机器视觉技术在制造企业中的应用研究

陈一铭， 李世宁， 刘长庆， 宋 林

（青州卷烟厂， 山东 青州 262500）

0 引言

近年来，生产制造企业智能化程度越来越高，深度学习、图像识别和机器视觉等人工智能技术应用在产品的生产制造中，有效提高了制造工厂的智能化程度。机器视觉技术作为人工智能的关键技术，得到了应用广泛。我国机器视觉技术起步晚，但市场潜力大。卷烟制造、物流运输等企业纷纷将机器视觉技术引入到生产制造中，有些企业甚至成立了自己的研发中心，研发出属于自己的核心技术，在实际应用中成效明显，对于企业向智能化、数字化方向转型，大幅度提高企业整体作业效率，增强生产质量把控能力，提高综合竞争力起到非常重要的作用。

1 机器视觉技术概述

1.1 机器视觉技术

机器视觉技术用计算机来模拟人的视觉功能和大脑，通过采集设备获取图像信息并进行加工处理。涉及计算机科学、模式识别、自动化和通信工程等诸多领域。机器视觉把客观世界中获取的事物转换成图像信号，通过专门的图像算法处理，提取出对改善工程系统有用的关键特征，根据结果输出产生相关命令，对生产现场的设备进行控制。

1.2 机器视觉关键技术组成

机器视觉系统通常由图像采集、图像处理和执行部件三部分组成[1]。通过工业相机，配备合适的光源及镜头采集图像。图像处理部分是机器视觉系统的“大脑”。执行部件一般由控制单元和机械装置组成。

1.2.1 图像采集

采集图像是机器视觉技术中非常关键的一步。采集图像过程既要保证速度也要保证质量，为后面图像的处理以及机器的控制打好基础。首先，利用摄像头进行图像捕捉过程中，需要增加照明辅助设备来突出重要采集区域、提取出重要的图像特征。在视觉系统应用过程中，被检测对象不同，照明方向、角度就会不同，没有一个通用、标准化的照明方案，需要具体情况具体分析。其次，利用工业相机进行图像采集需要一个合适的镜头，镜头的好坏会直接影响目标的成像质量。

工业相机主要有CCD 和CMOS 两种传感器，由于其信号输出方式不同，具有各自不同的优点和缺点。CCD 传感器具有较高的成像质量，但是其制造成本较高。CMOS 虽然节约了制造成本，但同时造成了噪声干扰。在机器视觉应用方面，目前使用较多的是成像质量更好的CCD 传感器。

1.2.2 图像处理

机器视觉系统中常见的图像处理方法有图像滤波、图像增强和图像分割等，在处理图像过程中涉及到很多的算法模型，包括Canny 算法、Mask 均匀化和卷积神经网络等。其中，卷积神经网络在图像识别分类中效果明显，已被广泛使用。

卷积神经网络中包含卷积层、池化层和全连接层[2]。为了完成对复杂特征的提取，进一步增强卷积神经网络的表达能力，通常使用非线性的激活函数。由于Sigmoid 函数存在计算量大等缺陷，近年来，使用比较多的函数有ReLU 激活函数、Softmax 函数等。其中，Softmax 函数用来解决多分类问题。卷积神经网络的结构如图1 所示。

图1 卷积神经网络的构成

另外，残差网络越来越多地应用到图像的识别中来，在某些方面取得了不错的效果。它是将残差块的概念加入到传统卷积神经网络上。残差块[3]可以将第一层的输出直接作为最后一层的输入，有效解决网络层数堆叠带来的模型错误率升高、准确率下降的难题。残差块如图2 所示。

图2 残差块

1.2.3 执行部件

执行部件是一些可驱动的机械装置，主要包含机器人、电气系统、液压系统和传输系统等。在接到控制单元下达的命令后，具体执行某些特定的动作，完成相关功能。生产制造企业中常见的输送带报警器和运输车的剔除装置等都可以理解为机器视觉系统的执行部件。

1.3 机器视觉技术的特点

随着机器视觉技术的不断发展，已经具备了成熟的运作程序，并且在检测精度、检测能力等方面远超人类。机器视觉技术具有以下鲜明的特点：

1）机器视觉技术具有较强的客观性与公正性，能显著降低人为因素对产品质量评估的影响。

2）机器视觉技术应用广泛，对光谱的响应范围大，通过机器视觉代替人眼，可扩大人类的检测范围，可在空间狭小、有害环境中代替人工工作。

3）机器视觉技术还具有长期性。安装机器视觉软硬件系统后，可以长期使用。

2 机器视觉技术的应用

2.1 产品缺陷检测

生产制造行业生产的产品可能出现划痕、透明纸破损、条盒包偏、破损、翘边、异物和污渍等缺陷，这些缺陷不仅影响产品的美观，还会对产品的寿命造成影响。现阶段，仍有大部分企业采用人工抽检的方式检测产品缺陷。这对于中小企业而言，当任务少、产量小时，基本上能满足企业生产要求。但是，当任务多，对产量和质量要求较高时，人工检测速度慢、效率低、劳动成本高和工作强度大的缺点就会凸显出来。这种传统的缺陷检测方式已经远远不能满足现代企业对于高速生产化的需求。

随着图像处理和深度学习技术的不断发展，机器视觉越来越多地应用到产品缺陷检测中去，并取得很好的效果。常用的缺陷检测方法包括图像预处理、模板匹配、机器学习、特征提取、光流分析和立体视觉等。

2.2 仓储盘点

随着制造企业的立体仓库不断向智能化发展，仓库管理水平不断提升，高效率、高精准度的盘库需求日益增加。经调研，目前制造企业的立体仓库盘点[4]大多是人工手动进行，操作人员利用堆垛机将货物取出盘点后再入库，每个货位的货物需要经过出库、入库，或者操作人员系上安全带，借助堆垛机将盘库人员送到指定货位。传统的盘点方式效率低、安全性低，难度大。操作人员长时间在密闭、视线不好的环境中难免会出现盘点错误。将机器视觉技术应用到立体仓库货物的盘点，可以很好地解决上述问题，有效避免登高作业、提高工作效率和降低劳动强度。现介绍两种利用机器视觉技术盘库的方法。

1）利用无人机搭载工业相机根据层、列、排顺序逐个货位盘点。无人机技术目前已十分成熟，已被应用到生产制造、物流和军事等领域。在库存盘点应用中，这种方法易操作、精度高。但要注意无人机三维路径的规划，避免触碰货架，造成安全事故。

2）利用立体仓库本身资源，在堆垛机的载货台上搭载工业相机，实现逐个货位盘点。通过工业相机识别出的货位状态、条码和货位种类等信息，将这些数据返回给物流中心，并和WMS 上位信息进行关联比对，实现异常货位信息报警。这种盘库方式能充分利用已有资源，及时将异常货物取出到仓库抽检站台，然后返回，继续执行盘库任务。堆垛机如图3 所示。

图3 堆垛机

2.3 物料输送异常检测

物料输送及产品入库时，会出现各种各样的异常情况，通过人工发现问题，效果不太理想。从立体仓库调取生产所需的原辅材料，若原辅材料输送过程中出现卡碰情况，堆垛机将长时间停留在某一区域。由于立体仓库的空间环境复杂，企业员工很难第一时间发现问题，导致材料不能及时到达指定位置，影响企业正常生产。另外，在产品入库时，机械手码垛过程中可能出现故障导致产品计数异常、位置异常，影响产品顺利到达货位。引入机器视觉技术，在关键区域进行图像采集、处理并及时预警，能够有效缩短发现问题的时间。

2.4 箱内缺盒检测

生产制造中的产品往往要经过封箱工序，然后以箱为单位入库。因设备或人为因素影响，会出现箱内缺盒的情况。可以采用称重检测、γ 射线扫描式检测和机器视觉检测等手段避免上述情况发生。

称重检测是一种常见的原理简单、易维护的检测装置，但是，对于一些较轻的箱或称重误差较小时，容易造成错误检测。γ 射线扫描式检测检测准确率很高、系统运行稳定，需要专业素质较高的操作人员进行维修保养。机器视觉技术是将工业相机安装在封箱设备内部，对盒装产品的入箱过程进行检测，具有原理简单、维护方便、检测精度高和稳定性好等优点。

3 机器视觉技术存在的问题

机器视觉技术虽然在制造行业广泛应用并取得显著效果，但仍存在着以下问题：

1）高速运动目标的图像获取能力仍需提高[5]。实际生产环境中，受光线、电子耦合器性能等因素的影响，想要捕捉高速运动的目标，有一定的困难。

2）算法研究效率低。由于机器视觉检测对象种类多、形态各异，一些通用的视觉系统难以满足需求，需要不断进行针对性的调整，阻碍了机器视觉技术在不同领域的应用推广。

3）大规模数据样本获取较难。机器视觉技术应用过程中，深度机器学习模型的训练需要大量数据作为支撑。在制造业实际生产环境中，能够获取的样本数量较少，并且存在正负样本比例不均的现象，不能满足视觉系统的学习训练需求，导致模型输出结果不够精准，影响机器视觉技术的整体效果。

4 展望

对于制造行业而言，运用机器视觉技术可节约生产成本和劳动力、提升企业生产效率和产品质量，实现安全检测，有效避免因接触设备造成的人身伤害。与此同时，机器视觉技术作为人工智能的关键技术，它的应用研究在很大程度上推动了智能制造的发展。目前，我国的机器视觉技术水平有待提升，在未来机器视觉应用研究中，专家学者应将构建稳定、可靠的图像采集环境，将提取图像中的物体特征作为研究重点，增加防护罩、采用红外相机、提升电子耦合器性能以及改进特征提取算法等。加强对机器视觉系统使用前的适应性研究，提高系统的泛化性。研究如何获得更多的生产制造数据样本或者需要少量样本的机器学习模型。相信，通过对机器视觉技术不断进行研究与探索，我国生产制造企业的智能化水平一定会迈上一个新的台阶。