机器视觉在智能制造中的应用

刘允浩

（长江大学 湖北省荆州市 434022）

目前，制造业如何打破束缚，获得突破性发展，则要优先处理人工成本与市场个性化需求等一系列问题。而智能制造理念引入，却恰恰是打开创新型制造生产方式的钥匙，其中机器视觉[1]技术完全替换人工操作、提升工作效率、填补市场个性化诉求的高效技术方法，随其技术水平的不断进步，势必在智能制造应用中大放异彩。

1 概述

1.1 机器视觉技术

机器视觉技术利用计算机或图像处理器，及其设备模拟人体视觉功能，借助图像采集、解析与处置使用在客观事物检测中。其等同于人类的眼睛与大脑，对比过往机械生产设施，此技术呈现出智能化与创新性。同时凭借着高度自主化、超强适应力与精准度等优点被广泛应用在工业领域，而非工业应用也在加速普及力度。

机器视觉技术的发展可以追溯到20世纪50年代，当时研究人员开始探索使用计算机进行图像分析。在1960年代和1970年代，数字成像和计算机处理的进步导致了早期机器视觉系统的发展，这些系统在制造中用于自动化检查任务。在1980年代和90年代，更强大的计算机的发展和机器学习算法的出现推动了机器视觉技术的重大进步。这导致了能够识别图像中的对象和模式以及实时分析视频数据的更复杂系统的开发。

进入21世纪以来，在更强大、更实惠的计算硬件的发展以及机器学习、深度学习和神经网络技术的突破的推动下，机器视觉继续快速发展。如今，机器视觉的应用范围很广，从工业质量控制和自动驾驶汽车到面部识别和医学成像。

机器视觉系统的关键组件包括相机或成像设备、图像处理软件以及运行软件的计算机或嵌入式系统。相机捕捉图像或视频，然后由图像处理软件处理以提取信息。然后，处理后的数据用于做出决策或控制其他系统。机器视觉技术可用于各种应用，例如制造中的质量控制、农产品检验和自动驾驶汽车。在这些应用中，机器视觉系统可以执行诸如检测缺陷、测量尺寸、识别模式和跟踪对象等任务。机器视觉中使用了许多不同的技术，包括模式识别[2]、图像分析和计算机视觉[3]。这些技术允许系统识别对象、跟踪运动并从图像中提取有用信息。

机器视觉是一种通过摄像机、光源和图像处理算法等技术实现自动化检测和分析的技术。在智能制造中，机器视觉可以广泛应用于生产过程的自动化、质量控制、安全检测等方面。

总之，机器视觉在智能制造中的应用非常广泛，可以大大提高生产效率、降低成本，并保证产品的质量和安全性。机器视觉检测PCB 板如图1所示。

图1：机器视觉检测PCB 板

1.2 智能制造

智能制造构成内容是智能制造技术与智能制造系统，其为传统制造业引入自动化与自适应、自学习能力等加强版现代型制造。因此，智能制造势必成为现代创新制造业全新发展大趋势，同时为国内经济谋求变革与转型的重要阵地。而从目前国内制造业发展现状来讲，制造业整体生产量数目惊人，而产品质量对比发达国家差距较为明显。基于此，尽全力发展智能制造，在装备、加工技艺与资源管理、生产程序等方面探索智能化发展，其中重点探究与应用机器视觉技术，开足马力达成智能制造技术。

智能制造是指在制造过程中使用先进技术和数据分析来提高效率、降低成本和提高生产率的术语。智能制造的目标是建立一个全连接、集成的制造系统，能够实时监控、分析和控制。

智能制造依赖于各种技术的集成，包括物联网 (IoT)[4]、人工智能 (AI)[5]和机器学习[6]。这些技术允许制造商从各种来源收集数据，例如机器、传感器和人工操作员，然后使用这些数据来优化流程并做出明智的决策。

智能制造的一个例子是预测性维护的使用。在这种方法中，分析机器上传感器的数据以预测何时需要维护，从而使制造商能够在最方便的时间安排维护并将对生产的干扰降至最低。

另一个例子是数字孪生的使用，它们是物理产品和生产过程的虚拟表示。数字孪生允许制造商模拟和分析生产过程，识别瓶颈，并在生产物理产品之前进行改进。

智能制造有望通过提高效率、降低成本以及在供应商、制造商和客户之间实现新型协作来彻底改变制造业。然而，要充分发挥智能制造的潜力，就必须有强大的网络安全基础设施来保护敏感数据并确保系统安全可靠地运行。汽车自动化生产线如图2所示。

图2：汽车自动化生产线

2 机器视觉技术对制造业产生的影响

2.1 机器视觉让设备变得智能化

在制造业中植入机器视觉技术，可完全将检测系统的优点最大化，相应产品加强自主检测，及其处理加工制作中不合格产品，从而严格控制产品质量，进一步高效提升相应产品质量。并且机器视觉技术通过自主辨别与定位功能锁定目标物体，进一步使加工制作的实践工作效率有所提升。简言之，在智能化机器人中引入机器视觉技术，通过自动化流水生产线加强产品堆放打包程序解析，传统制造领域绝大多数时候需靠大量人力完成实际操控，产品体积或重量较重，需要大量人力、物力、财力方才能完成工作量，且整体工作效率低下，同时存在潜在安全风险。相反重载机器人代替人工完成上述工作操作，其中机器人装备了机器视觉技术具备视觉功能，可迅速精准获取产品数据，经过高效获取数据与处理，致使产品堆放与打包直到成型能够便捷高效完成工作。机器视觉使设备能够通过使用相机和高级算法分析视觉数据来感知和解释周围环境。这使得设备能够根据它们“看到”的内容做出决策并采取行动，从而使它们更加智能，能够执行物体识别、运动检测和面部识别等任务。机器视觉是机器人、自动驾驶汽车和智能家居设备等领域的一项关键技术，它可以让设备更高效、更安全、更直观地运行。

2.2 机器视觉将多方技术融合

机器视觉技术探究与使用重点方向为利用各种技术大融合，完成视觉数据系统通用代码，强化生产加工过程中智能处理机制的便捷性。从目前探究情况来讲，对比人体视觉体系差距非常明显，不能在极短时间内升级智能化，但需以此为发展方向，创建局部性专用视觉系统，从而有效完备一般系统，其市场发展前景较好。而国内生产制造业迅猛发展，进一步刺激了机器视觉技术应用诉求，如何顺应加工制造不同场合与诉求，则要加强机器视觉多方技术融合，从而使技术系统趋向于智能化与便捷化。尤其在静止与瞬时视觉数据传输功能根本上，加强机器视觉、听觉、嗅觉、触觉的有机融合，进一步增强制造业数据收集与处理能力，综合多传感器融合技术，方才能让制造效率稳步提升，智能性能更加趋于人性化。

2.3 机器视觉与智能制造

机器视觉和智能制造是密不可分的关系，机器视觉作为一种重要的技术手段，可以在智能制造领域中发挥巨大的作用。智能制造是一种以人工智能技术为基础，通过物联网、云计算、大数据等技术手段实现生产流程的数字化、自动化、智能化的制造方式。而机器视觉作为智能制造中的一个重要技术手段，可以实现对生产过程中各个环节的自动化检测、精度测量和数据采集等功能，从而实现智能制造的各项目标。在智能制造中，机器视觉技术可以应用于生产线的生产过程监控、生产设备的故障诊断、产品质量的检测与控制、数据分析与处理等多个领域，从而提高生产效率、降低生产成本，并且保证产品的质量和安全性。同时，机器视觉技术的不断发展也进一步推动了智能制造的发展，特别是在深度学习、机器学习和图像识别等方面的应用，让机器视觉能够更加智能化、自适应、自我学习，从而进一步提升智能制造的水平和能力。因此，可以说机器视觉技术是智能制造中不可或缺的一部分，两者的相互融合将为制造业的未来发展带来更加广阔的空间和机遇。

以下是机器视觉在智能制造中的应用：

（1）检测和排序：机器视觉可以用于自动检测生产线上的产品，并根据其特征进行分类和排序，从而提高生产效率和产品质量。

（2）质量控制：机器视觉可以检测产品表面的缺陷、裂纹、变形等问题，并及时识别和处理，从而保证产品质量。

（3）精度测量：机器视觉可以通过对图像进行测量和分析，实现高精度的测量和检测，例如测量产品尺寸、重量等参数。

（4）系统监控：机器视觉可以用于监控整个生产系统的运行情况，例如检测设备的故障和异常情况，并及时发出警报。

（5）安全检测：机器视觉可以检测生产线上的危险物品或者检测人员是否穿戴了安全装备，从而提高生产线的安全性。

（6）智能分拣：机器视觉可以对产品进行快速分拣，例如对快递包裹进行自动分拣和归类。

（7）节能环保：机器视觉可以用于能源和环境监测，例如检测能源消耗情况和环境污染情况，从而实现节能环保的目标。

3 机器视觉在智能制造中的应用

3.1 尺寸测量

目前，制作技艺不断成熟，工业产品中超大型构件外形设计更加繁杂。因超大型构件体积与重量受限，不方便转移，而传统测量方法有无法精准采集信息。而机器视觉测量技术利用光学成像、数字图像处置、计算机图形学无接触测量方法，已形成较为系统理论基础，且测量范畴较大，通过传统测量方式比较分析讲述，呈现出较高测量精准度。此外，视觉检测方式依照多种光照方式，及与几何间牵连性，随即分成了被动视觉探测与主动视觉检查。其原先图像依靠被动视觉探测，又在工业生产环境中无法全部截取显著特性信息；相反主动检测方法可获取想要的特点数据，能最大程度的避免立体特性不吻合难题，因此工业检测中被普及使用。而主动视觉检测方法涵盖了激光测量间距、云纹干涉方法、便捷三角形法、结构光与时差方法等。比如：少数技术员提议物体测量方式采取结构光视觉传感器，可将超大型工件结构光通过三维视觉检测出来。且在结构光方式测量程序中，在结构光平面上附着靶标基准坐标点困难重重，不可精准获取空间坐标。此测量方式操作中，可通过双重交比不改变结构光视觉传感器锁定目标方法，且明确对应的靶标，方才能有效解决上述问题。

视觉测量一般包含以下几个步骤：

（1）图像采集：这是使用相机或其他成像设备从现实世界中捕捉图像的过程。获取的图像通常经过预处理以校正任何失真或噪声。

（2）图像处理：此阶段涉及将原始图像数据转换为可用于测量的形式。这通常涉及将图像转换为二进制格式，其中感兴趣的对象根据其强度值与背景区分开来。

（3）特征提取：在这个阶段，提取图像中物体的相关特征，并以可用于测量的方式表示。这可能涉及找到对象的边缘或角落，识别它们的形状或大小，或者确定它们的方向或位置。

（4）测量：这是使用提取的特征执行所需测量的阶段。这可能涉及确定物体之间的距离、计算它们的大小或体积，或者估计它们的位置或方向。

（5）输出：测量结果以合适的格式输出，例如带有注释或数值的图像。

测量及显示如图3所示。

图3：测量及显示

3.2 物体定位

传统制造业日常操控流程正在被工业机器人悄然改变，比如：焊接、搬运、装配等工作流程。而通过现代工业机器人操控程序来看，需提前设定相应程序，随后启动后按照既定步骤完成工作。但固定零件姿态与相对应位置机器人无法正确辨别与操控，从而导致实际加工位置与零件摆放位置偏移，机器人无法依照事先设定好的程度完成加工制：作工作。当机器视觉技术以及便捷的机器操手臂面世后，上述问题迎刃而解，且加快了智能制造业的可循环发展。

常用的物体定位主要有以下几种：

（1）Blob 分析：Blob 分析是一种根据对象的大小、形状和颜色来识别和跟踪对象的方法。该方法可用于定位图像中的对象，常用于产品检测和跟踪等应用。

（2）边缘检测：边缘检测是一种检测图像内对象边界的方法。此方法可用于定位对象并确定它们的方向和形状。边缘检测常用于机器人引导和质量控制等应用中。

（3）基于特征的定位：基于特征的定位是一种基于独特特征（例如角或纹理）来定位对象的方法。此方法可用于定位图像中的对象并跟踪它们随时间的移动。基于特征的定位通常用于产品跟踪和机器人技术等应用中。

（4）模板匹配：模板匹配是一种根据对象与预定义模板的相似性来定位对象的方法。该方法可用于定位图像中的对象，常用于产品检测和跟踪等应用。

（5）深度学习：深度学习是一种使用神经网络学习图像模式的对象定位方法。该方法可用于定位和识别图像中的对象，常用于对象识别和图像分类等应用。

机器视觉中物体定位方法的选择将取决于应用的具体要求和被定位物体的类型。通过使用适当的方法，机器视觉系统可以准确、高效地定位和跟踪物体，为决策和控制提供有价值的信息。Blob 分析定位法如图4所示。

图4：Blob 分析定位法

3.3 零件检测

3.3.1 存在性检测

存在性检测主要针对特殊部件、图案或整体物体的存在性。尤其在生产流程中，少数环节漏洞或制作缺陷造成零件遗失，导致产品质量不达标，待到下步环节或出厂前挑出完成问题处置。等到初期图像采集与分析后，通过分辨方法显著目标检测计算，结果查看是否是显著目标既定结果。比如：部分技术员提议借助显著目标存在性检测算法，利用中心周边直方图计算显著图，截取目标范围与图像中心点间距、目标范围位置分布方差、目标范围在图像边缘分布、目标范围分布熵、图像显著图的直方图等特性实施分类，随之使用投票方法来明确输入图片有没有包括显著目标。

机器视觉检查是否存在零件是机器视觉技术的一种特定应用，涉及使用相机和图像处理来检查特定组件或物体是否存在于给定区域或组件中。该过程通常涉及使用一个或多个相机捕获该区域的图像，然后使用可以检测和定位感兴趣部分的专用软件分析图像。

为了确定零件是否存在，系统将捕获图像的特征与预定义图像进行比较，该图像显示零件存在时该区域应该是什么样子。如果零件存在，系统将识别它并发出信号表明它已被检测到。如果零件丢失，系统将发出警报，指示零件不存在。这种类型的检查通常用于制造和装配线，以确保零件正确组装或出现在最终产品中。它可以帮助提高效率、减少缺陷并确保最终产品的质量。机器视觉检测焊点如图5所示。

图5：机器视觉检测焊点

3.3.2 表面缺陷检测

表面缺陷检测主要针对二维平面元素，具体包含了孔洞、污渍、划痕、开裂、亮点、暗点等经常遇见的外表面划伤，势必对产品质量与使用安全形成负面影响，而精准辨别问题产品至关重要。在后续探究中，少数技术员提议获取系统需借助CCD 图像，将电荷耦合器件CCD 完美的于实践相融合，采取荧光磁粉无损检测技术，进一步完成CCD 图像采集工作，紧接着采用关联计算方法，更好的完成图像处置与模式辨别工作，进一步检测外表面问题种类与程度。

缺陷检测一般用以下几种方法：

（1）图像预处理-这些技术涉及图像处理操作，例如阈值处理、过滤和分割，以将缺陷与图像的其余部分隔离开来。

（2）模板匹配-此方法将参考图像与目标图像进行比较以定位差异并识别缺陷。

（3）机器学习技术——这些技术使用决策树、随机森林和神经网络等算法来检测基于训练数据的缺陷。

（4）特征提取——这种方法涉及从图像中提取特征，例如边缘、形状和纹理，并使用它们来检测缺陷。

（5）光流分析-这种方法使用图像中像素的运动来识别变化和检测缺陷。

（6）立体视觉-这种方法使用两个相机从略微不同的角度捕捉图像，然后使用三角测量来确定每个像素的深度并检测缺陷。

（7）基于模型的技术——这些技术涉及使用数学模型来表示理想产品并将其与目标图像进行比较以检测缺陷。

机器学习检测样品砂孔如图6所示。

图6：机器学习检测样品砂孔

3.4 图像识别

图像识别利用图像处置、解析与理解功能完成相应工作，而机器视觉技术可精细化判断出某类预先设置目标或物体模型。而工业领域常见的条形码与二维码，过去则通过NFC标签等载体截取数据，需离产品较近方才能读取。伴随着工业摄像机等硬件设施升级，二维码等标识能够较远距离被读取或辨别，同时携带大量数据，也可把全部产品信息生成二维码，且不同联网查询数据。

图像识别技术也称为计算机视觉，是机器从图像或视频中解释和理解视觉数据的能力。该技术依靠高级算法和机器学习模型来识别和分类数字图像或视频中的对象、场景和模式。图像识别技术的应用范围从识别照片中的人脸、识别车牌和分析医学图像，到实现自动驾驶汽车和提高工业自动化。得益于海量训练数据的出现、更强大的计算能力以及深度学习技术的突破，该技术近年来发展迅速。二维码识别如图7所示。

图7：二维码识别

3.5 物品分类

物品分类指的是将图像或视频中的物品自动分类为不同的类别。这是许多应用程序的关键部分，例如智能监控、医疗图像分析、无人驾驶汽车、机器人视觉和自然语言处理。机器视觉实现物品分类需要进行数据采集与预处理、特征提取、模型训练、模型评估和模型部署等步骤。随着深度学习技术的发展，机器视觉的物品分类效果不断提升，越来越多的应用程序正在使用这种技术。

以下是机器视觉实现物品分类的方法：

（1）数据采集与预处理：收集足够数量的具有代表性的图像数据集，并进行数据清洗、增强、标注等预处理操作。

（2）特征提取：使用卷积神经网络（CNN）等模型提取图像特征。CNN 是一种特殊类型的神经网络，它能够从原始像素值中自动提取高级特征，这些特征能够很好地用于物品分类。

（3）模型训练：使用已经提取的特征进行监督学习，训练一个分类器。常见的分类器包括支持向量机（SVM）、随机森林（Random Forest）和神经网络等。

（4）模型评估：使用测试数据集评估分类器的性能，并根据评估结果进行调整和优化。

（5）模型部署：将训练好的分类器部署到实际应用中，进行物品分类。

香蕉和橙子识别分类如图8所示。

图8：香蕉和橙子识别分类

4 结束语

总而言之，在制造业以机器代替人工发展历程中，其中机器设备智能化进程与机器视觉技术高速发展息息相关。正因机器视觉技术能够更有利于企业降低污染，同时以极少投入获取高收益的工具，由此不难发现，伴随着机器视觉技术朝着越来越成熟方向发展，势必在将来的工业制造企业中获得前所未有普及应用。