機器視覺的四大典型應用

2023-01-09 10:56:31 精質視覺

　　在工業(yè)領域的四大典型應用中，按照技術領域可劃分為：檢測、測量、定位、讀碼與識別。機器視覺系統(tǒng)具有高精度、可實現(xiàn)非接觸測量、可長時間穩(wěn)定工作等特點，在國內外工業(yè)領域均被廣泛應用，提高了產品質量和生產線自動化程度。隨著配套基礎建設的完善，以及技術、資金的積累，各行各業(yè)對配置機器視覺技術的工業(yè)自動化、智能化需求開始出現(xiàn)。

　　機器視覺技術在電子、汽車制造、機器人、新能源、激光、半導體、醫(yī)藥、食品、紡織、包裝等多個行業(yè)被廣泛地應用。在工業(yè)領域的四大典型應用中，按照技術領域可劃分為：檢測、測量、定位、讀碼與識別，在現(xiàn)代自動化生產過程中，人們將機器視覺系統(tǒng)廣泛地應用于生產過程監(jiān)視、成品檢驗和質量控制等領域。

　　1.檢測——查找被測物體瑕疵或其它異常，比如元器件錯裝、漏裝、表面缺陷檢測等;2.測量——計算物體上兩個或以上點或幾何位置之間的距離，并確認這些測量值是否符合規(guī)格;3.引導定位——定位元件的位置、方位和關鍵特征，從而進行引導組裝等;4.讀碼與識別——讀取元件、標簽和包裝上印刷的代碼、DM碼、OCR字符。

　　視覺檢測

　　自動化生產中，視覺檢測應用范圍非常廣泛，涉及各種各樣的質量檢測。如：產品有無漏裝、錯裝，表面是否有劃痕、斑點缺陷等。視覺檢測系統(tǒng)在一定程度上能提高產品的質量和生產效率，提高生產柔性和自動化程度。

　　檢測方法一般通過光學成像和圖像采集裝置獲得產品的數(shù)字化圖像，利用視覺算法處理軟件和圖像分析，獲取相關的檢測信息，形成對被測產品的判斷決策，最后將該決策信息結果發(fā)送給控制裝置或機構，完成下一步的剔除或分揀動作。

　　常用圖像處理方法有模板匹配、圖像濾波、斑點分析等，獲取需要檢測位置的尺寸，形態(tài)，面積等參數(shù)進行判斷?，F(xiàn)在也普遍使用深度學習的方式，通過對小批量的樣本數(shù)據進行學習訓練，生成檢測模型在進行結果判斷的方式。

　　檢測類項目的典型應用有汽車零件漏裝檢測，鋰電池的異物、劃痕、壓痕、污染、腐蝕、字符模糊等，PCB電路板的零件漏裝、反裝、錯裝和漏焊等，食品包裝的破損、黑點等外觀檢測，礦泉水瓶的液位檢測等。

　　測量

　　尺寸測量是常見的測量需求，當人眼精度滿足不了時，就必須采用量具和儀器測量。傳統(tǒng)的尺寸測量中，典型的方式是利用游標卡尺、千分尺等測量工具，針對工件的某個尺寸參數(shù)進行多次測量后取平均值。測量速度慢，測試數(shù)據統(tǒng)計不及時，不適用于自動化生產。

　　機器視覺的尺寸測量具有精度高、速度快的特點，由于不用接觸產品，有效避免了人工測量對產品造成的二次傷害，不但可以獲得尺寸參數(shù)，還可以根據測量結果及時給出反饋信息，修正生產加工參數(shù)值，優(yōu)化產品質量，減少損失。

　　機器視覺測量主要應用在品質檢測階段。主要利用視覺測量方法，對加工后的產品進行全自動化檢測。例如測量尺寸、平面度等是否合格。尺寸測量主要通過2D的測量方式，平面度測量主要通過3D的測量方式。

　　2D尺寸測量主要應用于各種平面尺寸測量，例如：半徑、寬度、長度、角度、輪廓度等。平面度3D測量是指被測物體實際表面相對其理想平面的變動量。將被測物體實際表面與理想平面進行比較，兩者之間的最大差距即為平面度誤差值，或通過測量實際表現(xiàn)上若干點的相對高度差，再換算以最大高度差表示平面度誤差值。

　　引導定位

　　在自動化生產或機械加工過程中產品或工件的定位十分重要。傳統(tǒng)的人工定位方法造成檢測人員用眼疲勞，判斷標準易出現(xiàn)偏差或浮動，速度較慢且精度低。引入機器視覺定位技術后，能夠自動判斷產品或工件位置，通過圖像識別到物體的特征姿態(tài)，找到被檢測的產品或工件具體位置后，把姿態(tài)數(shù)據傳遞給機器人，進行下一步動作。工業(yè)機器人需知道產品或工件被操作前的位置以及被操作后的目標位置，進行精確的抓取操作。

　　工業(yè)機器人可以通過視覺定位系統(tǒng)及時地了解工作環(huán)境的變化，從而進行相應的工作調整。視覺定位應用場景有全自動裝配、生產，如：自動焊接、自動包裝、自動噴涂等。引導應用一個關鍵的技術就是要通過手眼標定把相機的坐標系和機械手等運動機構的坐標系統(tǒng)一起來。

　　引導系統(tǒng)有2D引導和3D引導，分為抓取、組裝、精定位和軌跡引導幾種方式。應用場景有上下料，手機零件組裝，汽車零件無序抓取，引導精定位放置到載具，引導點膠和引導焊接等。

　　讀碼與識別

　　傳統(tǒng)的識別方法依賴人工手動控制操作，受限于條碼印刷、材質等因素，識別速度較慢，識別準確率難以保證。機器視覺對圖像進行采集、處理、分析，可以識別各種不同模式的目標和對象。通常包括目標識別，顏色識別，讀碼和OCR字符識別。典型的應用場景有物品分揀、顏色分揀、一維碼和二維碼讀取、字符讀取等。典型的應用為二維碼識別，大量的數(shù)據信息存儲在二維碼中，通過二維碼對產品進行跟蹤、系統(tǒng)對接管理等。在自動化生產線上，對各種材質表面的二維碼進行讀取識別，提高現(xiàn)代化生產的效率。

　　Conclusion

　　機器視覺在人工智能以及深度學習算法的輔助之下，以機器視覺代替人眼，避免了手動操作造成的失誤，有效地提升對制造業(yè)工作效率，智能化的檢測模式的準確率遠高于人工目檢，更不會受人類主觀情緒影響，能滿足較高的精度要求，從而達到為企業(yè)實現(xiàn)降本增效的目的。