机器视觉-值得收藏pptx

机器视觉（Machinevision）机器视觉（Machinevision）机器视觉的引入机器视觉系统机器视觉的三部分机器视觉的主要应用41235机器视觉的国内外发展现状机器视觉的引入机器视觉的概念机器视觉就是用机器代替人眼来做测量和判断。一个系统的概念，运用现代先进的控制技术、计算机技术及传感技术，表现为光机电的结合。机器视觉的引入为什么要引入机器视觉呢？引入机器视觉所带来的好处亦或是效益。了解机器视觉与人的视觉的一些对比。机器视觉的引入自动化和电脑技术是机器视觉进入工业生产线的关键要素自动化技术的发展史是机器逐步取代人工的历史。1、传感与控制是自动化的主要分支；2、人类大脑、四肢、感官和神经分别可以对应CPU、运动控制、传感器和网络。机器视觉的引入人类视觉是最后几个被取代的器官之一在很多情况下人类视觉越发不能满足要求（机器视觉与人的视觉的对比）1、高速、高精、超视、微距，2、客观、无疲劳、环境限制等。机器视觉系统与人的视觉的对比人的视觉机器视觉适应性强，可在复杂多变的环境中识别目标。差，容易受复杂背景及环境变化的影响智能具有高级智能，可运用逻辑分析及推理能力识别变化的目标，并能总结规律智能差，可利用人工智能及神经网络技术，但不能很好地识别变化的目标机器视觉系统与人的视觉的对比灰度分辨力灰度分辨力差，一般只能分辨64个灰度级强，一般为256灰度级，采集系统可具有10bit、12bit、16bit等灰度级空间分辨力分辨率较差，不能观看微小的目标目前有4K×4K的面阵摄像机和8K的线阵摄像机，通过备置各种光学镜头，可以观测小到微米大到天体的目标彩色识别能力分辨能力强，易受人的心理影响，不能量化。受硬件条件的制约，分辨能力较差，可量化机器视觉系统与人的视觉的对比速度0.1秒的视觉暂留使人眼无法看清较快速运动的目标快门时间可达到10微妙左右，高速像机帧率可达到1000以上，处理器的速度越来越快环境要求对环境温度、湿度的适应性差，另外有许多场合对人有损害对环境适应性强，另外可加防护装置机器视觉系统与人的视觉的对比观测精度精度低，无法量化精度高，可到微米级，易量化感光范围400nm-750nm范围的可见光从紫外到红外的较宽光谱范围，另外有X光等特殊摄像机其它主观性，受心理影响，易疲劳客观性，可连续工作机器视觉的引入为什么要引入机器视觉呢？它所带来的效益。节省时间降低生产成本优化物流过程缩短机器停工期机器视觉的引入提高生产率和产品质量减轻测试及检测人员劳动强度减少不合格产品的数量提高机器利用率机器视觉系统机器视觉系统的原理通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。机器视觉系统零件到达检测位置光电或传感器感应到感应物件时，触发视觉传应器工作。零件照明获取图像并把资料数据化视觉软件处理图像并显示产品是否合格离散输出，显示不良品画面和统计信息工作流程：机器视觉系统机器视觉系统待测目标CCD相机镜头灯源图像采集卡电脑系统PCI地址总线灯源控制信号相机控制信号及电源模拟图像信号数字图像信号传统机器视觉系统工作流程机器视觉的三部分光学系统图像处理系统执行机构及人机界面机器视觉的三部分三个部分缺一不可，选取合适的光学系统，采集适合处理的图象，是完成视觉检测的基本条件，开发稳定可靠的图象处理软件是视觉检测的核心任务，可靠的执行机构和人性化的人机界面是实现最终功能的临门一脚。光学系统光学系统机器视觉系统中不可或缺的部分，如果没有适合的光学系统采集适于处理的图片则难以有效地完成图象检测，甚至直接导致检测的失败。因此，我们认为适合的光学系统是成功完成机器视觉应用的前提条件。光学系统一个典型的光学系统包括：1、光源2、相机3、镜头光学系统光学系统的一些基本概念1、相机分辨率2、像素3、F&f(光圈和焦距)4、FOV&DOV(景深和视野)5、光源与成像(亮场和暗场)6、WD&LWD（相机和光源工作距离）光学系统光学系统像素数据•每个像素都含有以下信息:•图像中的位置•(Row,Column)location•光强度•黑白图像的灰度值•彩色图像的RGB色彩值光学系统像素图像处理系统核心部分在取得图像后，我们需要对图像进行处理，分析计算，并输出检测结果。图像处理部分包括两个部分：硬件、软件图像处理系统硬件目前市场主流的机器视觉图像处理系统有：1、PCBased系统2、嵌入式系统（智能相机）图像处理系统PCBased系统采用PC作为处理平台，通过图像采集卡+模拟相机或直接通过数字相机采集图片，依托PC处理平台，处理速度快，可运行复杂的图像处理算法；可带多个相机；可根据用户要求自行开发处理程序和用户界面。但由于其开发工具为高级编程语言，开发周期长，难度大，维护成本高。图像处理系统嵌入式系统将相机、图像采集模块、处理器、存储器、通讯模块、I/O集成一体，稳定性更高，开发周期较短，难度相对较低，但由于其硬件结构限制，通常只能带一至两个相机，程序开发不如PCBased系统灵活，运行速度和算法复杂度不如PCBased系统。图像处理系统如何选择？两种系统各有利弊，在检测点数少，检测要求可能发生变化，项目周期紧急的应用更适合选用嵌入式系统，检测点数多，速度要求高，检测要求相对稳定，项目周期宽松的应用更适合选用PCBased系统。图像处理系统软件1、开发平台2、应用软件图像处理软件是否先进是机器视觉应用成功的关键。图像处理系统图像处理算法基础知识定位（Locating）灰度（GreyScale）对比度（Contrast）斑点（Blob）模板匹配（PattemMatch）边缘（Edge）光学字符识别/校验（OCR/OCV）ID识别测量（Guage）拟合（Fitting）图像预处理（ImagePreprocessing）图像处理系统定位由于被测物体每次相对相机视野的位置会有不同，所以在被测物体上相对固定的检测区域的坐标应该建立在被测物体上，这就需要用一些软件算法来实现，完成软件定位后，只要被测物体在相机视野范围内，无论发生位移还是角度转换，检测区域都能跟随发生相应位置变化，准确完成检测。图像处理系统图像处理系统灰度目前除颜色检测外的大部分视觉检测可由黑白图片完成，黑白图片定义从纯白（255或100）到纯黑（0）分为256或100级，称之为灰度。图像处理系统对比度对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，差异范围越大代表对比越大，差异范围越小代表对比越小。图像处理系统斑点Blob是图象中定义在黑色或白色背景中，连通的最大白色或黑色区域。图像处理系统边缘边缘定义为在查找方向上一定宽度内像素灰度和的差分值大于阈值的界限。图像处理系统模板匹配模板匹配为图象处理中最基本，最直接但也是最笨耗时最多的算法，模板匹配通常先训练一个标准模板（像素和轮廓两种模式），然后再在指定的区域中寻找到与之匹配的图形，通常输出相似度及坐标值。设定模板的规则：唯一、特征明显图像处理系统图像处理系统光学字符识别/校验（OCR/OCV）OCR/OCV算法即是根据训练过的字符，根据字符的大小自动将每个字符从图片中“切割”下来，与训练好的字符库中的字符图形进行匹配，根据其匹配度来识别字符。图像处理系统ID识别机器视觉亦有专门的ID识别算法用以识别各类1D/2D码，进而与数据库通讯，构建生产信息可追溯系统。目前我们的ID识别算法可识别：包括Code3of9;Code128;Interleaved2of5;ReducedSpace；Symbology(RSS);UPC/EAN;PostNet;PlanetCode;PharmaCode;UPU-57;DataMatrix;QRCode;PDF417;CompositeSymbology(CS)等数十种码。并可在各种高噪音、低对比度状况下稳定读码。图像处理系统图像处理系统测量（Guage）机器视觉可通过各种测量算法完成高重复性精度的（点-点，点-边，边-边，圆直径，角度等各类几何形式）测量。可重复性精度/R&R/标定/补偿/给测量带来影响的各种因素图像处理系统拟合（Fitting）机器视觉可通过拟合算法将不同的点拟合成直线、圆，用以作进一步定位、计算。图像处理系统图像预处理（ImagePreprocessing）在运用各种图象处理算法之前，我们可以考虑是否有合适的图象预处理算法可将ROI区域的对比度改变得更适合处理，巧妙地运用图象预处理算法可大大提高图象检测的效率和稳定性。图像处理系统执行机构及人机界面执行机构及人机界面在完成所有的图象采集和图象处理工作之后，我们需要输出图象处理的结果，并进行动作（报警、剔除、位移等），并通过人机界面显示生产信息，并在型号、参数发生改变时对系统进行切换和修改工作。执行机构及人机界面机器视觉的主要应用机器视觉的应用分类机器视觉适用的生产环节分类机器视觉的主要应用领域机器视觉的主要应用机器视觉的应用分类1、测量2、检测3、定位4、识别机器视觉的应用分类1、测量（如长度测量）机器视觉的应用分类1、测量（如角度测量）机器视觉的应用分类1、测量（如圆弧及半径测量）机器视觉的应用分类2、检测（如有无检测）(邮包)机器视觉的应用分类2、检测（如残次品检测）机器视觉的应用分类2、检测（如数字统计）机器视觉的应用分类检测（瑕疵检测）机器视觉的应用分类3、定位机器视觉的应用分类3、定位机器视觉的应用分类4、识别（如读码）机器视觉的应用分类4、识别（如OCR/OCV）机器视觉的应用分类4、识别（颜色识别）机器视觉适用的生产环节分类1、原料、加工2、组装、测试、包装3、使用、监控机器视觉的主要应用领域塑料/薄膜食品&饮品汽车日用品光纤产品半导体纸张冶金航空航天通用生产电子医学设备纺织药品机器视觉的主要应用领域1、电子行业机器视觉的主要应用领域2、半导体行业机器视觉的主要应用领域3、汽车及汽车零部件制造业机器视觉的主要应用领域机器视觉的主要应用领域4、医疗及医疗器械行业机器视觉的主要应用领域5、包装行业机器视觉的主要应用领域6、其它行业机器视觉的主要应用领域6、其他行业机器视觉的国内外发展现状机器视觉的主要技术趋势和市场趋势机器视觉发展历程中国市场的竞争者及其产业链分析本土供应商面临的机会和威胁用户获得的价值机器视觉的主要技术趋势和市场趋势机器视觉的技术趋势高速化、高分辨率、彩色低功耗、智能化、模块化、傻瓜化先进数字网络特殊应用机器视觉的市场趋势价格下降、使用方便，向中低端应用扩展性能提高、可靠性提高，解决复杂高端问题行业应用增加分工细化，利润在产业链中的重新分配与相关技术结合更加紧密机器视觉发展历程国外1、20世纪50年代提出机器视觉概念2、70年代真正开始发展3、80年代进入发展正轨4、90年代发展趋于成熟5、90年代后高速发展机器视觉发展历程国内发展从时间上把握：1、1990年以前，仅仅在大学和研究所中有一些研究图像处理和识别模式的实验室。2、1990-1998年为初级阶段。主要的国际机器视觉厂商还没有进入中国市场。3、1998-2002年定义为机器视觉感念引入期。许多注明视觉设备供应商，例如，北京和利时电机技术有限公司曾经被5家外国公司选做主要代理商或解决方案提供商。4、2002年至今，我们称之为机器视觉发展期，中国机器视觉呈快速增长趋势。机器视觉发展历程机器视觉在中国的几个阶段简单的说：概念导入培育从业者树立样板、教育市场视觉从业者快速膨胀行业应用开始加速机器视觉发展历程机器视觉在中国未来几年的展望开始形成商业模式本土供应商的成长市场较快形成一定规模中国特色应用中国市场的竞争者及其产业链分析机器视觉的产业链：基础原创技术提供者；软、硬件部件或子系统开发者；系统集成商或方案提供者；代理商、零售商；OEM设备、整机开发者；外