天天摸夜夜摸夜夜狠狠添,這裏匯聚了

可重構(gòu)視覺檢測(cè)理論與技術(shù)首先系統(tǒng)綜述了機(jī)器視覺檢測(cè)的發(fā)展，分析其重構(gòu)需求，介紹了視覺檢測(cè)的工作原理、可重構(gòu)體系、重構(gòu)的層次與系統(tǒng)流程，然后以硬件與軟件為主線分別討論了視覺檢測(cè)系統(tǒng)重構(gòu)。硬件可重構(gòu)主要介紹了異構(gòu)硬件環(huán)境下通用圖像獲取方法與基于FPGA 的圖像預(yù)處理重構(gòu)。軟件可重構(gòu)主要包括可重構(gòu)算法庫(kù)設(shè)計(jì)、基于配置信息的視覺檢測(cè)流程再生、面向圖像分析的特征提取與重構(gòu)、機(jī)器視覺系統(tǒng)可視化重構(gòu)平臺(tái)設(shè)計(jì)等。最后介紹了可重構(gòu)視覺檢測(cè)平臺(tái)的開發(fā)方法，并以四個(gè)不同領(lǐng)域的視覺檢測(cè)應(yīng)用實(shí)例驗(yàn)證了所述的可重構(gòu)方法。

更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。

第 1章機(jī)器視覺檢測(cè)的重構(gòu)問題
在總結(jié)國(guó)內(nèi)外機(jī)器視覺研究現(xiàn)狀的基礎(chǔ)上，分析了機(jī)器視覺技術(shù)在紡織、電子、農(nóng)業(yè)、機(jī)械以及軍工等領(lǐng)域的應(yīng)用。并針對(duì)傳統(tǒng)機(jī)器視覺檢測(cè)系統(tǒng)針對(duì)性強(qiáng)、重復(fù)開發(fā)、效率低下等問題，引出了機(jī)器視覺檢測(cè)可重構(gòu)設(shè)計(jì)理念，并闡述了可重構(gòu)視覺檢測(cè)系統(tǒng)設(shè)計(jì)方法的意義。
1.1 機(jī)器視覺的概述
機(jī)器視覺是一門涉及人工智能、神經(jīng)生物學(xué)、心理物理學(xué)、計(jì)算機(jī)科學(xué)、圖像處理和模式識(shí)別等多個(gè)領(lǐng)域的交叉學(xué)科，它主要利用計(jì)算機(jī)來(lái)模擬人或再現(xiàn)與人類視覺有關(guān)的某些智能行為，從客觀事物的圖像中提取信息進(jìn)行處理，并加以理解，昀終用于實(shí)際的檢測(cè)、測(cè)量和控制。機(jī)器視覺系統(tǒng)由光學(xué)成像設(shè)備、照明設(shè)備、攝像機(jī)、圖像采集卡、圖像處理設(shè)備及軟件等部分組成。
機(jī)器視覺是利用數(shù)字成像技術(shù)與計(jì)算機(jī)圖像處理技術(shù)替代人眼進(jìn)行判斷與測(cè)量，它具有人眼所無(wú)法比擬的高精度、高效率等優(yōu)點(diǎn)，且易于實(shí)現(xiàn)信息集成，提高生產(chǎn)的柔性和自動(dòng)化程度，是實(shí)現(xiàn)計(jì)算機(jī)集成制造的核心技術(shù)之一 [1]。另外，在一些不適合人工作業(yè)的危險(xiǎn)環(huán)境或大批量工業(yè)自動(dòng)化生產(chǎn)過(guò)程中，采用人工檢查產(chǎn)品質(zhì)量效率過(guò)低且精度不高，在這些人工視覺難以滿足要求的場(chǎng)合，機(jī)器視覺正在迅速取代人工視覺。
近年來(lái)，隨著計(jì)算機(jī)、多媒體、數(shù)字圖像處理、模式識(shí)別、智能控制等理論與技術(shù)的成熟，以及大規(guī)模集成電路的迅速發(fā)展，機(jī)器視覺技術(shù)憑借非接觸式、高效率、高精度、勞動(dòng)強(qiáng)度小以及易于信息集成等優(yōu)點(diǎn)，被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、醫(yī)藥、軍事、航天、交通、安全、科研等領(lǐng)域，取得了巨大的經(jīng)濟(jì)與社會(huì)效益。

1.2 國(guó)內(nèi)外機(jī)器視覺研究現(xiàn)狀
機(jī)器視覺研究的是如何讓計(jì)算機(jī)理解圖像中的一個(gè)場(chǎng)景或者特征，是人工智能的一個(gè)分支，融合了模式識(shí)別、統(tǒng)計(jì)學(xué)、投影幾何、圖像處理和圖論等多門學(xué)科。自 20世紀(jì) 50年代以來(lái)，應(yīng)用于二維圖像分析與識(shí)別的統(tǒng)計(jì)模式識(shí)別研究標(biāo)志著機(jī)器視覺技術(shù)的起源，當(dāng)時(shí)的研究主要集中在顯微和航空?qǐng)D片的分析與理解、各種光學(xué)字符識(shí)別、工業(yè)零件表面缺陷檢測(cè)等。在其后的發(fā)展歷程中，出現(xiàn)了兩種不同的視覺理論：Roberts提出的“積木世界”理論，以及 DAvid MArr提出的 MArr視覺理論。
20世紀(jì) 60年代， Roberts研究從數(shù)字圖像中識(shí)別和提取如圓柱體、立方體等基本三維結(jié)構(gòu)，并通過(guò)描述這些基本形狀及其結(jié)構(gòu)關(guān)系，以理解復(fù)雜的客觀三維世界，從而形成了“積木世界”理論。隨后，該理論促使人們對(duì)各種幾何要素的分析與理解、輪廓特征提取算法等展開了深入研究 [2]。
20世紀(jì) 70年代中期，伴隨著實(shí)用性視覺系統(tǒng)的出現(xiàn)，麻省理工學(xué)院（ MIT）人工智能實(shí)驗(yàn)室正式開設(shè)機(jī)器視覺及其相關(guān)理論的課程，由 DAvid MArr教授帶領(lǐng)的研究小組綜合神經(jīng)生理學(xué)、圖像處理以及心理物理學(xué)等研究成果，提出了計(jì)算視覺理論，從信息處理的角度出發(fā)給出了視覺系統(tǒng)研究的三個(gè)層次 [3]：
(1)
計(jì)算理論層次。確定系統(tǒng)各模塊的計(jì)算目的和策略，即明確“是什么”的問題，如各模塊的輸入、輸出分別是什么，輸入與輸出之間的約束關(guān)系是什么。

(2)
表達(dá)與算法層次。研究各模塊的信息表達(dá)以及完成計(jì)算所需要的算法，其中模塊信息包括輸入、輸出以及內(nèi)部信息。

(3)硬件實(shí)現(xiàn)層次。解決如何用硬件實(shí)現(xiàn)上述表示與算法。
機(jī)器視覺理論主要是基于 DAvid MArr的計(jì)算視覺理論框架發(fā)展而來(lái)，當(dāng)時(shí)的研究主要集中在前兩個(gè)層次，許多理論還無(wú)法進(jìn)行實(shí)際應(yīng)用，但對(duì)于一些低層次處理，如濾波、邊緣提取以及簡(jiǎn)單場(chǎng)景下的二維物體識(shí)別已有成熟的應(yīng)用 [4]。但是，該計(jì)算視覺理論框架的出現(xiàn)具有極大的啟發(fā)意義，推動(dòng)了之后機(jī)器視覺的全球研究熱潮。
20世紀(jì) 90年代中后期，由于小波分析等現(xiàn)代數(shù)學(xué)工具的出現(xiàn)，新概念、新方法和新理論不斷涌現(xiàn)，機(jī)器視覺已經(jīng)從昀初的實(shí)驗(yàn)室研究階段逐漸向?qū)嶋H應(yīng)用階段發(fā)展。尤其進(jìn)入 21世紀(jì)以后，憑借非接觸、高精度、高效率、靈活性高、穩(wěn)定性好、實(shí)時(shí)性強(qiáng)、易于維護(hù)以及可移植性好等眾多優(yōu)點(diǎn)，機(jī)器視覺在工業(yè)、農(nóng)業(yè)、生物醫(yī)學(xué)、軍事與國(guó)防、機(jī)器人導(dǎo)航、交通管理、遙感圖像分析等各行各業(yè)的應(yīng)用得到了前所未有的普及與推廣。如工業(yè)中的零件定位與識(shí)別、尺寸測(cè)量，農(nóng)業(yè)中的農(nóng)產(chǎn)品質(zhì)量檢驗(yàn)、分級(jí)，生物醫(yī)學(xué)中的 CT、磁共振成像，軍事國(guó)防中的導(dǎo)彈制導(dǎo)、超視距雷達(dá)、聲納成像，交通管理中的車輛、牌照識(shí)別等。其中以工業(yè)領(lǐng)域的應(yīng)用昀為普遍，借助機(jī)器視覺技術(shù)，可顯著提高工業(yè)領(lǐng)域的產(chǎn)品生產(chǎn)效率、控制產(chǎn)品品質(zhì)、對(duì)產(chǎn)品實(shí)施分類以及控制生產(chǎn)過(guò)程等。
基于圖像的視覺檢測(cè)方法將機(jī)器視覺引入檢測(cè)領(lǐng)域，利用光機(jī)電一體化的手段使機(jī)器具有視覺的功能，以實(shí)現(xiàn)各種場(chǎng)合下的在線高速檢測(cè)和高精度測(cè)量。在國(guó)外，視覺檢測(cè)的應(yīng)用普及主要體現(xiàn)在半導(dǎo)體及電子行業(yè)，其中大概 40%～50%集中在半導(dǎo)體行業(yè)，其他的研究應(yīng)用領(lǐng)域涉及社會(huì)生產(chǎn)的方方面面，而且應(yīng)用的深度也越來(lái)越大，從原始的在線監(jiān)視到外觀檢測(cè)再到動(dòng)作和運(yùn)動(dòng)控制，甚至許多視覺單元都直接集成到成套生產(chǎn)設(shè)備中。如 IC封裝中的芯片檢測(cè)系統(tǒng)，印刷生產(chǎn)線上的機(jī)器視覺質(zhì)量控制系統(tǒng) [5]。國(guó)際上有名的工業(yè)視覺系統(tǒng)集成商，包括美國(guó)的 NI、COGNEX 和 PROIMAGE，瑞士的 BOBST，德國(guó)的 VMT，加拿大的 HexSight，日本的 DAC、 TOKIMEC和 KEYENCE等公司都已提供基于機(jī)器視覺的產(chǎn)品表面缺陷在線檢測(cè)系統(tǒng)，并且獲得了較好的推廣 [6]。
我國(guó)機(jī)器視覺應(yīng)用起步較晚，但隨著制造業(yè)向中國(guó)的逐步轉(zhuǎn)移，企業(yè)對(duì)高效檢測(cè)技術(shù)的需求日益增多，特別是半導(dǎo)體及電子行業(yè)對(duì)高精度在線檢測(cè)的迫切需求，推進(jìn)了國(guó)外先進(jìn)機(jī)器視覺技術(shù)的逐步引進(jìn)。歷經(jīng)十多年的努力，國(guó)內(nèi)機(jī)器視覺技術(shù)已經(jīng)得到了長(zhǎng)足的發(fā)展，但由于缺乏核心技術(shù)，在高精度數(shù)字相機(jī)及芯片設(shè)計(jì)制造、圖像處理算法設(shè)計(jì)等方面與國(guó)外仍存在較大差距。
目前，絕大多數(shù)工業(yè)應(yīng)用的機(jī)器視覺檢測(cè)系統(tǒng)多停留在二維檢測(cè)上，三維檢測(cè)技術(shù)仍處于理論研究和實(shí)驗(yàn)階段。另外，機(jī)器視覺檢測(cè)系統(tǒng)的檢測(cè)精度和檢測(cè)速度仍有待提高。檢測(cè)精度和檢測(cè)速度是機(jī)器視覺檢測(cè)系統(tǒng)昀基本的性能指標(biāo)，同時(shí)它們之間的矛盾也是阻礙機(jī)器視覺檢測(cè)技術(shù)應(yīng)用的昀大瓶頸。首先，視覺檢測(cè)必須滿足一定的精度要求，確保獲取有意義的數(shù)據(jù)，才能保證檢測(cè)結(jié)果的可信度。然而，精度高的檢測(cè)識(shí)別算法多具有高的計(jì)算復(fù)雜度和較長(zhǎng)的計(jì)算時(shí)間，從而影響視覺檢測(cè)速度。而且，提高檢測(cè)速度對(duì)于在線檢測(cè)和離線檢測(cè)兩類機(jī)器視覺檢測(cè)都具有重要意義。尤其是在線實(shí)時(shí)檢測(cè)，如何將機(jī)器視覺檢測(cè)系統(tǒng)嵌入到生產(chǎn)線相應(yīng)的工序中，并實(shí)現(xiàn)檢測(cè)速度與生產(chǎn)線節(jié)拍的協(xié)調(diào)，關(guān)乎該機(jī)器視覺檢測(cè)系統(tǒng)能否真正實(shí)用化的問題。因此，為了兼顧檢測(cè)精度與檢測(cè)速度，國(guó)內(nèi)外都提出了一些新的算法，但是很多仍處于實(shí)驗(yàn)室階段，在復(fù)雜的工業(yè)現(xiàn)場(chǎng)仍存在準(zhǔn)確性、魯棒性下降等問題。
另外，機(jī)器視覺檢測(cè)系統(tǒng)的智能化程度與通用性有待提高，應(yīng)用中的大部分機(jī)器視覺檢測(cè)系統(tǒng)多是針對(duì)某一種產(chǎn)品或應(yīng)用場(chǎng)合的專用檢測(cè)系統(tǒng)，只能對(duì)該產(chǎn)品有限的、特定的產(chǎn)品類型進(jìn)行檢測(cè)，很難直接用于或移植到其他的產(chǎn)品檢測(cè)中，無(wú)法實(shí)現(xiàn)產(chǎn)品檢測(cè)的通用化與智能化 [7]。
隨著機(jī)器視覺理論研究的不斷深入，機(jī)器視覺檢測(cè)技術(shù)將逐步在各行各業(yè)中得以廣泛應(yīng)用。在線實(shí)時(shí)檢測(cè)、高精度檢測(cè)、將檢測(cè)任務(wù)集成起來(lái)實(shí)現(xiàn)機(jī)器視覺智能檢測(cè)、適應(yīng)生產(chǎn)的柔性化檢測(cè)以及彩色圖像與多光譜圖像的處理算法研究將成為機(jī)器視覺檢測(cè)技術(shù)的發(fā)展趨勢(shì)�？傊�，隨著計(jì)算機(jī)技術(shù)和光電技術(shù)的快速發(fā)展，機(jī)器視覺檢測(cè)技術(shù)必將實(shí)現(xiàn)高精度、高效率、高適應(yīng)性、高智能，并成為產(chǎn)品自動(dòng)檢測(cè)技術(shù)的重要發(fā)展方向。

1.3 機(jī)器視覺關(guān)鍵理論與技術(shù)
在機(jī)器視覺系統(tǒng)中，圖像處理與圖像理解算法研究是理論基礎(chǔ)，視覺系統(tǒng)的單元技術(shù)與系統(tǒng)集成是實(shí)現(xiàn)關(guān)鍵。其中，關(guān)鍵技術(shù)涉及光源照明技術(shù)、光學(xué)鏡頭、攝像機(jī)、圖像采集裝置、圖像處理裝置以及控制響應(yīng)機(jī)構(gòu)等 [8]。
1.3.1 機(jī)器視覺識(shí)別理論研究
機(jī)器視覺系統(tǒng)的應(yīng)用場(chǎng)合千差萬(wàn)別，每一個(gè)系統(tǒng)都具有各自的特點(diǎn)與要求，對(duì)其識(shí)別理論的研究一方面要提高通用算法的適應(yīng)性，另一方面要依據(jù)所應(yīng)用的對(duì)象特點(diǎn)對(duì)圖像處理與識(shí)別算法做相應(yīng)的完善與改進(jìn)以適應(yīng)特定的需求。
國(guó)外在機(jī)器視覺方面的研究起步早，應(yīng)用的領(lǐng)域也較廣泛。為了判斷炸薯片的質(zhì)量好壞， Lotfi等通過(guò)研究炸薯片的顯微圖像，提取圖像中色調(diào)矩陣直方圖的標(biāo)準(zhǔn)差作為特征，采用神經(jīng)網(wǎng)絡(luò)算法分類炸薯片以控制其質(zhì)量 [9]。TAouil等選取以彩色圖像 RGB分量計(jì)算出的黃色值為特征，檢測(cè)橄欖油生產(chǎn)線上灌裝后瓶塞是否漏裝[10]。葡萄牙國(guó)家工業(yè)技術(shù)及工程局( INETI)開發(fā)的基于機(jī)器視覺的工業(yè)腈綸質(zhì)量控制系統(tǒng) INFIBRA，利用視覺測(cè)量各條腈綸帶的寬度及其之間的間隙，及時(shí)發(fā)現(xiàn)腈綸帶的斷裂、分叉與纏繞等故障 [11]。CAno等提出了采用機(jī)器視覺與加速度傳感器相結(jié)合的機(jī)床彈性變形預(yù)測(cè)方法，用以標(biāo)定運(yùn)行部件的振動(dòng) [12]。DergAnc等設(shè)計(jì)了基于機(jī)器視覺的軸承質(zhì)量檢測(cè)系統(tǒng)，借助 Hough變換和線性回歸檢測(cè)軸承滾針的偏心與滾針的長(zhǎng)度，從而判定軸承質(zhì)量的好壞 [13]。為了解決參數(shù)間的耦合導(dǎo)致昀優(yōu)參數(shù)調(diào)節(jié)困難的問題， MArtin-Herrero等開發(fā)的金槍魚罐頭質(zhì)量在線視覺檢測(cè)系統(tǒng)，把感興趣區(qū)域( ROI)分塊，并參數(shù)化為特征向量，以構(gòu)建 SOFM(Self-orgAnizing FeAture MAp)神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過(guò)樣本訓(xùn)練以及在線學(xué)習(xí)，使得該系統(tǒng)在每分鐘 1000罐的檢測(cè)速度下獲得與質(zhì)檢員平均意見得分一致的結(jié)果 [14]。BorAngiu等采用人工視覺引導(dǎo)機(jī)器人實(shí)施零件裝配，并在裝配的各個(gè)階段實(shí)時(shí)檢測(cè)零件材料與裝配的質(zhì)量[15]。AdAmo等開發(fā)了一個(gè)基于機(jī)器視覺的色丁玻璃在線缺陷檢測(cè)原型系統(tǒng)，它采用閾值分割實(shí)現(xiàn)邊界的檢測(cè)， CAnny算法實(shí)現(xiàn)缺陷識(shí)別，其能識(shí)別的昀小缺陷寬度為 0.52mm，每幀(玻璃尺寸為 1200×400mm)圖像的處理時(shí)間為 180s，滿足了玻璃自動(dòng)生產(chǎn)線的實(shí)時(shí)性要求 [16]。KArAthAnAssi等提出的基于機(jī)器視覺的溶液制劑質(zhì)量控制系統(tǒng)包括離線標(biāo)定與在線檢測(cè)兩部分，其中在線檢測(cè)負(fù)責(zé)試劑內(nèi)容與液位的檢測(cè)[17]。
由于機(jī)器視覺的昀初應(yīng)用與普及主要體現(xiàn)在半導(dǎo)體及電子行業(yè)，而這些行業(yè)本身在國(guó)內(nèi)就屬于新興領(lǐng)域，再加之機(jī)器視覺產(chǎn)品技術(shù)的普及不夠，導(dǎo)致以上各行業(yè)的應(yīng)用一直停留在比較低端的小系統(tǒng)集成上。隨著我國(guó)配套基礎(chǔ)建設(shè)的完善，技術(shù)、資金的積累，各行各業(yè)對(duì)采用圖像和機(jī)器視覺技術(shù)的工業(yè)自動(dòng)化、智能化需求大大增加，國(guó)內(nèi)有關(guān)大專院校、研究機(jī)構(gòu)以及企業(yè)近年來(lái)在圖像與機(jī)器視覺領(lǐng)域進(jìn)行了大量積極的思索與大膽的嘗試。在光學(xué)字符識(shí)別、交通監(jiān)控系統(tǒng)、信封分揀系統(tǒng)、藥品檢測(cè)分裝、印刷色彩檢測(cè)等應(yīng)用領(lǐng)域取得了一定的成果。如中南大學(xué)的陽(yáng)春華等借助計(jì)算機(jī)視覺測(cè)量礦物浮選泡沫的顏色與尺寸，克服了人工浮選的主觀性，使選礦過(guò)程昀優(yōu)化 [18]。四川大學(xué)尹伯彪等針對(duì)現(xiàn)場(chǎng)大尺寸測(cè)量難以避免的空氣擾動(dòng)問題，采用波前修正的圖像恢復(fù)方法復(fù)原經(jīng)靶鏡反射后的畸變激光光斑，以提高測(cè)量精度[19]。華中科技大學(xué)針對(duì)玻璃行業(yè)設(shè)計(jì)了基于機(jī)器視覺的浮法玻璃在線質(zhì)量檢測(cè)系統(tǒng)[20]。
基于機(jī)器視覺的自動(dòng)檢測(cè)流程包括圖像獲取、預(yù)處理、圖像分割、特征提取、缺陷表示與識(shí)別以及設(shè)備對(duì)缺陷的響應(yīng)等單元，其中核心內(nèi)容是特征提取、缺陷表示與識(shí)別 [21]。特征提取就是要尋找能表達(dá)這些待檢測(cè)對(duì)象的特性，如形狀、大小、顏色、紋理結(jié)構(gòu)性與周期性等，并同時(shí)區(qū)分于其他對(duì)象的一組參數(shù)，即特征集。常用的特征提取算法包括空間域和頻域兩種。
空間域提取算法采用不同方法對(duì)圖像灰度矩陣進(jìn)行變換以獲得不同的特征值。常用的方法有：灰度共生矩陣法、 MArkov隨機(jī)場(chǎng)法、灰度直方圖統(tǒng)計(jì)法、灰度匹配法以及基于 PCNN(脈沖耦合神經(jīng)網(wǎng)絡(luò))的提取方法�；叶裙采仃囃ㄟ^(guò)計(jì)算二階矩、逆差分矩和熵等特征來(lái)描述紋理，具有不受缺陷種類限制及不需要不斷更改閾值以適應(yīng)被檢圖像的優(yōu)點(diǎn)，但計(jì)算量大�；叶戎狈綀D統(tǒng)計(jì)法以圖像灰度直方圖的統(tǒng)計(jì)特征(如均值、方差等)為參數(shù)繪制特征波形，通過(guò)波形對(duì)比定位紋理結(jié)構(gòu)的異常位置。該識(shí)別算法原理簡(jiǎn)單、運(yùn)算速度快、可靠穩(wěn)定、適應(yīng)性強(qiáng)，但有些缺陷類型難以識(shí)別，且分類困難�；叶绕ヅ浞ㄍㄟ^(guò)將待檢產(chǎn)品與標(biāo)準(zhǔn)樣品進(jìn)行差分，再與設(shè)定的灰度閾值比較以識(shí)別缺陷，具有原理簡(jiǎn)單、計(jì)算量小等優(yōu)點(diǎn)，但對(duì)現(xiàn)場(chǎng)環(huán)境要求高，如光源衰減、灰塵以及生產(chǎn)工藝與流程等都會(huì)影響圖像效果，而且閾值的選取帶有主觀性，需不斷改變。神經(jīng)網(wǎng)絡(luò)模型通過(guò)對(duì)輸入樣本的學(xué)習(xí)，不斷地在誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)，其優(yōu)點(diǎn)是定位準(zhǔn)確、適應(yīng)性強(qiáng)，但迭代計(jì)算量大。
頻域提取算法能充分利用紋理的周期性，故提取的特征值穩(wěn)定性和適應(yīng)性都比空間域算法好。常用的頻域提取算法有快速傅里葉變換法、 GAbor變換法與小波變換法等。傅里葉變換可以在頻域中分離周期性紋理、背景信息和噪聲，具有穩(wěn)定性好、適應(yīng)性強(qiáng)的特點(diǎn)，但缺乏空間域的定位信息。 GAbor小波是一組窄帶帶通濾波器，有明顯的方向選擇和頻率選擇特性，能實(shí)現(xiàn)空間域和頻域的聯(lián)合定位；缺點(diǎn)是計(jì)算量較大。小波變換則具有多尺度的特點(diǎn)，能在時(shí)域、頻域表征信息局部特征，適合于奇異點(diǎn)的檢測(cè)。

1.3.2 機(jī)器視覺關(guān)鍵實(shí)現(xiàn)技術(shù)
1．光源照明技術(shù)
在機(jī)器視覺應(yīng)用系統(tǒng)中，光源與照明方案往往關(guān)乎整個(gè)視覺系統(tǒng)的成敗，并非簡(jiǎn)單地照亮待檢物體而已。好的光源與照明方案應(yīng)盡可能地突出物體特征，使待檢物體的關(guān)鍵區(qū)域與那些不關(guān)注的區(qū)域之間盡可能地產(chǎn)生明顯區(qū)別，增加其對(duì)比度。同時(shí)，應(yīng)保證圖像具有足夠的整體亮度，并覆蓋待檢物體的整個(gè)運(yùn)動(dòng)區(qū)域，以確保物體位置的變化不至于影響到成像質(zhì)量。機(jī)器視覺檢測(cè)系統(tǒng)的光照方式通常分為透射光和反射光兩種。對(duì)于反射光方式，應(yīng)充分考慮光源和光學(xué)鏡頭的相對(duì)位置、物體表面的紋理、物體的幾何形狀以及背景等因素。另外，選擇光源時(shí)還應(yīng)考慮光源的幾何形狀、光照亮度、均勻度、發(fā)光的光譜特性、發(fā)光效率、使用壽命以及安裝位置等。幾種主要光源的相關(guān)特性如表 1.1所示[8]。
表 1.1常用光源的特性對(duì)比
光源顏色壽命/小時(shí) 亮度特點(diǎn)
鹵素光白色，偏黃 5000～7000 很亮發(fā)熱多，較便宜
熒光燈白色，偏綠 5000～7000 亮較便宜
LED燈紅，黃，綠，白，藍(lán) 60000～100000 較亮發(fā)熱少，形狀可變
氙燈白色，偏藍(lán) 3000～7000 亮發(fā)熱多，持續(xù)光
電致發(fā)光管由發(fā)光頻率決定 5000～7000 較亮發(fā)熱少，較便宜

其中，LED光源因其顯色性好，光譜范圍寬，能覆蓋可見光的整個(gè)范圍，且發(fā)光強(qiáng)度高，穩(wěn)定時(shí)間長(zhǎng)等優(yōu)點(diǎn)，成為圖像領(lǐng)域的新寵兒。雖然其價(jià)格偏高，但隨著其制造工藝和技術(shù)的成熟，必將得到越來(lái)越廣泛的應(yīng)用。另外，高頻熒光燈憑借其發(fā)光強(qiáng)度高、性價(jià)比好等優(yōu)勢(shì)，在某些特定場(chǎng)合也是不錯(cuò)的選擇。
2．光學(xué)鏡頭
機(jī)器視覺系統(tǒng)中的光學(xué)鏡頭相當(dāng)于人眼的晶狀體，對(duì)待檢產(chǎn)品的成像效果具有重要的影響。一個(gè)鏡頭成像質(zhì)量的優(yōu)劣體現(xiàn)在其對(duì)像差校正的程度，主要以像差大小來(lái)衡量，常見的像差有：球差、彗差、像散、場(chǎng)曲、畸變、色差等六種。對(duì)于定焦鏡頭或變焦鏡頭的選擇而言，通常同一檔次的定焦鏡頭的像差會(huì)明顯比變焦鏡頭的小。由于變焦鏡頭為了保證在各種不同焦距下相對(duì)較好的成像質(zhì)量，不允許在變焦范圍內(nèi)的某個(gè)焦距下出現(xiàn)成像很差的情況，采用了折衷的考慮，故在設(shè)計(jì)機(jī)器視覺應(yīng)用系統(tǒng)時(shí)，應(yīng)根據(jù)被測(cè)目標(biāo)的狀態(tài)優(yōu)先選用定焦鏡頭。此外，還需綜合考慮圖像的放大倍率、視場(chǎng)大小、光圈大小、焦距、視角大小以及鏡頭與攝像機(jī)的安裝接口等因素。

你還可能感興趣

我要評(píng)論