人工智能机器视觉平台产品Word文档格式.docx
- 文档编号:13949312
- 上传时间:2022-10-15
- 格式:DOCX
- 页数:28
- 大小:4.52MB
人工智能机器视觉平台产品Word文档格式.docx
《人工智能机器视觉平台产品Word文档格式.docx》由会员分享,可在线阅读,更多相关《人工智能机器视觉平台产品Word文档格式.docx(28页珍藏版)》请在冰豆网上搜索。
第一章概述
一.1系统简介
机器视觉工业应用广泛,主要具有四个功能:
1、引导和定位,视觉定位要求机器视觉系统能够快速准确的找到被测零件并确认其位置,上下料使用机器视觉来定位,引导机械手臂准确抓取。
在半导体封装领域,设备需要根据机器视觉取得的芯片位置信息调整拾取头,准确拾取芯片并进行绑定,这就是视觉定位在机器视觉工业领域最基本的应用。
2、外观检测:
检测生产线上产品有无质量问题,该环节也是取代人工最多的环节。
说机器视觉涉及到的医药领域,其主要检测包括尺寸检测、瓶身外观缺陷检测、瓶肩部缺陷检测、瓶口检测等。
3、高精度检测:
有些产品的精密度较高,达到0.01~0.02m甚至到u级,人眼无法检测必须使用机器完成。
4、识别:
就是利用机器视觉对图像进行处理、分析和理解,以识别各种不同模式的目标和对象。
可以达到数据的追溯和采集,在汽车零部件、食品、药品等应用较多。
概括的说,机器视觉系统的特点是提高生产的柔性和自动化程度,主要在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉;
同时在大批量工业生产过程中,用人工视觉检查产品质量效率低且精度不高,用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。
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。
机器视觉中,缺陷检测功能,是机器视觉应用得最多的功能之一,主要检测产品表面的各种信息。
在现代工业自动化生产中,连续大批量生产中每个制程都有一定的次品率,单独看虽然比率很小,但相乘后却成为企业难以提高良率的瓶颈,并且在经过完整制程后再剔除次品成本会高很多(例如,如果锡膏印刷工序存在定位偏差,且该问题直到芯片贴装后的在线测试才被发现,那么返修的成本将会是原成本的100倍以上),因此及时检测及次品剔除对质量控制和成本控制是非常重要的,也是制造业进一步升级的重要基石。
在检测行业,与人类视觉相比,机器视觉优势明显
1、精确度高:
人类视觉是64灰度级,且对微小目标分辨力弱;
机器视觉可显著提高灰度级,同时可观测微米级的目标;
2、速度快:
人类是无法看清快速运动的目标的,机器快门时间则可达微秒级别;
3、稳定性高:
机器视觉解决了人类一个非常严重的问题,不稳定,人工目检是劳动非常枯燥和辛苦的行业,无论你设计怎样的奖惩制度,都会发生比较高的漏检率。
但是机器视觉检测设备则没有疲劳问题,没有情绪波动,只要是你在算法中写好的东西,每一次都会认真执行。
在质控中大大提升效果可控性。
4、信息的集成与留存:
机器视觉获得的信息量是全面且可追溯的,相关信息可以很方便的集成和留存
机器视觉技术近年发展迅速
1、图像采集技术发展迅猛
CCD、CMOS等固件越来越成熟,图像敏感器件尺寸不断缩小,像元数量和数据率不断提高,分辨率和帧率的提升速度可以说日新月异,产品系列也越来越丰富,在增益、快门和信噪比等参数上不断优化,通过核心测试指标(MTF、畸变、信噪比、光源亮度、均匀性、色温、系统成像能力综合评估等)来对光源、镜头和相机进行综合选择,使得很多以前成像上的难点问题得以不断突破。
2、图像处理和模式识别发展迅速
图像处理上,随着图像高精度的边缘信息的提取,很多原本混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。
模式识别上,本身可以看作一个标记过程,在一定量度或观测的基础上,把待识模式划分到各自的模式中去。
图像识别中运用得较多的主要是决策理论和结构方法。
决策理论方法的基础是决策函数,利用它对模式向量进行分类识别,是以定时描述(如统计纹理)为基础的;
结构方法的核心是将物体分解成了模式或模式基元,而不同的物体结构有不同的基元串(或称字符串),通过对未知物体利用给定的模式基元求出编码边界,得到字符串,再根据字符串判断它的属类。
在特征生成上,很多新算法不断出现,包括基于小波、小波包、分形的特征,以及独二分量分析;
还有关子支持向量机,变形模板匹配,线性以及非线性分类器的设计等都在不断延展。
3、深度学习带来的突破
传统的机器学习在特征提取上主要依靠人来分析和建立逻辑,而深度学习则通过多层感知机模拟大脑工作,构建深度神经网络(如卷积神经网络等)来学习简单特征、建立复杂特征、学习映射并输出,训练过程中所有层级都会被不断优化。
在具体的应用上,例如自动ROI区域分割;
标点定位(通过防真视觉可灵活检测未知瑕疵);
从重噪声图像重检测无法描述或量化的瑕疵如橘皮瑕疵;
分辨玻璃盖板检测中的真假瑕疵等。
随着越来越多的基于深度学习的机器视觉软件推向市场(包括瑞士的vidi,韩国的SUALAB,香港的应科院等),深度学习给机器视觉的赋能会越来越明显。
4、3d视觉的发展
3D视觉还处于起步阶段,许多应用程序都在使用3D表面重构,包括导航、工业检测、逆向工程、测绘、物体识别、测量与分级等,但精度问题限制了3D视觉在很多场景的应用,目前工程上最先铺开的应用是物流里的标准件体积测量,相信未来这块潜力巨大。
要全免替代人工目检,机器视觉还有诸多难点有待攻破:
1、光源与成像:
机器视觉中优质的成像是第一步,由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取,因此光源与成像可以说是机器视觉检测要攻克的第一个难关。
比如现在玻璃、反光表面的划痕检测等,很多时候问题都卡在不同缺陷的集成成像上。
2、重噪音中低对比度图像中的特征提取:
在重噪音环境下,真假瑕疵的鉴别很多时候较难,这也是很多场景始终存在一定误检率的原因,但这块通过成像和边缘特征提取的快速发展,已经在不断取得各种突破。
3、对非预期缺陷的识别:
在应用中,往往是给定一些具体的缺陷模式,使用机器视觉来识别它们到底有没有发生。
但经常遇到的情况是,许多明显的缺陷,因为之前没有发生过,或者发生的模式过分多样,而被漏检。
如果换做是人,虽然在操作流程文件中没让他去检测这个缺陷,但是他会注意到,从而有较大几率抓住它,而机器视觉在这点上的“智慧”目前还较难突破。
机器视觉系统未来发展趋势:
1、嵌入式解决方案发展迅猛,智能相机性能与成本优势突出,嵌入式PC会越来越强大。
2、模块化的通用型软件平台和人工智能软件平台将降低开发人员技术要求和缩短开发周期。
3、3d视觉将走向更多应用场景。
4、与5G+MEC技术融合,实时性和稳定性进一步提高。
一.2系统总体结构
一个典型的AI机器视觉系统分为三层,分别是图像采集/动作执行层、边缘计算层、中心云,各自完成现场、近场和远端的协同任务。
一.2.1图像采集/动作执行层
传统上图像采集组件包括照明、镜头和相机三大部分,动作执行主要涉及到机械手、传送带、声光报警装置等用于标识、分拣、应急功能的反馈装置。
一.2.1.1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,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。
光源可分为可见光和不可见光。
常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。
可见光的缺点是光能不能保持稳定。
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。
另一方面,环境光有可能影响图像的质量,所以可采用加防护屏的方法来减少环境光的影响。
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摄像机之间,它的优点是能获得高对比度的图像。
前向照明是光源和摄像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,摄像机拍摄要求与光源同步。
一.2.1.2镜头
FOV(FieldofVision)=所需分辨率*亚象素*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影像高度④放大倍数⑤影像至目标的距离⑥中心点/节点⑦畸变
视觉检测中如何确定镜头的焦距
为特定的应用场合选择合适的工业镜头时必须考虑以下因素:
·
视野-被成像区域的大小。
工作距离(WD)-摄像机镜头与被观察物体或区域之间的距离。
CCD-摄像机成像传感器装置的尺寸。
这些因素必须采取一致的方式对待。
如果在测量物体的宽度,则需要使用水平方向的CCD规格,等等。
如果以英寸为单位进行测量,则以英尺进行计算,最后再转换为毫米。
一.2.1.3相机
按照不同标准可分为:
标准分辨率数字相机和模拟相机等。
要根据不同的实际应用场合选不同的相机和高分辨率相机:
线扫描CCD和面阵CCD;
黑白相机和彩色相机。
一.2.1.4机械手
视觉技术代表了机器的眼睛,机器视觉将使得机器人智能化变成现实。
利用“机械手+视觉”方法,实现了机械手视觉引导技术,能帮助机器人/机械手产业实现智能化功能。
典型的步骤如下。
工件检测:
获得工件在图像中的位姿
相机标定:
获得工件在相机坐标系中的位置
手眼标定:
通过标定相机在机械手中的位置获得工件在机械手坐标系中的位姿
传送位姿:
将工件在机械手坐标系中的位姿传送至机械手引导机械手完成工件抓取
一.2.2边缘计算层
边缘计算是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。
这样能够减少请求响应时间、减少网络带宽同时,保证数据的安全性。
1、低延时:
因为边缘计算靠近数据接收源头,所以能够实时获取数据并对数据进行分析处理。
2、高效率:
边缘计算是相对于云计算更靠近设备端,可以在边缘节点处实现对数据的分析和处理,不需要等待数据传输的时间,所以效率会更高。
3、更安全:
边缘计算在获取数据之后,可以对数据加密之后再进行传输,大大提升了数据的安全性。
4、缓解流量压力:
边缘计算在进行云端传输时通过边缘节点进行一部分简单数据处理,当面对大量数据时,可以通过压缩算法,提取到有用信息之后再进行传输,这样可以降低带宽资源消耗。
一.2.2.1边缘的人工智能
云是当今企业进行高级计算和分析的地方。
司使用云来运行像Oracle那样的企业级应用程序,然后使用PC来解释和分析结果。
随着企业采用机器学习技术并采用更高水平的人工智能,云计算资源可能会在每个组织中扮演越来越重要的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 机器 视觉 平台 产品
![提示](https://static.bdocx.com/images/bang_tan.gif)