|
|
近年来，机器视觉技术发展迅速
1）图像采集技术快速发展 CCD、CMOS等固件越来越成熟，图像敏感器件的尺寸越来越小，像素数量和数据速率越来越大，分辨率和帧速率日新月异，产品范围越来越丰富，增益、快门、信噪比等参数也越来越高不断优化配比，通过核心测试指标（MTF、失真度、信噪比、光源亮度、均匀度、色温）和系统成像能力综合评价等，对光源、镜头、相机进行综合选择，从而不断突破以往成像中的许多难题。 2）图像处理和模式识别的快速发展 在图像处理中，随着高精度边缘信息的提取，许多原本混在背景噪声中难以直接检测的低对比度缺陷开始得到解决。 模式识别本身可以看作是一个标记过程。在一定的测量或观察的基础上，将要识别的模式划分为自己的模式。图像识别主要采用决策理论和结构方法。决策理论的基础是决策函数，它用于基于时序描述（如统计纹理）对模式向量进行分类和识别；结构方法的核心是将对象分解为模式或模式基元，而不同的对象结构有不同的基元串（或字符串）。通过对未知对象使用给定的模式基元得到编码边界，得到字符串，然后根据字符串判断其属。在特征生成方面，出现了许多新的算法，包括基于小波、小波包、分形和单二分量分析的特征；还有子支持向量机、变形模板匹配、线性和非线性分类器设计等。 3）深度学习带来的突破 传统的机器学习在特征提取中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器模拟大脑工作，构造深度神经网络（如卷积神经网络）来学习简单特征，建立复杂特征，学习映射和输出，在培训过程中不断优化各层次。在具体应用中，如自动ROI区域分割；标点定位（通过反真实视觉，未知缺陷可以灵活检测）；重新检测难以描述或可量化的缺陷，例如从严重噪声图像中提取桔皮缺陷；检测玻璃罩检测中的真实缺陷和假缺陷，随着越来越多的基于深度学习的机器视觉软件进入市场（包括瑞士的VIDI、韩国的SualAB、香港科学院等），对机器视觉的深入学习将变得越来越明显。 4）三维视觉的发展 三维视觉还处于起步阶段，很多应用都是利用三维曲面重建，包括导航、工业检测、逆向工程、地图绘制、目标识别、测量和分类等，但精度问题限制了三维视觉在许多场景中的应用。目前，在工程上的首次应用是物流中标准件的体积测量，相信在未来有很大的发展潜力 |
