|
i.三維成像，用于計量和視覺引導機器人（VGR） 機器視覺3D影像市場擴展組件是一個強烈的趨勢，這對3D測量和指導的高需求，以及增加三維成像系統(tǒng)的可用性的提升具有成本效益的技術(shù)部分。延伸部分是用于浪涌某些應(yīng)用中，諸如三維測量，機器人導向器（VGR - 相關(guān)任務(wù)，諸如拾取拾取和放置物體視覺引導的機器人，或隨機的）運算功能，和自動移動機器人（AMR ）和安全指南。 三維成像系統(tǒng)捕獲物理空間的視圖，并提供表示場景中包含深度和熟悉的二維“平面”（x和y）的點的數(shù)據(jù)。一些可用組件還提供灰色（對比度）甚至彩色圖像和三維數(shù)據(jù)。三維成像的基本優(yōu)勢是提供三維定位，但另一個重要優(yōu)勢是三維圖像通常是“對比度不耐受”。也就是說，圖像信息允許軟件處理深度變化，而不是表面顏色特征的變化或陰影。 三維成像是機械視覺應(yīng)用的一項強有力的技術(shù)。很容易說它已經(jīng)從“趨勢”轉(zhuǎn)移到機器視覺工具箱的標準部分。 實際執(zhí)行 3D組件之間的區(qū)別可能很困難，對功能的詳細討論超出了本討論的范圍。但是，第一步是確定目標應(yīng)用程序的類型。對分辨率，深度，水平X和Y平面的要求是必需的。雖然大多數(shù)系統(tǒng)作為一個整體提供了通用功能，但提供了更多在特定任務(wù)中具有目標和優(yōu)勢的組件，例如用于3d測量或3d盒拾取的組件。也就是說，除了能夠為應(yīng)用程序提供適當?shù)木韧猓魏?D解決方案的成功主要是軟件實現(xiàn)和系統(tǒng)集成。 實際限制 的表面上集成3D成像可以是很簡單的，但特定應(yīng)用的挑戰(zhàn)的細節(jié)。其中一些包括： 盡管看起來很明顯，在物體運動或成像系統(tǒng)的應(yīng)用中，任何位置的誤差都可能引入必須考慮的測量誤差。 大多數(shù)3d成像系統(tǒng)都表現(xiàn)出一定程度的“3d數(shù)據(jù)丟失”，即相對于主動照明和相機角度的特征陰影，3d信息中的一個空白。根據(jù)應(yīng)用的不同，一些成像技術(shù)可以用來克服這種情況。 總之，并非所有的3D機器視覺應(yīng)用都“為黃金時刻做好了準備”。例如，當應(yīng)用程序選擇一個隨機方向時，一個均勻的對象或“盒子拾取”已經(jīng)得到很好的解決，在許多情況下可以被認為是通用的，選擇異構(gòu)和未知的對象，包裝，盒子等等，在許多情況下，仍然是3D成像的一個挑戰(zhàn)。此外，對物體或表面進行測量或微分的三維重建在生產(chǎn)率上可能具有挑戰(zhàn)性，因為可能需要許多圖像才能完全建模和分析組件。 六大機器視覺趨勢 第二，非可見光成像 - 紅外波長 更廣泛的可用性和改進的成像組件性能，以捕獲和創(chuàng)建來自不可見紅外波長的圖像，這是一種趨勢能力，可以積極影響各種機器視覺應(yīng)用。這種趨勢的一部分是led照明的普及，這種照明可以產(chǎn)生不同紅外波長的光。這類成像的用例是常見的，而確定何時何地紅外成像可以使應(yīng)用程序受益在很大程度上取決于被成像的對象和應(yīng)用程序的需求。 大約700-1000nm的“近紅外”（nir）波長成像已經(jīng)被用于機器視覺多年。用來對大約1000-2800nm的“swir”波長進行成像的照相機并不是全新的，但是最近傳感器技術(shù)的進步使得這些照相機在自動化應(yīng)用中更加實用。最后，現(xiàn)在可以使用不冷卻的小型照相機（微米儀），非常適合用于熱成像或由大約7000-14000nm發(fā)射的ir波長成像的自動檢測。 實際執(zhí)行 不可見成像有特定用途..尼爾已經(jīng)被用來消除由于機器視覺燈的大功率眩光而引起的工作人員分心和不適，或者突出特定部件的特性，這些部件可能以不同的方式對顏色或某些材料做出反應(yīng)..SWR波長由某些完全不透明的材料（如許多塑料）傳輸，并被某些透明材料（如水）以與可見光波長截然不同的方式吸收。當必須在自動化環(huán)境中測試熱圖像時，熱成像是唯一的解決方案。 實際限制 總的來說，對于非可見光成像，如果目標波長成像，以提供所期望的結(jié)果，該技術(shù)是一種很好的選擇。但是，請記住，應(yīng)用程序庫是患者的一小部分機器視覺的結(jié)合。限制可能包括： 很難總是準確地預測近紅外或近紅外照明將如何與待測材料相互作用。建議測試應(yīng)用程序。 熱成像在自動化領(lǐng)域的一個共同挑戰(zhàn)是為所需的與背景溫度相關(guān)的熱分布建立可靠的基線。例如，“過熱”零件在散熱冷卻前必須進行檢查，檢查過程中零件之間的冷卻必須一致。 成本降低，但是SWIR和熱組件可能比可視成像組件更昂貴。 三、嵌入式成像 嵌入式圖像作為機器視覺市場走勢取決于技術(shù)定義的差別。視覺分類為結(jié)合的任何設(shè)備中的嵌入式圖像捕獲和處理的定義涵蓋傳統(tǒng)的機器視覺組件是很寬的，并且可以重疊。有人可能會嵌入式視覺約束到那些完全集成在較低級別的設(shè)備（SOC - 板的計算機系統(tǒng)或模塊上 - 片上系統(tǒng)，或SOM），以便被集成到更大的設(shè)備。用例易于可以想象，包括AMR和自主車，甚至智能手機。 實際執(zhí)行 嵌入式視覺——無論是SOM、SOC還是具有嵌入式處理功能的相機——在某種意義上都體現(xiàn)了嵌入式可視處理器的存在；通常（但不是唯一）GPU（圖形處理單元）或FPGA（現(xiàn)場可編程門陣列）。在任何情況下，處理器都是為特定的任務(wù)而編程的，這是一個完整的應(yīng)用程序或一些圖像處理。在大多數(shù)實現(xiàn)中，嵌入式視覺處理器需要低級編程來配置或創(chuàng)建應(yīng)用程序。嵌入式視覺設(shè)備與主機系統(tǒng)的接口不同于標準的機器視覺組件，是實現(xiàn)中的一個重要考慮因素。 結(jié)合對物體表面多角照射產(chǎn)生的圖像，可以使灰度圖像中的不可見特征更可靠地可視化。 實際限制 對于一般的機器視覺來說，在特定的單用途應(yīng)用中使用低層次的嵌入式視覺可能是不切實際的，因為嵌入式視覺設(shè)備的編程仍然是一項開發(fā)而不是一項集成任務(wù)。帶有嵌入式處理的機器視覺攝像機在某些應(yīng)用中可能更實用。嵌入式視覺在機器視覺中的直接和更廣泛的應(yīng)用可能在于實現(xiàn)帶有“預編程序”的嵌入式圖像處理應(yīng)用程序-特別是人工智能或深度學習，以及特定任務(wù)的業(yè)務(wù)成像。 第四，液體透鏡和高分辨率的光學元件 機器視覺光學的兩個明顯趨勢是先進的高分辨率和廣域相機鏡頭的激增，以及更無縫集成組件液體鏡頭的趨勢。第一個趨勢是實用的；隨著相機分辨率的提高和像素尺寸的減小，許多元件透鏡供應(yīng)商都理解并滿足了對更好光學元件的需求。更多的產(chǎn)品規(guī)格包括有關(guān)鏡頭性能的詳細信息，例如顯示系統(tǒng)調(diào)制傳遞函數(shù)（MTF）圖表，這是一個很好的鏡頭比較度量。 液透鏡是一種可以根據(jù)外界信號改變對焦而不像手動對焦鏡頭那樣對鏡頭進行任何機械改變的裝置。這不是一項新技術(shù)。多年來，液體透鏡一直被用于智能傳感器、智能相機和其他機器視覺設(shè)備。然而，將這些設(shè)備與機器視覺光學和照相機結(jié)合在一起的最新進展使這項技術(shù)變得更加通用。 實際執(zhí)行 對于所有機器視覺應(yīng)用，將鏡頭與分辨率和應(yīng)用程序的物理要求匹配是一個必要的集成任務(wù)。更多鏡頭選項的可用性為用戶和解決方案提供商提供了更好的選擇。 在液體透鏡的成像距離可以在從另一部分所述應(yīng)用的部件的情況下就變得非常重要，因為它可以實現(xiàn)動態(tài)聚焦變化非常快，即使在自動對焦 實際限制 種類繁多的產(chǎn)品可能使光學元件的選擇和區(qū)分變得困難。評估與特定應(yīng)用相關(guān)的組件規(guī)格和特性非常重要。 液透鏡技術(shù)可能難以實現(xiàn)，但一些嵌入式處理的元件相機正在成為液透鏡自動控制的有效手段。一些額外的液晶體組件可能會限制相關(guān)透鏡的傳感器覆蓋范圍（不適用于集成的液晶體系統(tǒng)）。同時，注意焦點的改變會影響校準，因此液晶狀體可能不適合需要精確校準的應(yīng)用。 五.先進的照明技術(shù)和處理 在機器視覺照明組件的趨勢是其實現(xiàn)更大的靈活性，并且在一些情況下，高級成像功能多光譜可控設(shè)備的可用性。通過改變單色，也可以是較好地克服芳香部分而不多個照明裝置的，或甚至多個不同顏色的照明來創(chuàng)建彩色圖像的圖像的變化。多個的高速成像的不同照射角度的3D視圖可以被用來創(chuàng)建對象的表示或提供高動態(tài)范圍（HDR）圖像。 六、AI和深度學習 最后，讓我們談?wù)剻C器視覺幾十年來最流行的趨勢：人工智能、機器學習和深入學習。人工智能（artificial intelligence，簡稱ai）是計算機科學的一個分支，它涉及到對人類行為的計算機模擬。人工智能作為一門學科，自上個世紀中葉就已經(jīng)存在。人工智能沒有描述任何具體的技術(shù)，只有目標；任何編程邏輯都可以稱為人工智能，甚至可以稱為簡單的if-then規(guī)則和決策樹。機器視覺搜索算法被稱為人工智能。 機器學習是人工智能的一個子集，而深度學習是機器學習的一個子集。這些術(shù)語是通過學習算法實現(xiàn)的人工智能技術(shù)的名稱。機器學習是一個與系統(tǒng)相關(guān)的一般概念。基于初始數(shù)據(jù)輸入，他們可以學習和提高他們在給定任務(wù)中的性能。 深入學習是機器學習，它使用“深度”神經(jīng)網(wǎng)絡(luò)，使計算機基本上可以“通過示例學習”。該技術(shù)在圖像識別、語音識別和語言處理等方面具有很好的應(yīng)用前景。深度學習是高度計算密集型的，通常需要特殊的處理器硬件(如GPU，圖形處理單元與深入學習核心)，特別是在學習過程中。近幾年來，可用于機器視覺深度學習的軟硬件平臺迅速擴展。 毫無疑問的是深度學習的機器視覺會產(chǎn)生長期持續(xù)的影響，而在目前的通用型產(chǎn)品下面的現(xiàn)實意義。 （轉(zhuǎn)自技皆知） |
