機器視覺檢測技術的典型應用探析

摘" 要：隨著視覺檢測技術的更新，目前新建的自動化生產線項目已多數引入視覺檢測技術。視覺檢測技術與生產線自動控制系統組合使用，能夠完成更加精準、更加復雜的生產控制工藝。引入視覺檢測技術的目的就是為提高生產效率和降低成本。該文針對上述現象分析視覺檢測技術方式與典型應用情況，希望通過分析可為有此需求的用戶提供參考。

關鍵詞：機器視覺；視覺技術；檢測技術；自動控制；典型應用

中圖分類號：TP391" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）01-0185-04

Abstract： With the update of visual inspection technology， most of the newly built automated production line projects have introduced visual inspection technology. The combination of visual inspection technology and production line automatic control system can complete a more precise and complex production control process. The purpose of introducing visual inspection technology is to improve production efficiency and reduce costs. This paper analyzes the visual inspection technology methods and typical applications based on the above phenomena， and hopes that the analysis can provide a reference for users who need this.

Keywords： machine vision; vision technology; inspection technology; automatic control; typical applications

人們感知外界信息的方式有多種，視覺就是其中的一種方式。人類能通過眼睛來感知光線的反射和折射，并且可以識別物體的形狀、顏色、大小等特征情況用于完成識別的過程。產品在生產時需要對其外觀是否有缺陷、定位等進行控制。這時通過引用視覺檢測技術便可對其進行處理。

1" 用戶典型需求情況

1.1" 保證產品外觀良好的需求

目前，大多數產品都要控制其外觀。生產的產品會根據合格樣本標準圖片或者標準要求來對比外觀（如產品本身是否有缺陷情況；待組合的整件產品，其中的每個零部件是否有缺漏的情況；產品印刷或包裝錯位情況；利用視覺引導定位、顏色識別、尺寸測量等情況）。由系統按照設定好的合格標準來控制。當檢測到不符合標準圖樣或標準設置的產品出現時，即作為不良品，由控制系統加以區分并嚴格控制。

1.2" 保證產品本體免受污染的需求

有幾類產品其對自身的潔凈度要求較高。當產品混入污染物后，會影響使用。這類受到污染的產品若是應用在設備上，會影響設備的使用壽命。若是應用在人體上，會影響人的健康。上述類似的2種情況是不允許出現的。當出現產品污染時，由控制系統對其區分并加以嚴格控制。

2" 選用視覺檢測方式與應用

2.1" 機器視覺使用介紹

機器視覺是人工智能在檢測領域上的一個分支，目前正在快速發展。其可定義為：機器視覺就是研究如何利用光學測量裝置來采用非接觸式傳感器自動及其連續的接收、處理所拍攝得到的真實場景的圖像，用以獲得所需要的信息來驅動（控制）其他部件動作或運動的過程[1]。簡單來說，機器視覺就是通過相機（攝像機）等傳感器將被測目標實時狀態信息轉換成圖像的信號，圖像經過處理（根據像素的分布、顏色、亮度等信息），轉換成為數字化信號，傳輸給控制器或PLC用于控制設備執行各項動作[2]。

2.2" 機器視覺圖像處理與應用

一是在圖像分析中，圖像質量的好壞直接影響識別算法的設計與效果精度，但由于噪聲及光照等外界環境或設備本身的原因，一般情況下，所獲取的原始數字圖像質量并不高，因此在設計使用檢測技術時，需要對圖像進行特征提取、邊緣檢測、圖像分割等操作[3]。但是，圖像在做最終處理的前期時，一般默認要對其原數字圖像進行預處理工作。目前應用的預處理流程基本為：灰度化→幾何變換→圖像增強處理。圖像增強處理基本過程如圖1所示。

在圖1中，具體進行各種處理前，原始圖像進行了傅里葉變換與逆變換。正是通過使用2種變換處理，再加上頻率域濾波處理才可以將原始圖片增強，便于后續使用[4]。傅里葉變換的應用非常廣，在圖像濾波、復原等都有所應用。傅里葉變換如式（1）所示

f（t）=A（f）φ（f）。（1）

一般在傅里葉變換中為了同時表示幅度A和相位φ，可采用復數形式，則式（1）可以表示為式（2）和式（3）

F（ω）=f（t）e-jωtdt， （2）

f（t）=F（ω）ejωtdω。" " " （3）

如果f（t）滿足傅里葉積分定理條件，那么式（2）的積分運算則稱為f（t）的傅里葉變換，式（3）的積分運算則稱為F（ω）的傅里葉逆變換。

二是在做圖像分割前，需先把圖像的邊緣和背景分離出來。這時才會知道圖像細節，并能夠認出圖像輪廓。機器視覺就是模仿這個過程，對待檢測物體的邊緣輪廓點進行粗略檢測[5]。圖像分割是在邊緣檢測的基礎上處理分析圖像的關鍵。引入圖像灰度直方圖。灰度直方圖是一個分布著灰度級的函數公式，就是統計圖像內分布著的灰度級。灰度直方圖就是把拍攝得到的數字圖像中的全部像素，按照其間灰度分布值的大小，統計其中出現的頻率現象。

直方圖的應用，展現出一個較為直觀的指標，其用于判斷出數字化圖像質量是否較為合理地使用了所有允許灰度值出現的范圍[6]。一般常用數字化的范圍是[0～255]，選擇灰度閾值所對應圖像的二值化，先假定出一幅圖像f（x，y），如圖2所示。

圖2中圖像的背景顏色處理后顯示是黑色，物體顏色處理后顯示為灰色。直方圖上面的左峰是由圖像背景黑色像素產生出來的，直方圖上面的右峰是由物體各部分灰度級產生出來的。因為物體邊界間的像素出現較少，故產生出一個谷區，這一谷區位于兩峰之間。利用這一谷區出現的灰度作為其閾值T，采用了式（4）對圖像做二值化的處理，進一步得到一幅二值圖像g（x，y）

g（x，y）=0 f（x，y）lt;t

1 f（x，y）≥T。（4）

閾值在直方圖上應用過程中對于峰谷明顯的情況下，不能保證能夠得到合理的閾值，對圖像全局閾值不易分割。于是，利用和像素位置關聯的閾值，采用坐標函數對圖像的多個部分進行分割，這類與坐標相關聯的閾值，被稱作動態閾值。這種算法，時間與空間的復雜性均較大，其抗干擾的能力強，適用于一些使用全局閾值分割不容易的圖像處理，可以有較好的處理效果。如圖3所示。

圖3（a）為原始圖像，由于硬幣表面的反光及打光的角度，圖像存在嚴重的光照不均勻現象[7]。如果只選擇一個全局閾值進行分割，那么將出現圖3（b）中的現象，當閾值較為低時，相對于明亮區效果會較好，而相對于暗區的效果會較差；當閾值高時，相對于暗區效果會比較好，而相對于明亮區的效果會較差。當采用局部閾值法時，則可分別在明亮區與暗區選擇不同的閾值[8]，能使得整體分割的效果比較好，其結果如圖3（c）所示。

三是當把圖像邊緣與背景分離出來后。若要知道圖像的細節，并能認出圖像的輪廓，需對其檢測邊緣，設置輪廓點進行測試，可把所有待測點位輪廓連起來，并同時檢測輪廓點位與連接遺漏邊界的點位，并且要去掉虛假的邊界點位[9]。邊緣檢測的基本算法有多種邊緣檢測算子，如圖4圓環外觀完整與缺陷對比所示，應用邊緣檢測對比圓環正常情況與邊緣點缺失判定產品為不良品。

圖4邊緣檢測可采用Sobel算子，按照教科書中使用其3×3兩個方向的算子模板，式（5）、式（6）對區域內的9個像素進行卷積，求和后得到此方向的邊緣檢測幅值，如式（7）所示

Gx=-1 0 1

-2 0 2

-1 0 1×f（x，y），" " （5）

Gy=-1 -2 -1

0" 0" 0

1" 2" 1×f（x，y），（6）

G=，" " " " " " （7）

式中：f（x，y）為圖像；Gx和Gy分別為水平方向和垂直方向算子的結果；G為最終得到的邊緣幅值。

圖5為生產包裝藥品的生產線，其生產線上的相機可以檢測出待包裝的藥品是否有缺漏、藥品顆粒是否有損壞、是否有異物混入情況。但是，如果藥品下方的包裝膜槽出現位移不準確（每次運行位移不固定、有偏差），會導致拍攝出來的圖像與設置合格檢測圖像出現明顯的差別，進而會導致產品多數判定為不合格品。

類似圖5的生產情況有很多，此類型的視覺檢測，需采用尋找圖片內位置跟隨功能，該應用可在拍攝出的圖片每張均不一樣的情況下，在區域內尋找出相似的區域邊緣，對其再行檢測控制。

四是若待測物體表面為圓柱體、異形體，需對其外觀上沾染異物、沾染臟污進行檢測時，使用上述檢測方式不能很好地檢測出沾染的異物與臟污情況。這時需要使用視覺檢測的自學習功能。該功能創建不合格檢測圖像數據庫，庫內存有多種不合格圖像信息，只要不合格圖像照片多，檢測出來的準確度就高。圖6為適用于自學習檢測的物體圖像。

由圖6可知，待檢測產品為圓柱體針筒，在保證使用安全上針筒是不允許沾染異物、臟污的。因為檢測相機只能拍攝其一個平面，或者是幾個位置的平面情況，無法做到很全面的檢測。這樣就會出現產品合格率很低或者很高的極端現象，然而與實際情況對比卻是相反的。這種情況使用檢測的自學習功能，提前將多張不合格圖像樣本錄入數據庫，經過模擬試驗，即可實現準確率大于95%的準確檢測。

2.3" 機器視覺系統控制與應用

典型的機器視覺系統一般包括以下部分。光源、鏡頭、工業相機、圖像采集板卡、視覺處理軟件、計算處理與驅動外部設備控制等，如圖7所示。

3" 應用注意事項

第一，平面上檢測物體尺寸，可采用與標準樣本圖像對比的方式。

第二，當檢測位置的位移可能會經常變化時，采用定位跟蹤功能。

第三，當有外部移動設備需要定點位置時，檢測拍攝只做定位，需外部增設定位點的信息，如二維碼、定位標識等。

第四，使用局部分別設置閾值方式可應用在一個平面內的多種物體檢測。

第五，非單一平面上檢測物體異物沾染時，可采用自學習功能或與其相同方式的檢測功能。

4" 結束語

本文結合理論與實際探析了視覺檢測技術的應用情況，以上應用總結可以在多種產品上使用。部分應用經過實驗測試效果良好。本文可供有此方面需要的人員參考。

參考文獻：

[1] 程光.機器視覺技術[M].北京：機械工業出版社，2019.

[2] 劉宇，侯北平.基于機器視覺的導體計數方法研究[J].科技與創新，2021（6）：82-83，85.

[3] 張舜德.光學輪廓術[M].北京：人民郵電出版社，2010.

[4] 馬晨，韓團軍，潘玉樺，等.基于STM32視覺識別的高精度激光控制系統設計[J].電氣傳動自動化，2021，43（2）：22-24.

[5] 劉亦晴.工業機器人智能視覺引導技術發展及其運用[J].科技經濟市場，2020（4）：3-5.

[6] 黃傳啟，常得琳，馬泉泉，等.視覺識別技術在智能化設施運維領域的應用探討[J].電氣時代，2023（11）：110-112，125.

[7] 張博文，沈小龍，韓震宇.基于機器視覺的刀具幾何參數測量儀[J].科技與創新，2022（13）：136-139.

[8] 王華溢.計算機視覺技術在工業領域中的應用[J].科技創新與應用，2021，11（29）：177-179.

[9] 江川，王正，舒高旺，等.基于視覺識別的核桃切分機結構設計[J].科技創新與應用，2020（8）：29-31.