机器视觉研究进展及工业应用综述

李祥瑞

（北华大学材料科学与工程学院，吉林 吉林 132013）

1 绪论

近年来，现代制造业正处于产业结构调整和转型的阶段，机器人被广泛应用于电子、化工、医药、物流等各个领域之中。机器人的发展使工业生产越来越“智能”[1]。智能化的应用离不开各种传感器的使用，视觉传感器的应用十分广泛，机器视觉技术也得到了快速发展。机器视觉技术涉及人工智能、图像处理、模式识别等诸多前沿领域，具有效率高，出错率低、实现功能多等特点[2]。机器视觉技术的主要功能是利用相机、计算机等设备模拟人的视觉对所需测量的对象进行识别和判断，从而实现如检测、测量、控制等操作，改变了传统质量检测时需要人工检测的情况。典型的工业机器视觉应用系统应包括光源，镜头，图像采集卡，图像处理单元，通信单元、图像处理软件等[3]，如图1所示。

图1 工业机器视觉系统的组成部分

本文主要对机器视觉的发展现状、相关核心技术以及在工业中的应用进行总结和分析，并对其发展趋势进行展望。

2 机器视觉技术发展现状

机器视觉在中国的发展较晚，在20世纪90年代才有少数的机器视觉技术公司成立，但是在较长的时间内，机器视觉技术在很多行业尚未普及，开发出的机器视觉系统例如表面缺陷检测、车牌识别等也存在着功能单一、准确性不足等问题。目前，机器视觉技术在欧美、日本等发达国家的发展较为成熟，应用也较为广泛，主要应用于半导体行业和电子行业，比如PCB印刷电路、电子封装技术与应用等领域[4]。而我国此类行业还属于新型产业，机器视觉技术的应用较外国相比具有一定差距。但近年来，随着相关政策的支持与理论实践积累，我国已经取得了一定的成果并进入到机器视觉发展的高速阶段。机器视觉技术已经慢慢融入国内的半导体、电子制造、印刷、新能源、汽车制造等领域，但现阶段应用的场合仍十分有限，需要进行更多的尝试与开发。

3 机器视觉系统的组成

从硬件和软件两个方面对机器视觉系统进行分析。硬件主要有照明系统、成像系统等。硬件部分的主要功能是实现图像的采集，软件部分则主要是对采集到的信息进行相应的处理，从而得到检测结果。

3.1 硬件

照明系统的作用主要是将外部光以合适的方式照射到被测目标上，从而减小图像中的干扰并增强某一特征，使图像更容易被镜头检测，提高系统的识别效率。然而由于根据检测目标、检测特征、检测背景、检测材质等的不同，要选取不同的照明方案，从而得到最佳效果。不同的光源的颜色、波长、亮度能耗等因素不仅相同，在机器视觉中使用的光源主要有氙灯、LED、荧光灯、激光卤素灯等。常见的光源性能如表1[5]所示。光源的使用还要考虑到光源的角度、位置等因素。在机器视觉系统中除了光源的选取，还应考虑检测物体的位置，物体表面纹理，物体的形状等因素。

表1 光源对比

成像系统主要包括镜头、工业相机和图像采集卡等设备。镜头的主要作用是将收集到的光线聚焦在相机芯片的光敏面阵上。镜头选取的过程中要考虑工作距离、视距、景深等因素。图像成像的质量很大程度上取决于镜头的质量。由镜头因素导致的图像失真很难在后续步骤中进行恢复，因此镜头质量的好坏直接影响系统的整体性能。工业相机的主要功能是将光信号转化为电信号，在实际工业应用中，主要将光信号转化为数字信号。常用的工业相机有CCD相机和CMOS相机。CCD相机成像质量好，但成本较高。CMOS相机能耗低，数据传输速度快。根据相机传感器的结构性能划分，工业相机又可划分为面阵式和线阵式两种。面阵式相机每次获得完整的一幅图像，因此获得的图像直观。线阵式相机通过逐行扫描的方式获得完整的图像，分辨率较高。除了相机成像，还需考虑响应速度、系统精度、识别范围等因素。图像采集卡是图像采集部分和图像处理部分的中间环节，其主要作用是进行数据的传输和通信[6]。

3.2 软件

软件部分，国内外诸多专家对图像识别和处理算法进行了深入研究，已经形成诸多成熟的图像处理算法，同时也催生出很多功能强大的机器视觉软件。如美国Intel公司开发的OpenCV开源图像处理库。德国MVTec公司开发的HALCON机器视觉算法包等。这些软件往往具有操作简单、扩展性良好、界面简介、软硬件兼容等特点，因此得到了广泛应用。基于以上强大的机器视觉软件进行图像处理和分析应具有以下步骤：图像预处理、定位与分割、特征提取、模式分类、图像理解等步骤。图像信号处理是机器视觉技术的关键，很多成熟的机器视觉算法可以直接应用。现在的机器视觉算法已经不局限于单一特征的识别。并且现在深度学习、神经网络等对机器视觉算法进行完善和升级，使机器视觉技术和算法的运行速率、准确性和鲁棒性得到大幅提升。

4 机器视觉技术应用

机器视觉最大的优势是与被检测对象无直接接触，不会损伤被观测对象。与此同时，随着图像处理技术的不断完善，机器视觉技术应用的场合越来越广泛。但根据需要识别进行判断的参数不同，所进行的数据分析以及采用方法也有所差异。本文主要从3个应用场合来介绍机器视觉技术应用。

4.1 表面瑕疵检测

基于机器视觉的表面缺陷自动检测是自动化生产中产品质量保障的一个重要环节。表面缺陷检测是指利用相机等视觉传感器对产品表面的缺陷瑕疵进行成像，并通过图像处理技术对图像进行处理，从而得到有无瑕疵、瑕疵位置、瑕疵数量、瑕疵类型等数据，进而可以对瑕疵产生原因进行分析。机器视觉在表面瑕疵检测方面的应用可以有效地降低传统人工瑕疵检测的主观性差异，能够提高生产效率，降低生产成本。与此同时，在一些工作环境恶劣的场所中，机器视觉技术的使用可以更好的发挥其优势。

产品的缺陷检测一般分为图像预处理、特征提取、缺陷确认和分类等步骤。基于机器视觉的缺陷检测方法中基于图像处理的缺陷检测中的模板匹配的方法已经在工业检测环节得到了应用实践。例如，赵翔宇等[7]基于模板匹配的方法检测印刷品的缺陷，将图像归边运算添加到图像预处理过程中，利用数学形态学对帧差结果图进行处理，克服了在工业环境中的灰尘干扰和传送震动干扰。孙光民等[8]提出一种针对带钢图像的图像二值化算法，对传统算法中边缘检测、图像分块、连通域分析等过程进行了改进。改进后的算法在保持较高检测正确率的同时，缺陷定位较于传统缺陷检测算法更加准确。然而在进行缺陷确认时，由于工业生产时所得到的数据影响因素较多，难以得到“标准”的图像，因此传统的图相匹配等方法难以使用，因此常常采用图像分割的方法实现瑕疵区域的定位。周宇[9]等将采集到的图像进行分块并变成列向量，再使用列向量矩阵进行RCDA维数约减，对约减后的特征进行支持向量机训练与测试，得到图像块分类结果，最后将块分类矩阵变形成二值分割图，得到死节缺陷目标。此外，深度学习在产品表面瑕疵的检测中也得到了广泛应用，大大提高了缺陷检测的准确性。表现瑕疵与表面纹理的检测原理相似。

4.2 智能装配与分拣

装配一直是工业生产中不可或缺的环节，传统的人工装配已经不能满足一些装配精度的要求，如晶体管的焊接等。因此装配机器人应运而生。传统的装配机器人一般按照离线编程方式工作，难以适应环境变化。而机器视觉的加入可以使装备机器人更加智能化。装配机器人应用机器视觉的方式有很多种，使用三维视觉可以更加准确的进行识别。王帅等[10]提出了一种基于Hough变换的底座表面原型特征识别算法和基于链码的姿态识别算法，实现了工业机器人底座与减速器的智能装配。韩浩等[11]设计一种基于工业机器人装配生产线，在智能装配过程中，提出了一种改进型的二次匹配误差法，首先进行粗略匹配，大幅度减少数据量，第二次则在第一次误差最小点的邻域内进行匹配，加快了识别速度。

智能装配与分拣的在机器视觉的图像识别方面原理类似，都是在识别完成之后对受控单元发布运行指令。例如，方小明等[12]提出一种将图像识别和区域斑点数目联合识别的改进方法。提高了工业机器人的自适应性提高了工件的检测和分选精度。机器视觉技术在智能装配和分拣方便的应用，极大地提高了相关产业的智能化。

4.3 家居板件尺寸测量

我国一些制造业已经进入大规模集成化发展的阶段，例如家具制造业。自动化流水线已经应用于加工各类家具模板，但尺寸测量仍需人工测量，这带来了一定的误差，也降低了生产效率。唐小松等[13]提出一种基于面阵相机的板件尺寸检测机器视觉系统，实现了使用计算机计算图像中几何要素的尺寸。但是其检测速度慢，精度低并且大尺寸板件检测困难。肖书浩等[14]提出一种基于机器视觉的通用平面尺寸检测系统，可以实现多个尺寸同时测量，但需要手动选定区域，没有实现完全的自动化，难以高效率识别。邓斌攸等[15]提出一种家居板件几何测量系统，可以提取出板材的几何要素且保持较高精度。机器视觉在家居板件尺寸测量方面的应用已经逐步成熟，自动化和智能化水平不断提高。

5 结束语

机器视觉在近年来取得巨大进展，应用领域也逐渐扩展，提高了工业生产的自动化水平，但仍面临着诸多挑战。应用场景的复杂性而导致的可靠性和准确性的问题；图像或视频数据庞大而导致的运算速度问题；多传感器使用时的同步问题、产品通用性不足的问题等。此外，在机器视觉领域中如镜头、芯片等器件还依赖于进口，国内企业所研制出的机器视觉系统稳定性有待提升。未来完整的机器视觉系统在工业中的使用集成化更高，处理速度更快；通用性能更强，能够适应不同的工作环境；拥有更加完善的数据库，能够更加准确地进行识别；与不同传感器的信息能够更好的贴合，稳定性更强；在图像捕获和处理方面基于三维图像上探究。此外，与人工智能的融合可以更好地提高其智能性和学习能力。