一. 机器视觉应用方向
机器视觉则是建立在计算机视觉理论的基础上,偏重于计算机视觉技术工程化。与计算机视觉研究的视觉模式识别、视觉理解等内容不同,机器视觉重点在于感知环境中物体的形状、位置、姿态、运动等几何信息。机器视觉主要分2D和3D两个方向:
2D:
- 识别定位:①Blob分析(主要包括二值化、形态学处理、特征选择。ps:受光照影响较大)②模板匹配(常用的是Shape匹配和Ncc匹配,有时还会用到可变形模板);
- 符号需求(一维码、二维码、三维码、OCR光学字符识别)
- 测量类(单目相机的标定、相机自标定);
- 缺陷检测系列;
- 视觉+运动控制板卡+机器人:手眼抓取(涉及手眼标定抓取等方面)
3D:
- 双目及多目相机标定;
- 鞋点胶;
- 无序抓取:参考
Halcon
【实例程序】中【方法】【多目立体视觉】locate_pipe_joints-stereo.hdev
案例中;
核心知识点:3D
手眼标定——标定3D
传感器和机械手之间的关系; - 点云数据+深度学习;
工具:Halcon(德国)
、VisionPro(美国康耐视)
、LabView
、OpenCV
+C++
(Emgucv
+C#
)、Sherlock
、Evsion
、Insight
、Matlab
;
推荐:Halcon
===>>>> OpenCV
====>>>> 源码自己编写
语言主流:C#
+halcon
(适合初学、开发效率快,但执行速度相对慢一些,因为C#
需要翻译成机器语言)、C++
+QT
+halcon
(适合有一定基础、开发效率慢(对开发者要求高一点),但执行速度更快,因为C++
直接生成.exe文件,是操作系统可以直接执行的机器语言)、C++
+MFC
+halcon
二. 项目总体流程
做机器视觉的项目,拿到项目时一般遵循如下流程:
(1)需求分析(2D)
问题 | 说明 |
确定检测物体 | 检测的目标物是什么?形状是什么样的?物体具体尺寸是多少? |
检测哪些指标 | 具体检测什么指标?有无?状态?尺寸?位置?粘连?差异?毛刺 ?颜色? |
工作距离 | 安装摄像机到被测物体的最大允许距离是多少?可否自由调节? |
分辨率多高 | 相机的测量尺寸精度是多高? |
检测速度多快 | 全自动测量还是手动?每分钟测量多少个? |
安装空间 | 被测零件周围是否有安装光源的位置?是否有适合安装摄像机头的位置?怎么样固定比较合适? |
颜色 | 被测物体是什么颜色?我们是否需要对颜色判别?是否可以利用颜色差异帮助我们实现检测目的? |
材质 | 物体是什么材料的,表面光学性质怎样? |
合格判据 | 合格/不合格的定义 |
工位信号 | 有工位触发信号还是需要自动连续拍照? |
剔除或控制方式 | 是否需要自动剔除残次品或控制机器动作?怎么样对不合格品进行剔除?使用什么信号格式,在什么位置进行? |
工作环境 | 工作环境的温度、湿度、粉尘、防水、杂散光线情况 |
交货日期 | 这是不言而喻的 |
(2)方案设计(硬件):
- 2D:根据客户应用的场合不同,选择相应的镜头、相机、支架、光源及如何打光(感兴趣的可看看《工程光学》一书)等。
- 3D:自己搭建双目结构光、激光三角等
3D
平台,或直接买市面公司成熟的3D
方案(首先,因为速度更快、精度更高一些),相关3D
硬件平台参考:主流3D光学视觉方案
(3)概要设计(软件):
- 包含软件架构体系,视觉开发环境(
VC++
+Halcon
还是C#
+Halcon
等); - 算法流程(怎么通讯、怎么识别等)。
(4)详细设计(软件):
- 各个功能模块如何做,包括图像采集模块、处理模块、包括算法模块,如何通讯等;
- 通常将每个模块形成一个动态库,调用相应的接口函数即可,项目图像采集调用
SDK
也是调用动态库的过程;
(5)软件编码 —— (6)测试、调试和修改 —— (7)客户交付、确认 —— (8)调试:根据客户反馈结果来不断的修改程序Bug。
(9) 达到客户需求,最后交付客户及软硬件操作文档 —— (10)后期维护。
三. 视觉常规算法流程
- 图像采集
- 图像预处理:包含几何变换、灰度处理、图像增强、图像滤波、二值化、图像细化等
注:图像预处理在视觉算法中一般是可选项,图像效果很好的时候可跳过该步 - 定位(
blob
分析、模板匹配) - 特征提取: 包含几何特征(面积、周长、矩形度)、纹理特征(与灰度相关,如熵、能量值)、概率特征、角点、特征描述算子特征等,直接影响定位、识别的效果
- 对特征区域进行处理(根据不同工业需求选择对应的检测识别算法)
- 结果显示
四. 机器视觉工程师需要具备的能力
4.1 图像处理相关知识
- 图像处理的基本理论知识(图像理论的基础知识)
- 图像增强(对比度拉伸、灰度变换等)
- 图像的几何变换(仿射变换,旋转矩阵等)
- 图像的频域处理(傅里叶变换、DFT、小波变换、高低通滤波器设计)
- 形态学(膨胀、腐蚀、开运算和闭运算以及凸壳等)
- 图像分割(HALCON里的Blob分析)
- 图像复原
- 运动图像
- 图像配准(模板匹配等)
- 模式识别(分类器训练,神经网络深度学习等)
学习参考资料:
- 经典教材:冈萨雷斯的《数字图像处理》及对应的MATLAB版
- 杨丹等编著《MATLAB图像处理实例详解》
- 张铮等编著《数字图像处理与机器视觉——Visual C++与MATLAB实现》
- 左飞编著的《数字图像处理:原理与实践(MATLAB版)》
- 左飞编著的《数字图像处理技术详解与Visual C++实践》
- 谢凤英编著的《Visual C++数字图像处理》
- 《精通系列·精通Visual C++数字图像处理典型算法及实现(第2版)》
4.2 软件编程功底
软件功底的作用是软件的架构设计分析,架构包括UI层设计、业务逻辑层开发、数据层开发。以下三个方面,每个方面至少会一种,具体选择视所在公司应用而定:
- 编程语言:C#,C,C++(自己用哪个就学哪个)
- 界面框架:C#界面,Qt界面,MFC界面(比较老了,以前的项目用的较多)
- 图像算法处理软件:HALCON,VisionPro,OpenCV等
学习资料参考:
- C# 可以看书籍《C#从入门到精通》、《Head First C#》、《C#入门经典》、《C#图解教程》、《C#高级编程》、《.Net Frameword 高级编程》、《CLR via C#》
- C 语言的学习主要看谭浩强写的C语言相关知识
- C++主要看《C++ primer plus》书籍
- Qt 学习可以看《Qt Creator快速入门》(入门)、《C++ GUI Qt4》(进阶)
- MFC 的学习主要看孙鑫编写的《VC++深入详解》这本书及相应的视频教程,并在VC++6.0软件或VS2010等软件上编写程序和实践
4.3 视觉硬件知识
主要在你设计方案时相机、镜头、光源等选型时起到关键作用。
学习资料参考:
主要阅读书籍《工程光学》、重点放在几何光学方面,了解成像原理及相应的光路分析,知道光源的特性、镜头分辨率、相机分辨率等方面的知识。
五. 学习机器视觉的一些建议
1.学习机器视觉一定要结合项目实战,在实践中学习总结经验教训,系统化学习所需知识。
2.补充一定的C++和c#知识,进行VS联合开发,客户现场的学习和现场调试,不断学习示例分析,掌握方法套路流程。
3.根据实际问题,学习模块调用,按照方法套路学习。
4.最好是先用Halcon等视觉处理软件实现图像处理部分,然后在VS开发软件中利用MFC或Qt等图形界面实现出来,实践学习是最好的方法。
机器视觉学习的发展趋势是结合神经网络、深度学习进行相应的人工智能机器视觉开发。
下雨天,最惬意的事莫过于躺在床上静静听雨,雨中入眠,连梦里也长出青苔。 |