机器视觉是人工智能发展迅速的一个分支。简单地说，机器视觉就是用机器代替人眼进行测量和判断。机器视觉系统通过机器视觉产品（即图像采集设备，分为CMOS和CCD）将采集到的目标转化为图像信号，传输到专用的图像处理系统，得到目标的形状信息捕获的目标。根据像素分布和亮度、颜色等信息转换成数字信号；图像系统对这些信号进行各种运算，提取目标的特征，然后根据判别结果控制现场设备动作。发展今天，中国正在成为世界上机器视觉发展最为活跃的地区之一，其应用范围涵盖了工业、农业、医药、军事、航天、气象、天文、公共等国民经济的各个行业。安全、交通、安全和科学研究。重要原因是中国已经成为全球制造业的加工中心。高要求的零部件加工和相应的先进生产线，为中国带来了多项具有国际先进水平的机器视觉系统和应用经验。经过长时间的蛰伏，2010年中国机器视觉市场迎来爆发式增长。数据显示，当年中国机器视觉市场规模达到8.3亿元，同比增长48.2%。其中，智能相机、软件、光源和板卡的增速均达到50%，工业相机和镜头也保持了40%以上的增速，均达到自2007年以来的最高水平。工作原理机器视觉检测系统使用CCD相机将检测到的目标转换为图像信号，然后发送到专用的图像处理系统。根据像素分布、亮度、颜色等信息，转换成数字信号，图像处理系统对这些信号进行各种处理。一种提取目标特征的操作，如面积、数量、位置、长度，然后根据预设的公差等条件输出结果，包括尺寸、角度、数量、通过/失败、存在/不存在等，实现自动识别功能。概述机器视觉系统的特点是提高生产的柔性化和自动化程度。在一些不适合人工作业或人工视觉难以满足要求的危险作业环境中，常采用机器视觉替代人工视觉；同时，在大规模工业生产过程中，利用人工视觉检查产品质量的效率和准确性较低，采用机器视觉检测手段可以大大提高生产效率和生产自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的基础技术。典型结构一个典型的机器视觉系统包括以下五大块：照明照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，针对每个具体的应用实例，都应选择相应的照明设备，以达到最佳效果。光源可分为可见光和不可见光。几种常用的可见光源有白炽灯、荧光灯、汞灯和钠灯。可见光的缺点是光能不稳定。如何在一定程度上保持光能稳定是实际应用过程中亟待解决的问题。另一方面，环境光可能会影响图像质量，因此可以采用加保护屏的方法来降低环境光的影响。照明系统按其照射方式可分为：逆光、顺光、结构光和频闪照明。其中，逆光是指将被测物体置于光源和相机之间，其优点是可以获得高对比度的图像。对于前向照明，光源和相机位于被测物体的同一侧，安装方便。结构光照明是将光栅或线光源投射到被测物体上，根据它们产生的畸变解调被测物体的三维信息。频闪照明是将高频光脉冲照射到物体上，相机拍摄需要与光源同步。镜头FOV（FieldofVision）=所需分辨率*子像素*相机尺寸/PRTM（零件测量公差比）镜头选择应注意：①焦距②目标高度③像高④放大倍率⑤图像到目标的距离⑥中心点/节点⑦畸变目视检测中如何确定镜头的焦距在为特定应用选择合适的工业镜头时，必须考虑以下因素：视场——成像区域的大小。工作距离(WD)-相机镜头与被观察物体或区域之间的距离。CCD-相机成像传感器设备的尺寸。必须以一致的方式对待这些因素。如果是测量物体的宽度，则需要使用水平CCD规格等。如果以英寸为单位测量，则以英尺计算并转换为毫米。考虑以下示例：有一个1/3”C接口CCD相机（4.8毫米水平）。物体到镜头前部的距离为12英寸（305毫米）。视野或物体尺寸为2.5"(64mm)。转换系数为1"=25.4mm（四舍五入）。FL=4.8mmx305mm/64mmFL=1464mm/64mmFL=根据23mm镜头的要求FL=0.19"x12"/2.5"FL=2.28"/2.5"FL=0.912"x25.4mm/inchFL=根据要求23mm镜头注意：不要将工作距离与物像距离混淆。工作距离是工业镜头前端到被观察物体的距离。物体到图像的距离就是CCD传感器到物体的距离。在计算工业镜头所需的焦距时，必须使用工作距离。高速摄像机可根据不同的标准分为：标准分辨率数字摄像机和模拟摄像机。应根据不同的实际应用选择不同的相机和高分辨率相机：按成像颜色可分为彩色相机和黑白相机；根据分辨率，像素数小于380,000。超过380,000个高分辨率模型；按感光面大小可分为1/4、1/3、1/2、1英寸相机；按扫描方式可分为线扫描相机（linescancameras）和面扫描相机（areascancamera）两种方式；（面阵相机可分为隔行扫描相机和逐行扫描相机）；按同步方式可分为普通相机（内部同步）和相机的外部同步功能等。.图像采集卡直接决定了相机的接口：黑白、彩色、模拟、数字等。通常，兼容PCI或AGP的采集卡可以将图像快速传输到计算机内存中进行处理。一些采集卡具有内置的多路复用器。例如，你可以连接8个不同的摄像头，然后告诉采集卡使用那个摄像头采集到的信息。一些采集卡内置数字输入触发采集卡采集，采集卡采集图像时数字输出触发门控。视觉处理器视觉处理器集成了采集卡和处理器。过去，当计算机运行缓慢时，视觉处理器被用来加速视觉处理任务。采集卡将图像传输到内存中，然后进行计算分析。目前PLC的主流配置，而且配置比较高，而视觉处理器几乎已经退出市场。应用案例布匹生产过程中，布匹质量检测等重复性高、智能化程度高的工作，只能通过人工检测来完成。在现代化的流水线后面经常可以看到很多检测工人来执行这个过程。在给企业增加巨额人工成本和管理成本的同时，仍不能保证100%的检验合格率（即“零缺陷”）。布质检测是重复性工作，容易出错，效率低下。流水线的自动化改造，使布料生产线成为快速、实时、准确、高效的流水线。在流水线上，自动确认所有布料的颜色和数量（以下简称“验布”）。利用机器视觉的自动识别技术来完成以前需要人工完成的工作。在布料批量检测中，人工检测产品质量效率和准确性较低，采用机器视觉检测方式可以大大提高生产效率和生产自动化程度。特征提取与识别一般布料检测（自动识别）首先使用高清、高速相机镜头拍摄标准图像，然后在此基础上设定一定的标准；然后拍摄检测到的图像，然后将两者进行比较。但在布质检测项目中比较复杂：1、图像内容不是单一图像，各检测区域杂质的数量、大小、颜色、位置不一定一致。2、杂质的形状难以事先确定。3.由于布料快速移动引起的光线反射，图像中可能存在大量噪点。4、在流水线上，对布料检验有实时要求。由于以上原因，在图像识别处理中应采用相应的算法，提取杂质特征，进行模式识别，实现智能分析。颜色检测一般而言，彩色CCD相机获取的图像都是RGB图像。也就是说，每个像素由红（R）、绿（G）、蓝（B）三个分量组成，代表RGB色彩空间中的一个点。问题是这些色差与人眼所感知的不同。即使是少量的噪声也会改变颜色空间中的位置。所以无论我们人眼感觉多么相似，在色彩空间上都是不一样的。基于以上原因，我们需要将RGB像素点转换到另一个颜色空间CIELAB中。目的是使我们人眼的感知尽可能接近色彩空间中的色差。斑点检测根据上面得到的处理后的图像，根据需要检测纯色背景中的杂质污渍，并计算污渍的面积，判断是否在检测范围内。因此，图像处理软件应具有分离目标、检测目标、计算其面积的功能。斑点分析（BlobAnalysis）是分析图像中同一像素的连通域，连通域称为Blob。二进制阈值处理后的图像中的色点可视为斑点。斑点分析工具可以将目标从背景中分离出来，计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点之间的拓扑结构。该处理不是逐个分析单个像素，而是对图形行进行处理。图像的每一行都使用游程编码(RLE)来表示相邻的对象范围。与基于像素的算法相比，该算法大大提高了处理速度。结果处理及控制应用程序将返回的结果存储在数据库中或用户指定的位置，并根据结果控制机械部件进行相应的动作。根据识别结果存入数据库进行信息管理。以后可以随时调取信息，管理者可以知道一定时间内流水线的繁忙程度，为接下来的工作做出安排；可以知道内布的质量等等。应用现状在国外，机器视觉应用的普及主要体现在半导体和电子行业，其中约40%-50%集中在半导体行业。具体如PCB印制电路：各种生产印制电路板组装技术及设备；单面、双面、多层线路板、覆铜板及所需材料、配件；辅助设施和消耗品、墨水、药剂、配件；电子封装技术与设备；丝网印刷设备及丝网周边材料等SMT表面贴装：SMT工艺及设备、焊接设备、检测设备、返修设备及各种辅助工具及配件、SMT材料、贴片剂、粘合剂、助焊剂、焊锡、抗氧化油、锡膏、清洗剂等；回流焊机、波峰焊机及自动化生产线设备。电子生产加工设备：电子元器件制造设备、半导体及集成电路制造设备、元器件成型设备、电子工模具。机器视觉系统也被广泛应用于质量检测的各个方面，其产品在应用中占有举足轻重的地位。除此之外，机器视觉还用于其他各个领域。在中国，视觉技术的应用始于20世纪90年代，由于行业本身是一个新兴领域，加上机器视觉产品技术没有普及，导致上述行业的应用几乎空白。目前，国内的机器视觉大部分是国外品牌。国内大部分机器视觉公司基本上都是通过代理各种国外机器视觉品牌起家的。随着机器视觉的不断应用，公司规模逐渐壮大，技术也逐渐成熟。随着经济水平的提高，3D机器视觉也开始进入人们的视野。3D机器视觉主要用于水果和蔬菜、木材、化妆品、烘焙食品、电子元件和医药产品的分级。它可以提高好产品的生产能力，在生产过程中及早剔除不良产品，从而减少浪费，节省成本。此功能非常适合对高度、形状、数量甚至颜色等产品属性进行成像。在工业应用方面，主要有制药、包装、电子、汽车制造、半导体、纺织、烟草、交通、物流等行业。用机器视觉技术代替人工，可以提高生产效率和产品质量。例如，在物流行业，可以利用机器视觉技术对快递进行分拣和分类。大多数快递公司不会进行人工分拣，降低了物品的破损率，提高了分拣效率，减少了人工。
