机器视觉检查：贸易的工具

零件和产品的自动化内部检查已成功使用机器视觉技术执行数十年，几乎所有的工业和制造过程都是多样化的应用。虽然没有艰难的数字存在，但要使检验任务可能主导机器视觉应用程序景观，因此可以合理。仍然，新机器视觉技术和软件继续出现，进一步提高了自动检验的价值主张和易于实施。最终用户成功的关键是理解成熟和新的行业工具以及如何最好地实现这些工具。

检查概述

自动化过程中与检查相关的各种任务使得很难标记每个可能的用例。通常，一些重要的类别包括装配验证、特征存在/不存在、缺陷检测(多种形式)以及产品识别和区分。无论如何，记住机器视觉都是大数据和工业4.0概念的关键组成部分，这一点很重要。

在工业自动化中实施机器视觉检测时，最重要的价值主张可能在于如何使用检测结果。不仅仅是检查质量，通过机器视觉检验获得的信息对于提高更广泛的过程的效率可能是至关重要的，从而有助于降低整体生产和自动化成本。

成像-成功应用的基础

无论用案例或分析方法如何，它总是重复，质量图像是任何机器视觉项目的关键基础。质量图像被定义为具有正确分辨率和对比的，以突出显示所需视野中感兴趣的特征（对象，零件，缺陷）。适当的设计规范涉及成像组件本身以及相关和所需的组件，包括照明和光学器件。

对于许多采用适当成像设计的检测应用，二维灰度仍然是最广泛使用的技术。传感器和相机在速度和分辨率方面的进步，正在实现更多以前可能无法实现或过于复杂而不实用的用例。随着传感器分辨率从1200万像素到50万像素甚至更高的相机的出现，在更大的视场中探测更小的特征变得更容易，也更便宜。很快，5-10万像素的图像采集可能会被视为标准，而不是高分辨率。

智能摄像机，核心机器视觉技术，继续享受检验任务的增长，并定期采用更高的分辨率和更快的处理。此外，标准相机架构上存在显着的发展，它包括使用FPGA和其他计算平台的嵌入式处理。这些组件非常适合于检验应用程序，可以缩放多重重复安装，以利用这些类型的一些组件的相关降低成本。

超越2D和灰度图像

捕获场景3D信息的机器视觉组件非常容易获得各种成像方法和实现技术。3D图像提供物体表面几何形状的地形表示，而2D成像捕获在物体的平面表面上发现的对比度（灰度或颜色）的图像。3D数据启用或增强涉及具有比对比度更多的几何结构的特征或缺陷的检查任务。使用3D系统已经变得越来越容易，而且与他们的2D对应物，分辨率，速度和准确度继续展开。

如上所述，许多机器视觉检查应用程序使用提供对象的灰度图像的摄像机（也称为单色，因为它是没有颜色的图像，或者基本上是单一颜色的图像。但是，一些应用程序可以从中受益，或者必须依赖于彩色图像以提供分析所需的信息。标准相机随时可用于捕获RGB（红色，绿色，蓝色）图像的机器视觉。在正确集成的情况下，这些组件可以提高特征分析的可靠性，其中颜色是物体或缺陷的定义特征的一部分。虽然市场中的大多数彩色摄像头在传感器（拜耳滤波器）上使用过滤系统，但高级摄像机组件也可用于光学分离为三个全帧通道（通常为RGB）以获得更好的分辨率和颜色差异化。

超越可见的成像

虽然不是新的，但近年来得到了更广泛的应用，一种更强大的彩色成像技术称为高光谱成像，它的近相对多光谱成像，可以进行更离散和颗粒状的颜色分析。这些相机收集同一场景的多个——有时是数百个——图像，每一个图像都有不同的窄带宽光谱信息。这类部件，配有专门的分类软件，可以对材料进行光谱检测，甚至可以检测化学成分。许多行业，如食品、制药和回收利用从这种类型的检测能力中受益。

进一步扩展彩色成像，我们发现可以使用不可见照明甚至热能创建图像的组件。一般来说，这可以称为红外(IR)成像。近红外成像(NIR)、短波红外成像(SWIR)和长波红外成像(热成像)的应用提供了在可见波长下看不到的物体的视图。这种能力可以在许多检查应用中发挥极大的优势，从检测食品的腐败，到通过不透明的塑料容器确认填充水平。

更容易检查实施

与机器视觉检查任务一起使用的算法和软件工具非常成熟可靠。总的来说，在使用可靠的图像时，许多检验任务易于实施。已经出现了新技术，具有添加到现有机器视觉工具的可能性，以提供进一步的能力和不同的处理方法。

这些技术中最广为人知的是深度学习。机器视觉的深度学习是特别有针对性的，非常适合于检测应用，并正成功地应用于工业机器视觉中越来越多的检测应用。但是，使用深度学习的应用程序的设计、配置和集成需要一种与传统机器视觉项目完全不同的实现方法。

所谓的传统机器视觉实现技术涉及创建关于目标对象的一组规则，该规则是使用返回关于对象或场景的特定信息的算法执行的目标对象的规则。深入学习培训，其中许多代表性图像包含良好和缺陷的部件或物体的示例。但是，所有检查应用程序都没有银弹。在能够预测可能实现的成功水平之前，需要收集许多图像可能对于某些应用程序可能是麻烦的，并且对系统的持续维护及其分类可能不适合特定用例。

机器视觉检测的未来

随着对质量、智能制造和数据收集需求的扩大，用于检测应用的机器视觉技术的实现持续增长。用于检测的高级组件和软件的能力肯定会驱动额外的用例，并在未来提供额外的价值。