资源预览内容
第1页 / 共9页
第2页 / 共9页
第3页 / 共9页
第4页 / 共9页
第5页 / 共9页
第6页 / 共9页
第7页 / 共9页
第8页 / 共9页
第9页 / 共9页
亲,该文档总共9页全部预览完了,如果喜欢就下载吧!
资源描述
机器视觉的主要任务及使命一、机器视觉不是一个单独的任务中国(包括香港地区)技术市场经理朱君女士接受了中国视觉网的采访。在谈到对2005年中国机器视觉市场的发展时,她说,从总体上看,中国的机器视觉产业还处 在初期的发展阶段,不过随着越来越多的中国产品进入全球市场参与竞争,对于产品的可靠性和高质量, 以及更快生产力的要求与日俱增。随着制造过程变得越来越自动化,机器视觉这一领域也在受到广泛的重 视,其潜力巨大,有很好的发展趋势。在朱君看来,从宏观方面来看,机器视觉不是一个单独的任务,而是整个自动化领域的一个组成部分, 它结合其他任务共同完成系统功效。比如说用户会结合运动控制、数据采集等各种功能完成例如模拟-数字、 数字-电子等测试,而且不同的仪器之间的集成会需要用到同步等功能。她介绍说,NI公司作为一家测试测量和自动化领域的领先企业为各行业的用户提供视觉、运动、数据采 集等硬件产品,以及自动化行业标准的LabVIEW图形化开发环境软件平台,确保整个系统软硬件之间的 集成。NI视觉系统结合了经验证的软硬件工具。视觉开发模块(Vision Development Module)是LabVIEW 编程环境的一个附加模块,它是专为使用各种编程语言(例如NI LabVIEW, NI LabWindows/CVI, C/C+ 或Visual Basic)的编程者而设计的数百种函数功能集。此外,NI还提供一个交互的软件环境一一Vision Builder AI,使得用户无需编程即可配置、校准和发布他们的机器视觉应用。视觉开发模块(Vision Development Module)和Vision Builder AI软件都可以与一系列硬件产品达到完美的无缝集成,其优势在 于可支持数千种摄像头,从而满足用户们各种视觉系统的需求。因此,这样的系统就能够以更高的效率和 更低的成本解决一系列应用挑战。.本地用户采用NI的软硬件技术已经完成了一系列成功的解决方案,现在就以香港最大的电力供应商 CLP Power公司为例。之前,他们是通过人工方式控制校准器输出测试点,读取并记录测量值,比较极限 数据,再将手写的原始数据传输到PC。现在,他们转而采用基于NI机器视觉技术的自动化测试系统:通 过PXI硬件平台来获取图像,通过NI LabVIEW软件和视觉开发模块处理图像。使用该系统极大地提高了 测试效率,从原来的每1小时/1台仪器到现在的每20分钟/2台仪器,速度上达到原先的6倍。除了时间 上的节省,由于该过程是完全自动化的,所以仪器校准也不再需要。更重要的是,人为的错误可以降至最 低。二、单个视觉系统完成近2000个检测点的任务多样或大型表面检测和鉴定任务,可否由一台摄像机独立完成?通常,需要一组相机或一台相机在检测区 域来回的移动才能完。现在我们借助康耐视公司的视觉系统,成功装备了一条快速、灵活、性价比高的检 测系统。这个独创性举措真正体现了机器视觉检测产品的简单、灵活的设计理念。轻松读取大型表面上的微细编码在探索大型表面最佳的矩阵码读取技术时,利用了一款旋转镜头,同康耐视公司的In-Sight™摄像 头或者VisionPro™软件组合形成一套紧凑型检测系统,拓宽了图像处理应用领域,材料使用也实现 最小化。新发明一一单个系统独立担当大型的表面检测任务人们在调整固定镜时发明了旋转镜。在研究1X2cm大小镜片该如何摆位以读取编码的问题上,意识到 操作图像处理器时,镜片必须是可以任意转动的,而不是将它固定起来。由此发明的视觉系统可承担大型 表面检测任务,并经受住最恶劣操作环境的挑战,而所占空间只有鞋盒大小。在In-Sight摄像头(康耐视), 镜头,旋转镜,步进发动机和电子驱动系统这一套组合的支持下,它足以完成高精度、多样性的检测任务。 担当近2000个检测点任务旋转镜由步进电动机控制,可将零件的检测区域转射到In-Sight视觉系统,精度可达到1微米。借助这款 高精度旋转镜,500 x 500毫米区域的图像摄制和诊断,只需单个摄像头就可以准确地完成。它的主要优点包括:周期短,精度准,空间小,性价高。凭借这套集成微处理器,视觉系统即可自动完成 转向和近2000个不同检测点的诊断任务。这种集成系统,在现有生产线上可以直接安装,不必另外添加 PC设备。活动反射镜头帮助系统轻松进行检测盲点区域。特殊应用实例: 电子仪器制造业产品检测和条码读取(计算机,掌上电脑等等) 读取配电板条码或焊点检测:在条码读取困难,条码众多,或通常需要配备多个摄像头等情况 调节电控板的检测一多种电控板上PIN针位置和深度检测,电子元件和焊点的快速检测 保险丝和控制器检测 包装材料的编码识别紧凑、灵活、操作简易此解决方案既可独立运行,也可连接VCSP软件工具(视觉服务器控制设备)。操作者即使没有任何编 程知识,也能运行最复杂的检测程序。直观的用户界面,简化了繁琐的编程工作;快捷简单的操作培训, 让操作者尽快熟悉系统,并进行新程序的创建。在此软件辅助下,用户可以将镜头移动至任意位置,检测 点精确度达到千分之一毫米。它也可“手持式”操作一一三大组合元件In-Sight,活动镜偏转技术,以及 VCSP软件工具(50ms数据交换速度要求)。检测结果存储在内部数据库中,以便在故障诊断时随时获 取。本身快速且灵活的特性,再结合康耐视公司的视觉技术,是一套具有较高性价比的检测系统。参与到计算机视觉行业近两年来,第一次仔细认真的回过头看自己做的究竟是什么东西。在过去的 工作中,不管是在学校还是在单位,拿到项目了,就照着自己所要达到的目的去查找资料,阅读文献,然 后就是写代码。大大小小的项目经历了这么多,做完一个,开心,以前学的一些图像处理方面的知识,现 在也好多没用到,没用到的自然就忘了,该系统的回顾一下了!后面要做好这些工作,还将回顾一下自己 所熟知的几个方向,加油!下面就简单介绍一下相关的东西以及Marr提出的视觉系统框架: 计算机视觉理解的任务:低层的图像处理、高层的图像理解。低层:图像压缩、噪声滤波、图像锐化等预处理方法。高层:取决于知识、目标以及如何达到目标,主要用的人工智能的方法。高层计算机视觉:模仿人类的认 知和根据包含在图像中的信息进行决策的能力。计算机视觉是建立在高层处理的基础上的,认知过程与图像内容的先验知识是紧密结合在一起的。 低层计算机视觉技术几乎与数字图像处理完全重合。边缘提取是该阶段一个典型的处理例子。低层图像处理与高层计算机视觉的区别在于所使用的数据。低层数据由原始图像构成,表现为亮度或灰度 值构成的矩阵;而高层数据虽然也来源于图像,但是只有那些与高层目标有关的数据被提取出来,很大程 度上减少数据量。高层数据表示了有关图像内容的知识。Marr认为,视觉系统的任务是对环境中三维物体进行识别、定位与运动分析。视觉系统研究的三层次:计算理论层次、表达与算法层次、硬件实现层次1)计算理论层次:回答系统各个部分的计算目的与计算策略,亦即各个部分的输入输出是什么,之间的关 系是什么变换或是具有什么约束。输入是二维图像,输入是由二维图像“重建”出来的三维物体的位置与形 状。2)表达与算法层次:视觉系统的研究给出各个部分的输入、输出和内部的信息表达,以及实现计算理论所 规定的目标的算法。3)硬件层次:如何用硬件实现以上算法。视觉信息处理的三阶段:1)构成所谓“要素图”或“基元图”,基元图由二维图像中的边缘点、直线段、顶点、纹理等基本几何或特征 组成;2)对环境2.5维的描述,即部分的、不完整的三维形状与位置。以观察者坐标系下描述的部分三维物体形 状,称为2.5维描述。包括立体视觉、运动分析、由灰度恢复表面形状等处理单元。3)由2.5维描述得到物体完整的三维描述,而且是在物体本身某一固定坐标系下的描述。三、图像处理与机器视觉图像处理系统的功能包括:增强、编码、压缩、复原与重构。图像增强:图像增强系统所执行操作的结果是使人们觉得处理后的图像质量更好。如对比度增强、亮度放 缩、边缘锐化等。图像编码:编码使研究图像信息的表达方式,使其更经济与有效,这包括量化方法、冗余消除。编码还可 能包括研究图像信息的表达方式,使其在传输或存储图像中出现错误时仍具有鲁棒性。图像压缩:目的在于减少存储与传输图像的比特数量。图像复原:对图像中的错误进行修改。如添加一个确定性的模糊操作,随机噪声等。图像重构:指若干局部图像重构成一幅完整图像的过程。机器视觉:机器对图像进行自动处理并报告图像中有什么的过程。包括:特征度量、基于特征的模式识别 特征度量:从图像中提取一组度量,以表示整幅图像或某些组成的特点。模式分类:对度量作出决策的过程,即给定一个未知物体的某个度量或一组度量。 模式识别:对未知物体进行分类。四、机器视觉的主要任务据工业相机CCD厂家介绍,机器视觉的主要任务可分为:1、定位,即能够自动判断物体的位置,并将位置信息通过一定的通讯协议输出;2、测量,自动测量产品的外观尺寸;3、缺陷检测,这是机器视觉系统用的最多的一种功能,它可以检测产品表面的一些信息。譬如:包装正误, 有没有包装正确、印刷有无错误、表面有无刮伤或颗粒、破损、有没有油污灰尘、塑料件有没有穿孔、有 没有注塑不良等;基本上,产品的品质需要用人眼来判断的,都可以尝试用视觉技术来替代,获得更有的 产品性能。对于缺陷检测,也可以说是对物体进行比较,找出诸如缺少元件或标签等的制造缺陷。这种比较可能 是简单的图样相减,也可能涉及到几何或矢量图形匹配算法。如果被比较物体的尺寸或方向各不相同的话, 就必须采用后者。比较的类型包括检测物体的有无、匹配色彩和比较印刷质量。对于上述的检测而言,都 是建立在机器视觉检测技术上来完成的。机器视觉是通过计算机算法自动理解图片内容的技术,十九世纪六十年代,它 起源于人工智能和认知神经科学。为了 “解决”机器视觉的问题,1966年,在麻省 理工学院,这个问题作为一个夏季项目被提出,但是人们很快发现要解决这个问题 可能还需要更长的路要走。在50年后的今天,一般的图像理解任务仍旧是不能得 到完美解决。但是也已取得显着进展,并且随着机器视觉算法商业化的成功,机器 视觉产品已经开始拥有广泛的用户,包括图像分割(例如微软office中去除图片 背景的功能)、图像检索、人脸检测对焦和Kinect的人体行为捕获等。几乎可以 确定的是机器视觉最近的突飞猛进主要得益于最近15到20年机器学习领域的快速 发展。本主题的第一篇文章主要是探索一下机器视觉所面临的挑战和介绍一个非常 重要的机器学习技术一一像素智能分类决策树算法。图像分类想像一下并试着回答下面这个有关图像分类的问题:“在这张图片中有一辆汽 车吗”。对于计算机来说,一张图片仅仅是由三原色(红、绿、蓝)构成的像素组 成的格子,三原色中每一个颜色通道的值的范围都是0到255。这些值的改变不仅依赖于事物对象是否在图片中呈现,也依赖于一些干扰事件,比如摄像机的视角、 灯光条件、背景和对象的形态。另外,一个必须处理的问题是不同类别的汽车呈现 不同的形状。例如,这辆汽车可能是辆旅行车、或者小卡车、或者是辆跑车,这些 都会对图片像素造成很大影响。幸运的是监督机器学习算法提供了替代原本需要人工编码解决这些多可能性 的问题的方式。通过收集图片的训练集和适当的人工标记每一张训练图片,我们能 够使用最好的机器学习算法找到哪些像素模式是同要识别的对象相关的以及哪些 是干扰因素产生的。我们希望我们的算法最终能够适用于识别以前没有经过训练的 新的样本,并且对于噪声保持不变性。在新的机器视觉算法的发展和数据集的收集 标注两个方面我们都取得了长足的进步。像素智能分类决策树算法图片在很多层面上包含细节。就
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号