六大机器视觉趋势

http://p1.pstatp.com/large/pgc-image/46f6bbe01afb49e5aa57835e797c0172

机器视觉的发展趋势是经常被讨论的，那么在选择和实现这些可能影响工业自动化中机器视觉的技术方面有哪些实际信息？i.三维成像，用于计量和视觉引导机器人（VGR）机器视觉3D影像市场扩展组件是一个强烈的趋势，这对3D测量和指导的高需求，以及增加三维成像系统的可用性的提升具有成本效益的技术部分。延伸部分是用于浪涌某些应用中，诸如三维测量，机器人导向器（VGR - 相关任务，诸如拾取拾取和放置物体视觉引导的机器人，或随机的）运算功能，和自动移动机器人（AMR ）和安全指南。三维成像系统捕获物理空间的视图，并提供表示场景中包含深度和熟悉的二维“平面”（x和y）的点的数据。一些可用组件还提供灰色（对比度）甚至彩色图像和三维数据。三维成像的基本优势是提供三维定位，但另一个重要优势是三维图像通常是“对比度不耐受”。也就是说，图像信息允许软件处理深度变化，而不是表面颜色特征的变化或阴影。三维成像是机械视觉应用的一项强有力的技术。很容易说它已经从“趋势”转移到机器视觉工具箱的标准部分。实际执行3D组件之间的区别可能很困难，对功能的详细讨论超出了本讨论的范围。但是，第一步是确定目标应用程序的类型。对分辨率，深度，水平X和Y平面的要求是必需的。虽然大多数系统作为一个整体提供了通用功能，但提供了更多在特定任务中具有目标和优势的组件，例如用于3d测量或3d盒拾取的组件。也就是说，除了能够为应用程序提供适当的精度外，任何3D解决方案的成功主要是软件实现和系统集成。实际限制的表面上集成3D成像可以是很简单的，但特定应用的挑战的细节。其中一些包括：尽管看起来很明显，在物体运动或成像系统的应用中，任何位置的误差都可能引入必须考虑的测量误差。大多数3d成像系统都表现出一定程度的“3d数据丢失”，即相对于主动照明和相机角度的特征阴影，3d信息中的一个空白。根据应用的不同，一些成像技术可以用来克服这种情况。总之，并非所有的3D机器视觉应用都“为黄金时刻做好了准备”。例如，当应用程序选择一个随机方向时，一个均匀的对象或“盒子拾取”已经得到很好的解决，在许多情况下可以被认为是通用的，选择异构和未知的对象，包装，盒子等等，在许多情况下，仍然是3D成像的一个挑战。此外，对物体或表面进行测量或微分的三维重建在生产率上可能具有挑战性，因为可能需要许多图像才能完全建模和分析组件。六大机器视觉趋势第二，非可见光成像 - 红外波长更广泛的可用性和改进的成像组件性能，以捕获和创建来自不可见红外波长的图像，这是一种趋势能力，可以积极影响各种机器视觉应用。这种趋势的一部分是led照明的普及，这种照明可以产生不同红外波长的光。这类成像的用例是常见的，而确定何时何地红外成像可以使应用程序受益在很大程度上取决于被成像的对象和应用程序的需求。大约700-1000nm的“近红外”（nir）波长成像已经被用于机器视觉多年。用来对大约1000-2800nm的“swir”波长进行成像的照相机并不是全新的，但是最近传感器技术的进步使得这些照相机在自动化应用中更加实用。最后，现在可以使用不冷却的小型照相机（微米仪），非常适合用于热成像或由大约7000-14000nm发射的ir波长成像的自动检测。实际执行不可见成像有特定用途..尼尔已经被用来消除由于机器视觉灯的大功率眩光而引起的工作人员分心和不适，或者突出特定部件的特性，这些部件可能以不同的方式对颜色或某些材料做出反应..SWR波长由某些完全不透明的材料（如许多塑料）传输，并被某些透明材料（如水）以与可见光波长截然不同的方式吸收。当必须在自动化环境中测试热图像时，热成像是唯一的解决方案。实际限制总的来说，对于非可见光成像，如果目标波长成像，以提供所期望的结果，该技术是一种很好的选择。但是，请记住，应用程序库是患者的一小部分机器视觉的结合。限制可能包括：很难总是准确地预测近红外或近红外照明将如何与待测材料相互作用。建议测试应用程序。热成像在自动化领域的一个共同挑战是为所需的与背景温度相关的热分布建立可靠的基线。例如，“过热”零件在散热冷却前必须进行检查，检查过程中零件之间的冷却必须一致。成本降低，但是SWIR和热组件可能比可视成像组件更昂贵。三、嵌入式成像嵌入式图像作为机器视觉市场走势取决于技术定义的差别。视觉分类为结合的任何设备中的嵌入式图像捕获和处理的定义涵盖传统的机器视觉组件是很宽的，并且可以重叠。有人可能会嵌入式视觉约束到那些完全集成在较低级别的设备（SOC - 板的计算机系统或模块上 - 片上系统，或SOM），以便被集成到更大的设备。用例易于可以想象，包括AMR和自主车，甚至智能手机。实际执行嵌入式视觉——无论是SOM、SOC还是具有嵌入式处理功能的相机——在某种意义上都体现了嵌入式可视处理器的存在；通常（但不是唯一）GPU（图形处理单元）或FPGA（现场可编程门阵列）。在任何情况下，处理器都是为特定的任务而编程的，这是一个完整的应用程序或一些图像处理。在大多数实现中，嵌入式视觉处理器需要低级编程来配置或创建应用程序。嵌入式视觉设备与主机系统的接口不同于标准的机器视觉组件，是实现中的一个重要考虑因素。结合对物体表面多角照射产生的图像，可以使灰度图像中的不可见特征更可靠地可视化。实际限制对于一般的机器视觉来说，在特定的单用途应用中使用低层次的嵌入式视觉可能是不切实际的，因为嵌入式视觉设备的编程仍然是一项开发而不是一项集成任务。带有嵌入式处理的机器视觉摄像机在某些应用中可能更实用。嵌入式视觉在机器视觉中的直接和更广泛的应用可能在于实现带有“预编程序”的嵌入式图像处理应用程序-特别是人工智能或深度学习，以及特定任务的业务成像。第四，液体透镜和高分辨率的光学元件机器视觉光学的两个明显趋势是先进的高分辨率和广域相机镜头的激增，以及更无缝集成组件液体镜头的趋势。第一个趋势是实用的；随着相机分辨率的提高和像素尺寸的减小，许多元件透镜供应商都理解并满足了对更好光学元件的需求。更多的产品规格包括有关镜头性能的详细信息，例如显示系统调制传递函数（MTF）图表，这是一个很好的镜头比较度量。液透镜是一种可以根据外界信号改变对焦而不像手动对焦镜头那样对镜头进行任何机械改变的装置。这不是一项新技术。多年来，液体透镜一直被用于智能传感器、智能相机和其他机器视觉设备。然而，将这些设备与机器视觉光学和照相机结合在一起的最新进展使这项技术变得更加通用。实际执行对于所有机器视觉应用，将镜头与分辨率和应用程序的物理要求匹配是一个必要的集成任务。更多镜头选项的可用性为用户和解决方案提供商提供了更好的选择。在液体透镜的成像距离可以在从另一部分所述应用的部件的情况下就变得非常重要，因为它可以实现动态聚焦变化非常快，即使在自动对焦实际限制种类繁多的产品可能使光学元件的选择和区分变得困难。评估与特定应用相关的组件规格和特性非常重要。液透镜技术可能难以实现，但一些嵌入式处理的元件相机正在成为液透镜自动控制的有效手段。一些额外的液晶体组件可能会限制相关透镜的传感器覆盖范围（不适用于集成的液晶体系统）。同时，注意焦点的改变会影响校准，因此液晶状体可能不适合需要精确校准的应用。五.先进的照明技术和处理在机器视觉照明组件的趋势是其实现更大的灵活性，并且在一些情况下，高级成像功能多光谱可控设备的可用性。通过改变单色，也可以是较好地克服芳香部分而不多个照明装置的，或甚至多个不同颜色的照明来创建彩色图像的图像的变化。多个的高速成像的不同照射角度的3D视图可以被用来创建对象的表示或提供高动态范围（HDR）图像。六、AI和深度学习最后，让我们谈谈机器视觉几十年来最流行的趋势：人工智能、机器学习和深入学习。人工智能（artificial intelligence，简称ai）是计算机科学的一个分支，它涉及到对人类行为的计算机模拟。人工智能作为一门学科，自上个世纪中叶就已经存在。人工智能没有描述任何具体的技术，只有目标；任何编程逻辑都可以称为人工智能，甚至可以称为简单的if-then规则和决策树。机器视觉搜索算法被称为人工智能。机器学习是人工智能的一个子集，而深度学习是机器学习的一个子集。这些术语是通过学习算法实现的人工智能技术的名称。机器学习是一个与系统相关的一般概念。基于初始数据输入，他们可以学习和提高他们在给定任务中的性能。深入学习是机器学习，它使用“深度”神经网络，使计算机基本上可以“通过示例学习”。该技术在图像识别、语音识别和语言处理等方面具有很好的应用前景。深度学习是高度计算密集型的，通常需要特殊的处理器硬件(如GPU，图形处理单元与深入学习核心)，特别是在学习过程中。近几年来，可用于机器视觉深度学习的软硬件平台迅速扩展。毫无疑问的是深度学习的机器视觉会产生长期持续的影响，而在目前的通用型产品下面的现实意义。（转自技皆知）