進行研究與探索，我國生產制造企業的智能化水平一定會邁上一個新的臺階。