工业机器视觉系统的构成与开发过程(理论篇—1)

简介: 工业机器视觉系统的构成与开发过程(理论篇—1)

目录

1、工业机器视觉系统构成


2、工业机器视觉系统开发过程


在说到机器视觉系统时候,各位可能会对:机器视觉(machine vision)、图像处理(image processing)以及计算机视觉(computer vision)这三个概念感到困惑。


机器视觉、图像处理以及计算机视觉是既相互交叉又有区别的几个概念。


机器视觉则主要是指工业领域视觉的应用研究,例如自主机器人的视觉,用于检测和测量的视觉系统等。它通过在工业领域将图像感知、图像处理、控制理论与软件、硬件紧密结合,并研究解决图像处理和计算机视觉理论在实际应用过程中的问题,以实现高效的运动控制或各种实时操作。


图像处理是指用计算机对图像进行复原、校正、增强、统计分析、分类和识别等加工,以达到所需结果的技术和过程,它通常是机器视觉中必不可少的阶段(日常生活中图像处理常常指对图像的艺术化,与工业领域的图像处理的概念稍有差别)。


计算机视觉的研究很大程度上是针对图像内容的视觉理论研究。它的研究对象主要是映射到单幅或多幅图像上的三维场景,例如三维场景的重建等。


1、工业机器视觉系统构成

工业环境下,机器视觉系统通常包含:光源、光学传感器、图像采集设备、图像处理设备、机器视觉软件、辅助传感器、控制单元和执行机构等,这些软、硬件联动共同完成机器视觉系统承担的任务。典型工业视觉系统结构如下图所示:

image.png



光源是机器视觉系统的重要组成部分,它作为辅助成像设备,为机器视觉系统的图像获取提供足够的光线,光源的设计和选取往往直接决定机器视觉系统设计的成败。

光学传感器(如CCD摄像机)负责将外部场景转换为电信号。

图像采集设备(如图像采集卡)可以将来自光学传感器的信号转换成一定格式的图像数据流,传送给图像处理设备。

图像处理设备(如PC或其他嵌入式硬件设备)上运行有机器视觉软件,可以对图像数据进行分析、处理并发送控制指令。

控制指令经由数字I/O卡发送给控制单元(如PLC)后,由控制单元综合辅助传感器传回的信息,控制执行机构做出相应的动作。

例如,PCB分拣机器视觉系统,在充足光源的照射下,CCD摄像机将生产线上的PCB图像转换为电信号,并经由插在PC中的图像采集卡将其转换为数字图像。计算机中的机器视觉软件可以对采集到的图像进行分析、处理以检查PCB是否符合质量要求。如果发现PCB中缺少元件,则经过数字IO卡向PLC发出一个信号,通知它控制机械手拿出该PCB。此时PLC会综合辅助定位传感器,检查PCB的位置,控制机械手准确地抓取有质量缺陷的PCB,从而达到分拣的目的。

image.png



2、工业机器视觉系统开发过程

工业机器视觉系统项目的开发过程包括:需求分析以及系统设计后的软、硬件选型、软件开发、测试与验证、系统集成验收以及最终的试运行几个主要阶段,如下图所示:

image.png



软、硬件选型阶段,开发人员将对用户的需求进行细化,并分析各个子系统的详细需求,然后根据详细需求中的各种指标,确定构建机器视觉系统所需的软硬件。如果项目工期比较紧张,或者在项目初期用户的需求还不能完全确定,则可以先与用户确定采购周期较长的软硬件相关功能需求和指标,以便尽早开展采购工作。

搭建机器视觉软件开发平台阶段,通常先在实验室将关键硬件连接在一起,构建一套系统的原型机,并在PC上安装机器视觉软件开发包,开发并验证各种算法。

软件开发完成后,还需要在现场对其进行实地测试。当然在这之前需要在现场按照设计安装搭建最终的机器视觉硬件系统,此后进行整个系统的集成测试,验证系统的功能是否完善,实时性、可用性等性能是否达标,并在客户验收后进入系统的试运行。值得一提的是,无论在原型机还是最终的硬件系统的搭建过程中,都需要根据系统的成像情况,对出现的畸变和投影误差等进行多次校正。

机器视觉软件直接决定机器视觉系统的功能和性能,它是整个机器视觉系统中最为重要的部分。机器视觉软件通常由“图像操作与增强"、"图像分割与分析"以及“特征识别与机器决策"等主要部分组成。


图像操作与增强部分用于对采集到的图像进行初步分析、变换和预处理,以便后续快速分析并提取目标特征,如对图像进行几何变换、时域滤波、频域滤波操作等。

图像分割与分析部分用于对预处理后的图像进行形态学处理或分割,以便提取机器视觉系统需要识别或检测目标的特征。

特征识别与机器决策部分则基于各种目标的特征进行最终测量、计算或对目标进行分类。

由于机器视觉软件的最终目的是通过对采集到的图像进行预处理、分析、特征提取后做出决策,因此,机器视觉系统往往还包括基于机器视觉软件运行结果,控制外部机械手臂或其他执行机构动作的指令模块,并以机器视觉软件为核心,构成一套完整的自动控制系统。


相关文章
|
2月前
|
安全
工业机理模型是一种基于设备和产品的仿真和原理化的分析模型
工业机理模型是一种基于设备和产品的仿真和原理化的分析模型
88 6
|
1月前
|
安全 新制造
机械设计制造工艺学是研究机械制造过程中的科学理论与实践
机械设计制造工艺学是研究机械制造过程中的科学理论与实践
38 2
|
2月前
|
测试技术 持续交付 UED
软件测试的艺术与科学:平衡创新与质量的探索在软件开发的波澜壮阔中,软件测试如同灯塔,指引着产品质量的方向。本文旨在深入探讨软件测试的核心价值,通过分析其在现代软件工程中的应用,揭示其背后的艺术性与科学性,并探讨如何在追求技术创新的同时确保产品的高质量标准。
软件测试不仅仅是技术活动,它融合了创造力和方法论,是软件开发过程中不可或缺的一环。本文首先概述了软件测试的重要性及其在项目生命周期中的角色,随后详细讨论了测试用例设计的创新方法、自动化测试的策略与挑战,以及如何通过持续集成/持续部署(CI/CD)流程优化产品质量。最后,文章强调了团队间沟通在确保测试有效性中的关键作用,并通过案例分析展示了这些原则在实践中的应用。
71 1
|
4月前
|
数据可视化 数据挖掘 数据处理
航空航天系统工程是应用系统工程原理和方法,对航空航天系统进行规划、设计、制造、试验和管理的技术。
航空航天系统工程是应用系统工程原理和方法,对航空航天系统进行规划、设计、制造、试验和管理的技术。
|
4月前
|
机器学习/深度学习 监控 算法
LabVIEW机器视觉技术对工业制造有什么影响?
LabVIEW机器视觉技术对工业制造有什么影响?
35 0
|
4月前
|
传感器 数据采集 监控
什么是机器视觉应用解决方案?
什么是机器视觉应用解决方案?
45 0
|
5月前
|
机器学习/深度学习 传感器 自动驾驶
作为自动驾驶技术的核心组成部分,图像识别技术对于车辆的环境感知、决策制定和路径规划等方面具有至关重要的作用
【6月更文挑战第10天】本文探讨了深度学习在自动驾驶图像识别中的应用,该技术通过模拟人脑认知处理大量标注数据,实现对图像内容的精准识别。深度学习在特征提取、泛化能力和持续优化上优于传统方法,为自动驾驶提供环境感知、障碍物检测及行为预测等功能。尽管面临数据需求、计算资源和泛化能力的挑战,但随着技术发展,深度学习将继续推动自动驾驶的进步,为未来出行创造更安全、高效的经历。
59 0
|
6月前
|
安全
全面人机协同系统的理论框架
【1月更文挑战第20天】全面人机协同系统的理论框架
295 1
全面人机协同系统的理论框架
基于数据驱动的智能空调系统需求响应可控潜力评估研究(Matlab代码实现)
基于数据驱动的智能空调系统需求响应可控潜力评估研究(Matlab代码实现)
|
机器学习/深度学习 敏捷开发 数据采集
经历工业自动化行业的磨炼让我了解到的工业缺陷检测,今天就细说工业缺陷检测
经历工业自动化行业的磨炼让我了解到的工业缺陷检测,今天就细说工业缺陷检测
910 0
经历工业自动化行业的磨炼让我了解到的工业缺陷检测,今天就细说工业缺陷检测