基于计算机视觉的检测方法与应用

段利容

摘  要：我国的计算机产业所应用的创新技术不断涌现，计算机网络也经常在各行各业发展出创新应用，与计算机视觉相关的技术是指在计算机模拟人类视觉系统方面进行图像抓取，对抓取的图像进行解释和分析，从而提升计算机模拟技术的效率的方法。该文所阐述的就是计算机模拟视觉系统的方法，并就其如何在工业领域进行应用展开分析，希望可以推动这一新产生的技术尽快发展。

关键词：模块识别  计算机视觉技术  图像处理

中图分类号：TP39                                  文獻标识码：A                         文章编号：1672-3791（2019）03（a）-0007-02

科学技术水平不断提升，计算机和网络信息技术的应用范畴也不断扩展，在现阶段计算机技术和神经生物学技术互相结合，在计算机应用领域已经展开了应用的新篇章，计算机视觉技术已经可以应用于工业生产领域，在人工智能领域计算机视觉技术也将会有巨大发展空间。通过计算机识别技术在工业生产领域的大范围应用，可以大量减少产品检测的消耗，节省成本。计算机视觉识别技术及其在检测技术方面的应用将会是未来事关社会生产力提高的关键技术，这些技术也将会成为社会发展的前进方向。

1  与计算机视觉检测相关的技术领域

计算机视觉系统实际上是在用成像系统取代生物的视觉系统，用计算机来模拟生物的大脑，可以运用计算机视觉系统来模拟视觉功能，利用的是仿生学的原理，计算机视觉系统所模仿的主要对象是人类或者其他动物。计算机视觉技术所主要应用的领域包括但不限于信息处理技术、物理、数学、统计学以及神经生物学等领域。计算机视觉技术的研究主要是为了让计算机具备分享事物之功能，并结合计算机对世界的变化规律进行重构。英国科学家和心理学家大卫·马尔指出，将人工智能、神经生物学和心理学结合起来，可以创造出一种全新的处理计算机成像的方式。大卫·马尔作为计算机视觉系统的创始人，将计算机视觉系统分成了3个不同的层次：计算机计算层次，该层次应用的目的在于数据分析，可以实现数据的流入、处理和流出;计算机算法层次，该层次主要是在物理上运用计算机的方法对图像进行操作和预处理;实现层次，在该层次上运用物理的方法实现真实的视觉系统。同时大卫·马尔又将视觉的处理分成了3个不同的阶段，分别是：图像的低级处理阶段，即包括获取图像的基本特征并收集和图像相关的数据;图像的中级处理阶段，即根据低级处理所获得的信息，将图像建立成三维的状态，以获得图像的基本表达;图像的高级处理阶段，即在进行图像描述的时候进行高级处理，将经过中级处理的图像发展成高级的三维建模。

2  和计算机视觉相关的检测技术

2.1 与图像处理有关的视觉技术要求

计算机图像处理技术实际应用于工业生产的所有层面，应用的主要技术就是进行图像的处置，这些技术主要包括图像的抓取、去除噪音、测量尺寸和最终图形的生成等。按照处理的图像最终对象的不同，可以将图像的处理分成灰度处理、二维处理和深度处理等不同的阶段。计算机视觉技术在工业领域的应用也有一些不同的方面，可以提升工业生产的速度和生产效率，实现工业生产的高速度和高精度，提升图像处理的稳定性。由于图像处理具有非接触性的特点，因此在计算机视觉处理领域进行拓展应用之后，可以获取更为详尽的图像参数，更有助于分析其特征，这些参数结合起来容易实现三维技术的处理。和计算机视觉相关的应用技术包含采光设备、监控设备、信息采集设备、CCD工业相机、图像处理技术等内容。其中，CCD工业相机主要运用于检测设备的尺寸，得出被检测产品的工业参数，包含尺寸等工业品的基本信息。对于三维检测技术的运用而言，需要大量高分辨率的三维深度图像。

2.2 计算机视觉模式的识别方式

计算机视觉识别系统的应用，主要是针对检测对象的具体特征进行分析，对于计算机图像识别系统的特性和结构模式进行识别，将其对象按照不同的类型进行区分。计算机的识别模式按照技术的不同通常也会运用不同的检测工具来进行识别。计算机识别模式的识别方法一般会按照度量的不同数据特征进行描述，在清除了冗余信息和噪点之后，提取的数据信息之间的分析将会使得技术的拓展应用提升正确度。

识别模式的难度在于图像处理技术相关的核心问题，与之相关联的在于特征的度量方法和研究模式的分析。按照图像处理模式的不同可以通过结构特征的统计来实现技术应用，在模式识别的时候会因为数学统计方法的不同和语句的差异来跟进模式的变化处理和分析。模式识别的整体过程可分为模式再现和模式的重新设定。模式的重新设定需要根据实际的工业产品运用分类器进行设计，分类器的选用主要是通过大量数据文件的分析得出。模式的实现也经常运用在分类器的选用方面，需要对所选用的数据样本进行大量的分析和检测。

2.3 计算机对视觉图像进行解构

在进行完图像的预处理之后，还需要运用人工智能技术对图像进行解构，按照人的理解对图像的处理方式进行解构。计算机数据图像的处理解构是一种不同于计算机视觉技术的图像处理模式，计算机视觉处理图像的解构技术除了可以对图像进行描述之外，还可以对图像的实际内容进行理解，明确图像所代表的实际意义，从而有利于决策的进行。图像的处理系统包含数字处理技术、图像生成技术、成像处理技术和人工智能技术等方面，和生物科学和视觉系统形成先关的理论系统知识还需要辅助性的处理技术。计算机图像视觉系统一般包含图像的处理、分析、输出等模块，图像的分析模块需要进行解构分析，这些模块之间既互相有联系又有区别，彼此连接在一起共同对图像的特征进行描述。图像理解系统的基础是图像的处理和获取技术，在实际进行图像处理的过程中，这些系统所包含的内容实际上远超过了学科的内容，计算机视觉系统是一种类仿生的系统，所模拟的对象一般是生物体，为了实现计算机对视觉的实际模仿应用，需要搭配生物体视觉系统的相关理论进行分析。

2.4 视觉检测方法的实际作用

视觉检测技术的应用目前已经出现在汽车工业领域，在产品的生产、检测方面发挥了很大功效，在农产品的检测、包装、指纹识别和面部识别等方面也有应用。实际上，要想选择出视觉检测的所有领域是困难的，下面仅以工业领域的一些应用进行举例阐述。

2.4.1 在汽车车身中的计算机视觉技术應用

在汽车车身中应用计算机视觉检测系统对车身技术进行检测需要利用到计算机视觉传感系统。通过机械设备定位系统、电子设备控制系统等定位技术的应用，可以实现计算机的车身检测。在实际的应用领域，可以首先使用电子控制设备来将车身固定于特定的位置，通过计算机软件模拟进行位置调整，确保检测设备可以发挥实际功效，之后形成的设备采集和数据分割等数据信息处理、监测点等实际参数将会对汽车车身的尺寸、三维层面等同轴度进行分析。在获取了数据图像的基本特征之后，这些数据需要和参数库中的数据进行比对，自动识别技术会给出最终结果，这些检测系统需要根据单光条件下结构的单眼色量，多光条件结构下的多光测量得出最终结论。十字线解构下的双眼测量技术也属于常用方法。其运动模式会进入到传感器之中，按照检测的要求按照顺序测量。由于传感器检测要求和操作顺序和坐标的检测结果转换有关，在识别和检测之后，就可以判断出车身的装配效果和质量。例如，英国的路虎系列汽车，为了对汽车的全面技术参数进行掌握，技术人员将车身的轮廓划分成了300余个监测点，对车身的结构进行了精准的检测，使得计算机视觉系统通过多位点的测量，通过统一标准的测量单位，激光发射器和CCD工业相机，利用计算机软件对汽车的位置进行调整，检测人员校准了每一个检测单位，并在线上选用了校准装置对检测设备进行校准。在检测过程中，所测试的3种车辆类型分别为40s每台。检测结果和参数通过CAD建模参数的特征比对库误差在0.1mm之内，这是一个典型的汽车行业应用工业视觉检测系统的案例。

2.4.2 智能焊接技术中的视觉应用技术

与计算机视觉系统相关的智能检测技术，可以实现基于环境的焊接对象的互相识别与测试，并根据测试结果对参数进行调整，在汽车应用领域当中，车身的焊接对汽车的质量参数有着重大影响，使用汽车智能检测技术对于红外线成像、高速摄像技术和CCD工业技术等传感设备的精度都有影响，利用电子接受设备实现多维度的视觉传导，可以通过多层次的焊接技术实现空间位置和实际位置的转变。对焊接工作进行合理规划，对焊接对象的数据进行及时提取，可以对需要评估的焊接对象进行及时评价，对焊接对象的评估结构进行预测，对相关的焊接结构的性能、组织等机型评价，可以充分掌握智能焊接技术的特征。在汽车的焊接工作中，很多人力难以控制的环节都可以通过汽车场所和位置的变化来进行控制。智能焊接技术可以完美地解决上述问题。

2.4.3 在汽车机器人生产配件过程中的应用

随着社会上拥有汽车的人越来越多，如果仅仅依靠人力对汽车进行检测是显然不够的，汽车配件的生产对于生产效率的要求非常高，采用和计算机视觉应用相关的检测技术可以提升计算机收集图像的能力，根据汽车配件的尺寸、配件之间的组成距离和组成形式、配件之间的相对位置等信息，和特征库的数据进行比对之后，可以充分判断出配件实际效果的好坏。

3  结语

计算机视觉技术在企业生产效率提升方面有非常大的帮助，可以帮助企业减少人力资源的投入，但是这种技术的全面普及需要生产工人具有更高的业务知识能力，还需要更多的理论支撑，特征库和数据库的比对也非常必要。相关领域的研究人员需要继续不断探索，以更快地推动计算机视觉技术的应用，推动生产和生活实践当中对计算机视觉应用系统的利用。

参考文献

[1] 高寒，骆汉宾，方伟立.基于机器视觉的施工危险区域侵入行为识别方法[J].土木工程与管理学报，2019（1）：123-128.

[2] 邱素贞，李庆年，卢志翔，等.基于机器视觉检测的码垛机器人控制系统设计[J].包装工程，2019，40（3）：207-211.

[3] 周建，潘如如，高卫东.机器视觉在纺织中的应用现状与发展趋势[J].棉纺织技术，2019，47（2）：15-17.

[4] 黄伟.基于计算机视觉技术的金属加工过程监测方法[J].世界有色金属，2018（23）：20-21.