机器视觉系统集成最佳实践

显示全部楼层 · 2025-1-17 19:52:09

苛刻的机器视觉应用越来越依赖于更复杂的组件和系统的设计、规范和集成，以获得成功和可靠的性能。

近年来，机器视觉行业的快速增长部分得益于机器视觉技术和组件的持续发展。机器视觉应用程序的总体成功无疑与胜任的系统集成紧密相关 – 对任务的组件的分析、规范、设计和实现至关重要。在本次讨论中，我们将回顾机器视觉系统集成，并介绍机器视觉行业中一些重要的技术，如3D成像、彩色成像、深度学习和线扫描成像仪以及一些实用信息，以帮助您在检测、测量和指导应用中成功合并和实施它们。

获取和处理简单灰度图像的组件无疑在当今市场中占据机器视觉应用基础主导地位。当然，这些设备非常可靠、易于使用，并且适用于各种检查、指导和计量项目。但是，还有其他可用的技术可以更好地适用于某些应用，并且对某些应用来说是唯一合适的解决方案。在所有情况下，都应遵循基本的集成概念，以确保实现设计最佳的机器视觉解决方案。

考虑到这一点，让我们从简要回顾系统集成最佳实践开始，然后讨论如何应用和集成一些超越基本灰度区域相机的关键机器视觉技术。

回顾机器视觉系统集成最佳实践

虽然这些指南对于机器视觉项目至关重要，但它们可以应用于各种学科的任何自动化项目中。修改基本概念以最好地满足您的需求。

开发和使用正式的应用程序分析文档

分析并记录现有操作，流程或自动化的需求，并收集与目标应用程序，部件和产品相关的所有详细信息。

记录项目规范

确定系统要执行的功能和操作（检查，指导，测量等）以及相关的性能指标。详细说明将支持所提议系统的技术以及潜在的系统限制和例外。

专注于“关键路径”组件

机器视觉系统通常是“关键路径”组件，如果它无法在系统中按需执行，则可能会阻碍整个项目的整体运行，围绕关键组件的功能设计系统非常重要。

有一个集成或项目计划和有组织的任务列表

使用项目管理软件工具使项目保持正常运行，但一定要确定任务的细节，而不仅仅是时间表。制定实施和配置系统中机器视觉、自动化、用户界面和其他组件的开发指南，经常进行测试。

管理项目

没有软件工具可以代替良好的项目管理，技术项目确实需要管理。项目团队，销售，管理层和客户之间的良好沟通有助于确保项目成功实施。

安装 – 优化，而非设计

虽然有些情况下必须在线安装后进行一些成像、处理或程序开发，但这应该是例外而不是常态。在最终安装之前，经过有效的测试和验证，是成功实施项目的关键。

拥有并使用验证计划

始终拥有并使用书面验证计划来量化系统性能。该文档应概述功能和操作标准以及指示系统符合规范的指标。

机器视觉关键技术的应用

对于机器视觉系统架构师来说，有更多可行的组件选择可供考虑并应用于各种应用的成功集成。并非所有技术都是新技术，但设备和软件的改进有助于使组件更广泛适用并更易于集成。在这里，我们将描述一些超越基本灰度相机的一般技术类别，以及将它们整合到成功的机器视觉解决方案中的一些方法。

线扫描成像

线扫描指的是成像设备没有一次拍摄快照（“区域”成像）的事实。该设备仅捕获图像信息的薄“切片”或单个“线”，并且处理该线性数据（不常见）或将许多行组合成标准图像的连续行以供后续处理。换言之讲对象或相机必须移动才能创建图像。

在可以适当集成的情况下，线扫描成像与区域成像相比具有许多重要的优点。今天的线扫描相机具有宽度范围从大约0.5K像素到超过16K像素的传感器（行数可变，这取决于为得到的图像选择了多少行）。得到的组合图像在像素数方面可以产生比区域相机更高的分辨率，并且可能以更低的成本。因为线扫描成像一次仅捕获对象的单个线性“切片”，所以该技术可以在区域相机不能的某些情况下产生非常一致的图像。以圆柱形物体为例（例如，饮料罐或类似容器）。通过对圆柱体的圆周的小切片进行成像，可以再现圆柱体表面的非常空间精确的表示，由于圆柱体的曲率的透视，对于区域图像是不可能的。在一些实施方案中，线扫描成像可产生比使用区域相机成像更快的处理时间。高速线扫描相机可以以超过120khz的速率捕获图像的每一行（帧速率根据相机和接口类型而变化）。

在许多情况下，3D成像提供了标准2D灰度成像技术所不具备的有用数据，包括深度和轮廓信息。

考虑到必须照亮单行像素，线扫描应用的照明可以比区域相机更简单。通常，线性光源（前照明或后照明）是使用线扫描相机获得合适图像所需的全部。但是，请注意，使用线扫描可能无法始终实现一些有益于区域相机的照明技术。

用于线扫描应用的光学（透镜）通常是最大的集成挑战。在线性像素宽度大于2K（取决于像素大小）时，通常标准的，熟悉的C-mount镜头不能与相机一起使用，并且必须指定F-mount或甚至更专业的镜头。在某些情况下，用于线扫描相机的镜头组件可能非常大并且需要专门的安装。

集成线扫描相机通常需要使用编码器以适当的空间间隔触发线。相对于移动的精确脉冲定时的配置取决于诸如像素空间分辨率，运动速度和帧速率的度量。幸运的是，相机和相机软件的进步有助于使配置更加用户友好。

3D成像

许多应用程序可以从3D空间中出现的对象和特征的识别或表现中受益。在过去几年中，用于关键机器视觉应用（如检查，缺陷分析，计量和机器人引导）的3D成像系统的可用性和种类显着增长。实际上，使用3D技术成功地实现了使用灰度成像无法可靠地解决的某些应用。

3D成像的关键价值在于，所有图像信息都代表空间中的实际点，而不是像2D成像那样的灰度或颜色强度值。这些点可以校准到某些已知的世界坐标系（例如，当信息用于指导时），或者简单地相对于彼此进行分析以提取特征，缺陷和执行3D测量。请注意，3D系统提供相机查看的表面“轮廓”。

在描述如何选择组件时，它可以帮助在应用程序类别中考虑3D技术。

测量和缺陷检测

许多用于计量和缺陷检测的3D成像系统使用扫描和激光三角测量（有时称为距离或深度传感器）来构成图像。这些系统可以提供比其他3D成像技术更高的精度，尽管这些组件具有稍微有限的视野，并且确实需要传感器或部件处于运动中以捕获图像。通常提供的成像工具和算法旨在评估3D特征，并提供包括深度和有时位置的测量。

指导和对象定位或识别

其他3D系统主要关注指导，定位和/或识别的应用。此类别中的某些组件也使用3D激光扫描，而其他组件则使用各种涉及结构照明的技术来收集3D点。对于后者，优点是成像器在没有相机或部件运动的情况下拍摄单个快照。这些系统返回的图像可以是像距离传感器一样的深度图像，也可以是称为“点云”的3D映射点的集合。这些系统中的软件通过组合相邻点以各种方式定位指导和位置任务并提取几何特征。这些特征可能是简单的定位点，甚至是用CAD数据定义的对象的3D空间匹配。在实现中，系统通常可以定位具有良好可靠性的随机定向的已知和未混合部分，然而随机混合部分或对象的识别和定位是极其困难的任务，对于许多应用而言仍然是研究工作。

CAD重建

一些3D成像系统专门设计用于扫描对象和捕获表面数据，以便将该数据转换为3D CAD模型以进行进一步处理。这些是高度专业化的系统，可以很好地执行重建任务，但不能考虑用于其他任务。

深度学习

也许机器视觉行业最热门的流行语现在是“深度学习”。用称为“神经网络”的软件算法方法实现的机器学习已存在多年。深度学习是该技术的最新扩展，专门结合了称为卷积神经网络或CNN的网络层。该技术的简单描述是它通过示例对图像进行分类，学习这些分类。

大多数计算机编程爱好者都可以理解最基本的神经网络和深度学习。然而，机器视觉集成商寻求使用不断增长的产品和库提供机器视觉深度学习功能来实现技术，因此不需要了解深度学习的工作原理。深度学习机器视觉的整合几乎只是一个“展示和走向”的过程。

尽管如此，深度学习并不适合所有应用。此外，集成中的关键细节仍然是纯粹的成像任务。深度学习非常有用的应用是需要主观分类的应用，例如检测缺陷或不符合特征有些主观的不合格部分，并且可以很好地定义标称良好部分（即使好的部分有一些固有的变化）。通常不能很好地指出深度学习的是需要离散分析，计量或定位的应用。有些应用可以通过标准机器视觉，3D成像，彩色成像或深度学习来胜任解决，在这些情况下，必须权衡集成和配置成本和技术。

许多考虑深度学习的错误是认为该技术自动克服了照明，零件展示和光学等集成考虑因素。从这个意义上讲，深度学习的成像与所有机器视觉应用相同：对象，缺陷或其他感兴趣的特征必须在对比度和足够的像素分辨率方面与其他部分区分开来，并且必须控制演示确保正确成像。

彩色，多光谱和超光谱成像

机器视觉的彩色成像集成对于需要识别，区分或验证对象或特征颜色的应用程序非常有用。具有彩色图像数据可以在灰度图像不能的某些情况下增强特征对比度并隔离特征。标准彩色摄像机和工具在基本机器视觉系统中广泛使用，并且是一种可在适当时轻松考虑和集成的成像选项。最常见的彩色摄像机采用三个宽带色彩平面拍摄图像;红色，绿色和蓝色，并组合这些颜色平面以创建全彩色图像。

一种更强大的彩色成像技术，近年来已经变得更加广泛，但并不是新的，而是高光谱成像技术。这种类型的相机通过许多（有时100或更多）非常窄的颜色带宽获取图像，这些带宽通常从紫外线到近红外或短波红外线。这种增强的功能允许集成商为对象或特征定义复杂的颜色“轮廓”，其精度在基本RGB彩色成像中是不可用的。即使对于人眼而言可能不可区分或可见的特征，缺陷和颜色有时也可通过高光谱成像容易地检测到。与高光谱成像密切相关的是多光谱成像。多光谱相机在图像中提供较少的色彩平面（通常小于10），并且通常选择颜色带宽并调整到特定应用。超光谱和多光谱相机的规范和集成可能很复杂。大多数高光谱系统必须具有对象。选择带宽和调整颜色配置文件可能需要一些专业技术。

在所有颜色应用中，关键的集成挑战是照明。如果没有为所有感兴趣的颜色提供照明的光源，则无法对颜色内容进行成像。第一直觉是使用“白色”灯，但我们如何定义“白色”，不幸的是，流行的机器视觉光源（如LED）可能不是“白色”，因为光源不能提供均匀的照明而没有丢失或某些波长的强峰。对于给定的应用，可用的“白色”可能是足够的，只要知道需要更接近颜色区分的应用通常需要更均匀的白光源。通常解决方案是使用像卤素或氙这样的白炽光源，但最近可以使用称为“多光谱照明”的新LED技术，通过组合多种LED颜色和平衡输出，更接近全带宽照明。

总之，标准机器视觉组件和系统仍然是一个很好的集成选择，但拥有更广泛的工具集可以增强可成功和可靠集成的机器视觉应用的范围。

机器视觉系统集成最佳实践

本帖子中包含更多资源