机器视觉系统
459 浏览
工业之眼：机器视觉系统解析及优缺点解读
机械自动化类 Amazing 2016-10-14 12:20 发表了文章
机器视觉系比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。
由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。
一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。
机器视觉的优点包括以下几点：
■精度高
作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。
■连续性
视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。
■成本效率高
随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。
■灵活性
视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
许多应用满意过程控制（SPC）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC命令。在SPC中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。
机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
机器视觉系统的构成
机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。
尽管机器视觉应用各异，但都包括以下几个过程：
■图像采集
光学系统采集图像，图像转换成模拟格式并传入计算机存储器。
■图像处理
处理器运用不同的算法来提高对结论有重要影响的图像要素。
■特性提取
处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。
■判决和控制
处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。
机器视觉系统解析
典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。
■图像采集
图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。
■光源
光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X射线、超声波等不可见光作为光源。
由光源构成的照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息；频闪光照明是将高频率的光脉冲照射到物体上，要求相机的扫描速度与光源的频闪速度同步。
■光学系统
对于机器视觉系统来说,图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma“（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC）非常理想的配合。
光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F数等。
■相机
相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD、CMOS图像传感器等。
真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。
CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD相机的原理框图。
CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS（ComplementaryMetalOxideSemiconductor）图像传感器的开发最早出现在20世纪70年代初。90年代初期，随着超大规模集成电路(VLSI)制造工艺技术的发展，CMOS图像传感器得到迅速发展。CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。
图像的处理和分析
在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。
■图像采集／处理卡
图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。
■图像处理处理软件
机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
机器视觉系统的应用
机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：
（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；
（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围；
（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务,并可应用于恶劣的工作环境。
来源：网络
查看全部
在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。
由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。
一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。
机器视觉的优点包括以下几点：
■精度高
作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。
■连续性
视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。
■成本效率高
随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。
■灵活性
视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
许多应用满意过程控制（SPC）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC命令。在SPC中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。
机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
机器视觉系统的构成
机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。
尽管机器视觉应用各异，但都包括以下几个过程：
■图像采集
光学系统采集图像，图像转换成模拟格式并传入计算机存储器。
■图像处理
处理器运用不同的算法来提高对结论有重要影响的图像要素。
■特性提取
处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。
■判决和控制
处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。
机器视觉系统解析
典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。
■图像采集
图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。
■光源
光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X射线、超声波等不可见光作为光源。
由光源构成的照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息；频闪光照明是将高频率的光脉冲照射到物体上，要求相机的扫描速度与光源的频闪速度同步。
■光学系统
对于机器视觉系统来说,图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma“（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC）非常理想的配合。
光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F数等。
■相机
相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD、CMOS图像传感器等。
真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。
CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD相机的原理框图。
CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS（ComplementaryMetalOxideSemiconductor）图像传感器的开发最早出现在20世纪70年代初。90年代初期，随着超大规模集成电路(VLSI)制造工艺技术的发展，CMOS图像传感器得到迅速发展。CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。
图像的处理和分析
在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。
■图像采集／处理卡
图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。
■图像处理处理软件
机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
机器视觉系统的应用
机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：
（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；
（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围；
（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务,并可应用于恶劣的工作环境。
来源：网络
查看全部
机器视觉系比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。
由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。
一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。
机器视觉的优点包括以下几点：
■精度高
作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。
■连续性
视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。
■成本效率高
随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。
■灵活性
视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
许多应用满意过程控制（SPC）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC命令。在SPC中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。
机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
机器视觉系统的构成
机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。
尽管机器视觉应用各异，但都包括以下几个过程：
■图像采集
光学系统采集图像，图像转换成模拟格式并传入计算机存储器。
■图像处理
处理器运用不同的算法来提高对结论有重要影响的图像要素。
■特性提取
处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。
■判决和控制
处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。
机器视觉系统解析
典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。
■图像采集
图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。
■光源
光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X射线、超声波等不可见光作为光源。
由光源构成的照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息；频闪光照明是将高频率的光脉冲照射到物体上，要求相机的扫描速度与光源的频闪速度同步。
■光学系统
对于机器视觉系统来说,图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma“（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC）非常理想的配合。
光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F数等。
■相机
相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD、CMOS图像传感器等。
真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。
CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD相机的原理框图。
CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS（ComplementaryMetalOxideSemiconductor）图像传感器的开发最早出现在20世纪70年代初。90年代初期，随着超大规模集成电路(VLSI)制造工艺技术的发展，CMOS图像传感器得到迅速发展。CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。
图像的处理和分析
在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。
■图像采集／处理卡
图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。
■图像处理处理软件
机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
机器视觉系统的应用
机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：
（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；
（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围；
（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务,并可应用于恶劣的工作环境。
来源：网络
783 浏览
机器视觉系统集成怎么做？看这里！
机械自动化类 金玉兰 2016-09-24 14:02 发表了文章
机器视觉(Machine Vision)作为光电技术应用的一个特定领域，目前已经发展成为一个前景光明、活力无限的行业，年平均增长速度超过2O％ 。机器视觉广泛应用于微电子、电子产品、汽车、医疗、印刷、包装、科研、军事等众多行业。涉及技术一致，应用差异明显，是各种机器视觉应用系统的共同特点。
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络 查看全部
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络 查看全部
机器视觉(Machine Vision)作为光电技术应用的一个特定领域，目前已经发展成为一个前景光明、活力无限的行业，年平均增长速度超过2O％ 。机器视觉广泛应用于微电子、电子产品、汽车、医疗、印刷、包装、科研、军事等众多行业。涉及技术一致，应用差异明显，是各种机器视觉应用系统的共同特点。
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络
692 浏览
工业机器人发展势如破竹 动能效应辐射全产业链
机械自动化类 善思惟 2016-09-21 14:00 发表了文章
在以智能制造为核心的工业4.0时代背景下，随着中国制造2025战略的深入，制造业向智能制造发展的产业升级需求不断增强。庞大的制造业市场规模、众多产业布局，造就了工业机器人发展的“天时地利人和”，制造业大咖都是竞相布局智慧工厂，可以说，工业机器人产业发展大有势如破竹的节奏。
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
查看全部
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
查看全部
在以智能制造为核心的工业4.0时代背景下，随着中国制造2025战略的深入，制造业向智能制造发展的产业升级需求不断增强。庞大的制造业市场规模、众多产业布局，造就了工业机器人发展的“天时地利人和”，制造业大咖都是竞相布局智慧工厂，可以说，工业机器人产业发展大有势如破竹的节奏。
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
459 浏览
工业之眼：机器视觉系统解析及优缺点解读
机械自动化类 Amazing 2016-10-14 12:20 发表了文章
机器视觉系比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。
由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。
一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。
机器视觉的优点包括以下几点：
■精度高
作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。
■连续性
视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。
■成本效率高
随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。
■灵活性
视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
许多应用满意过程控制（SPC）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC命令。在SPC中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。
机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
机器视觉系统的构成
机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。
尽管机器视觉应用各异，但都包括以下几个过程：
■图像采集
光学系统采集图像，图像转换成模拟格式并传入计算机存储器。
■图像处理
处理器运用不同的算法来提高对结论有重要影响的图像要素。
■特性提取
处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。
■判决和控制
处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。
机器视觉系统解析
典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。
■图像采集
图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。
■光源
光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X射线、超声波等不可见光作为光源。
由光源构成的照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息；频闪光照明是将高频率的光脉冲照射到物体上，要求相机的扫描速度与光源的频闪速度同步。
■光学系统
对于机器视觉系统来说,图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma“（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC）非常理想的配合。
光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F数等。
■相机
相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD、CMOS图像传感器等。
真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。
CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD相机的原理框图。
CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS（ComplementaryMetalOxideSemiconductor）图像传感器的开发最早出现在20世纪70年代初。90年代初期，随着超大规模集成电路(VLSI)制造工艺技术的发展，CMOS图像传感器得到迅速发展。CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。
图像的处理和分析
在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。
■图像采集／处理卡
图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。
■图像处理处理软件
机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
机器视觉系统的应用
机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：
（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；
（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围；
（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务,并可应用于恶劣的工作环境。
来源：网络
查看全部
在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。
由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。
一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。
机器视觉的优点包括以下几点：
■精度高
作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。
■连续性
视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。
■成本效率高
随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。
■灵活性
视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
许多应用满意过程控制（SPC）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC命令。在SPC中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。
机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
机器视觉系统的构成
机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。
尽管机器视觉应用各异，但都包括以下几个过程：
■图像采集
光学系统采集图像，图像转换成模拟格式并传入计算机存储器。
■图像处理
处理器运用不同的算法来提高对结论有重要影响的图像要素。
■特性提取
处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。
■判决和控制
处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。
机器视觉系统解析
典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。
■图像采集
图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。
■光源
光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X射线、超声波等不可见光作为光源。
由光源构成的照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息；频闪光照明是将高频率的光脉冲照射到物体上，要求相机的扫描速度与光源的频闪速度同步。
■光学系统
对于机器视觉系统来说,图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma“（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC）非常理想的配合。
光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F数等。
■相机
相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD、CMOS图像传感器等。
真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。
CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD相机的原理框图。
CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS（ComplementaryMetalOxideSemiconductor）图像传感器的开发最早出现在20世纪70年代初。90年代初期，随着超大规模集成电路(VLSI)制造工艺技术的发展，CMOS图像传感器得到迅速发展。CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。
图像的处理和分析
在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。
■图像采集／处理卡
图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。
■图像处理处理软件
机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
机器视觉系统的应用
机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：
（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；
（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围；
（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务,并可应用于恶劣的工作环境。
来源：网络
查看全部
机器视觉系比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。
由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。
一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。
机器视觉的优点包括以下几点：
■精度高
作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。
■连续性
视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。
■成本效率高
随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。
■灵活性
视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。
许多应用满意过程控制（SPC）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC命令。在SPC中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。
机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用。
机器视觉系统的构成
机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。
尽管机器视觉应用各异，但都包括以下几个过程：
■图像采集
光学系统采集图像，图像转换成模拟格式并传入计算机存储器。
■图像处理
处理器运用不同的算法来提高对结论有重要影响的图像要素。
■特性提取
处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。
■判决和控制
处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。
机器视觉系统解析
典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。
■图像采集
图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。
■光源
光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X射线、超声波等不可见光作为光源。
由光源构成的照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相机位于被测物的同侧，这种方式便于安装；结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息；频闪光照明是将高频率的光脉冲照射到物体上，要求相机的扫描速度与光源的频闪速度同步。
■光学系统
对于机器视觉系统来说,图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma“（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC）非常理想的配合。
光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F数等。
■相机
相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD、CMOS图像传感器等。
真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。
CCD是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD相机的原理框图。
CCD作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。
CMOS（ComplementaryMetalOxideSemiconductor）图像传感器的开发最早出现在20世纪70年代初。90年代初期，随着超大规模集成电路(VLSI)制造工艺技术的发展，CMOS图像传感器得到迅速发展。CMOS图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。
图像的处理和分析
在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。
■图像采集／处理卡
图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。
■图像处理处理软件
机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。
机器视觉系统的应用
机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：
（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；
（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围；
（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务,并可应用于恶劣的工作环境。
来源：网络
783 浏览
机器视觉系统集成怎么做？看这里！
机械自动化类 金玉兰 2016-09-24 14:02 发表了文章
机器视觉(Machine Vision)作为光电技术应用的一个特定领域，目前已经发展成为一个前景光明、活力无限的行业，年平均增长速度超过2O％ 。机器视觉广泛应用于微电子、电子产品、汽车、医疗、印刷、包装、科研、军事等众多行业。涉及技术一致，应用差异明显，是各种机器视觉应用系统的共同特点。
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络 查看全部
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络 查看全部
机器视觉(Machine Vision)作为光电技术应用的一个特定领域，目前已经发展成为一个前景光明、活力无限的行业，年平均增长速度超过2O％ 。机器视觉广泛应用于微电子、电子产品、汽车、医疗、印刷、包装、科研、军事等众多行业。涉及技术一致，应用差异明显，是各种机器视觉应用系统的共同特点。
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。要把这么多不同方面的技术和知识组合到系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求。作者根据多年的经验，讲解了机器视觉系统集成时所涉及的各种技术、需要综合考虑的因素以及评估机器视觉系统项目成功的可能性的方法。
中国经济经过数十年的高速发展，在很多领域完成了从无到有、从不能到可以的跃变，现在已经到了提高生产效率和产品质量、残酷竞争的阶段，很多原来使用的人工工序正逐渐被机器所取代，从而对机器视觉系统产生了越来越多的需求。而机器视觉技术本来就是为了解决生产中的各种问题发展起来的。在人类的生产活动中，人的眼睛担负着很多重要的任务，例如放置和固定工件、观察和估计位置、检测外观尺寸、确定产品的一致性、检验产品质量等。这些工作正在越来越多地被机器视觉系统取代，一方面是随着对生产速度和产品质量的要求越来越高，对检测速度和精度的要求超过了肉眼的能力；另一方面是因为成像技术、计算机技术或图像处理技术的发展，机器视觉系统能够完成的任务越来越复杂，成本也越来越低。然而，机器视觉技术作为一门新兴技术，引人中国时间并不长，真正有经验的系统集成人员也不多，而机器视觉系统涉及到照明、成像、电子、自动控制、计算机软件硬件、机械设计、传感器、光学等各方面，把这些不同的技术集成到1个系统内，并使其相互完美配合工作，本身就是艰巨的任务。本文试图根据作者多年的经验，就机器视觉系统集成技术给出一些建议，期望能够帮助使用机器视觉系统的用户评估其系统并在做出合理决策时提供参考，给研制系统的技术人员和公司提供一些成功的经验。本文将介绍需求分析、资源配置、系统集成等几个方面的内容。
A、 需求分析
准确地描述机器视觉系统需要完成的功能和工作环境，对于整个机器视觉系统的成功集成是至关重要的。对于需求的描述，实际定义了视觉系统工作的场景，而围绕这个场景设计1个系统来获取合适的图像，并提取有用的信息或控制生产过程就是我们工作的目标。这个步骤看起来如此简单，以至于经常被忽略。有时候用户在生产过程中产生了某种需求，但是由于知识面和技术方面的原因，用户不知道自己需要什么样的视觉系统，或者不能准确描述自己的需求，而这时系统集成商自己经验不足或没有给以足够的重视，就不能帮助用户来明确系统的功能细节，这个系统集成开发过程注定要走弯路，甚至最终失败。
所以，系统集成的第1步就是明确用户需求!一般情况下可以使用下面的表格来帮助我们实现此目标。
B、资源配置
机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。
B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。
B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。
B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。
B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：
通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。
B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图
像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。
经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。
通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目
标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。
B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。
C、系统集成
明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。
1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！
2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。
3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。
4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。
来源：网络
692 浏览
工业机器人发展势如破竹 动能效应辐射全产业链
机械自动化类 善思惟 2016-09-21 14:00 发表了文章
在以智能制造为核心的工业4.0时代背景下，随着中国制造2025战略的深入，制造业向智能制造发展的产业升级需求不断增强。庞大的制造业市场规模、众多产业布局，造就了工业机器人发展的“天时地利人和”，制造业大咖都是竞相布局智慧工厂，可以说，工业机器人产业发展大有势如破竹的节奏。
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
查看全部
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
查看全部
在以智能制造为核心的工业4.0时代背景下，随着中国制造2025战略的深入，制造业向智能制造发展的产业升级需求不断增强。庞大的制造业市场规模、众多产业布局，造就了工业机器人发展的“天时地利人和”，制造业大咖都是竞相布局智慧工厂，可以说，工业机器人产业发展大有势如破竹的节奏。
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
工业机器人发展势如破竹 动能效应辐射全产业链
从全球层面来看，亚太地区机器人市场规模约占三分之二。据国际机器人联合会IFR估计，2015年，全球工业机器人销量达到了约24.8万台，同比增长8.3%。赛迪顾问预计，到2020年，全球工业机器人销量将突破43万台，年均增长率保持将在12%左右。
当前，工业机器人产业市场呈现爆炸式增长势头，而工业机器人产业的发展必将为其核心零配件应用提供众多机会。工业机器人除了本体以外，主要有三大核心零配件，控制器、伺服系统、减速器，它们占到工业机器人成本的70%左右。而随着人工智能浪潮的越演越烈，机器视觉系统也成了工业机器人不可或缺的一部分。
工业机器人的大脑：控制器
控制器是机器人的大脑，发布和传递动作指令。包括硬件和软件两部分：硬件就是工业控制板卡，软件部分主要是控制算法、二次开发等。目前国外主流机器人厂商的控制器均为在通用的多轴运动控制器平台基础上进行自主研发，各品牌机器人均有自己的控制系统与之匹配，国内企业控制器尚未形成市场竞争优势。
现有的工业机器人控制器封闭构造，带来开放性差、软件独立性差、容错性差、扩展性差、缺乏网络功能等缺点，已不能适应智能化和柔性化要求。开发标准化、开放化控制器是工业机器人控制器的一个发展方向，存在巨大发展空间。到2020年我国工业机器人控制器市场规模有望达到12亿元左右，未来五年复合增速约为27%。
工业机器人的眼睛：机器视觉系统
工业自动化的真正实现，需要高度智能化的工业机器人去替代人类的一部分工作，而显然，如果想让机器人去很好的替代人类工作的话，首先要做的就是让它们得能“看”到才行，这就要依赖机器视觉系统来完成。
机器视觉系统可以通过机器视觉产品即图像摄取装置，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，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，然后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。到2021年，机器视觉全球市场价值预计将达285亿美元，2016-2020年期间，以8.4%的复合年增长率增长，而我国将维持20%的增长率，远大于世界平均水平。
工业机器人的关节：伺服系统
伺服系统是工业自动化的重要组成部分，是自动化行业中实现精确定位、精准运动的必要途径，在机床工具、纺织机械、印刷机械和包装机械等领域得到广泛应用。随着近几年工业机器人、电子制造设备等产业的迅速扩张，其在新兴产业的应用规模出现增长迅速。
机器人的关节驱动离不开伺服系统。关节越多，机器人的柔性和精准度越高，所需要使用的伺服电机数量就越多。工业机器人市场的快速增长将带动伺服系统市场规模不断上升。到2020年我国工业机器人用伺服系统市场规模将达47亿元左右，未来五年复合增长率约为35%。
工业机器人的神经：减速器
减速器是连接动力源和执行机构之间的中间装置，通常它把电动机、内燃机等高速运转的动力通过输入轴上的小齿轮啮合输出轴上的大齿轮来达到减速的目的，并传递更大的转矩。大量应用在工业机器人上的减速器主要有两类：RV减速器和谐波减速器。
近年来，随着我国工业机器人应用市场的快速发展，工业机器人用减速器市场需求规模也随之增长。中投顾问产业研究中心预测到2020年我国工业机器人减速器市场规模将超过40亿元，未来五年复合增长率约为30%。
来源：网络
