有效应用机器视觉 提升自动化工作效率

机器视觉系统需要根据拍下的影像性质来配置，镜头的分辨率是非常重要的关键。Wikimedia

实现智能工厂需要的自动化科技类型繁多，机器视觉堪称是其中的关键。因为机器人作为产线设备自动化应用的要角，机器视觉对机器人而言，犹如人类的眼睛，除了可有效帮助机器手臂提高对精度的误差及抓取不规则物体的能力，更可以透过大数据的分析，将运动控制的过程及结果，做成各种有意义的数据，机器手臂与机器视觉的完美结合，将是实现智能工厂的重要推手。

机器视觉系统的运作

机器视觉系统主要由影像撷取、影像处理分析、输出或显示三部分组成。目前绝大多数的机器视觉系统主要的应用在检测方面，包括用于提高生产效率、控制生产过程中的产品品质、采集产品数据等。

机器视觉系统的组成元件包括镜头、影像撷取卡、照明单元、光学元件与镜头、处理器、软件及显示装置等。简单的机器视觉系统可以识别2D或3D条码，更复杂的系统可以确保检测的元件满足特定的容差要求、组装正确、没有缺陷。

虽然目前已有整合机器视觉照明、影像捕捉及处理等功能的智能镜头，可以为针对阅读条码或检测部件是否存在等自动化视觉任务，提供相当经济的解决方案，但如果有更复杂或要求更高速度的任务，仍然需要额外的处理能力。采用何种支持软件以及镜头如何连接到外部设备，也是机器视觉系统整合过程需要注意的重点，才能针对机器视觉所捕捉的影像进行有效分析。

照明单元对机器视觉的精确度，也会有非常明显的影响。正确的机械视觉照明系统，能以高对比重复捕捉影像特徵。如果照明的配备不正确，机器视觉系统的成功率、可靠性、可重复性和易用性，都会处于较大的风险中。

LED照明目前已开始替代目前常用于机器视觉系统中的萤光灯、光纤卤素灯及氙气闪光灯光源，因为LED照明具有更高的一致性、更长的使用寿命和更好的稳定性。此外，LED照明还可以提供各种各样的色彩并能选通发光，在高速机器视觉应用时会非常有用。

如果某个应用要求使用彩色镜头，就需要白光照明待检测的元件。如果需要区分待检测元件的颜色，则白光需要在整个波长范围内产生平等光谱(equal spectrum)，以便分析图片中的颜色。但透过黑白单色镜头，其实也可以识别图像中的颜色，但这种方法需要选择合适的灯光照明图像。

因此为机器视觉系统找到颜色正确的照明光源，对能否捕捉正确影像影像甚钜。为了使该影像能呈现出最佳的对比度，最好的方式是使用绿色光，因为绿色是红色的互补色。这种对比可以被单色镜头轻松地识别出来。如果为了滤掉红色，则最好采用红色光照亮物体。如果影像本身是五光十色，并且不需要识别其中的任何一种颜色，白光照明是更合适的选择。

目前的机器视觉系统影像处理演算法，已可用于解决各种各样的任务，如边缘检测、光学特性识别及几何模式匹配。若要将一个元件从其他元件中区分出来，可以使用相对简单的功能，如边缘检测演算。如果需要精确地检测出元件的位置，则需要执行几何搜索或BLOB分析。若要以高速检测元件上的缺陷，需要用到对比分析或模型图像匹配算。如果需要将缺陷归类并检测，BLOB分析或边缘分析可以测量缺陷参数，并将其与已知的正常参数进行比较。

建立机器视觉系统的考量重点

一般而言，对制造过程要求精密度愈高的产业或技术，对机器视觉的需求也愈高，如电路板印刷、电子封装、SMT表面黏着、电子电路焊接等，均需要使用机器视觉技术，除了可以逐渐提高生产的效率水准外，也可以避免让有问题的产品销售到消费者手中，有效维护企业口碑。

此外，机器视觉也可以在危险工作环境及人工视觉难以满足要求的场合内有效运用，保护工人安全。透过机器视觉还可蒐集更多的检测信息，不仅可提高设备的使用效率，对调整产线、提升产品良率也有相当大的贡献。

建立机器视觉系统，首先要根据系统工作要求来进行配置，如是要撷取运动物体图像还是静止物体图像。一般来说，运动物体可以选择CCD镜头，较能满足高精度的需求，但由于CMOS镜头成本比较低，被使用的范围也较为广泛，业者可根据实际需求进行选择。

其次则是要根据机器视觉系统拍下的影像性质来配置系统，对于清晰度要求比较高的图像，自然要选择分辨率较高的镜头，反之则选择分辨率较低的。一般而言，机器视觉系统的影像输出主要分为两种形式，一是机器自身识别、一是设备输出识别。这两种形式对工业镜头的配置都有不同需求，前者可单独考虑镜头分辨率，后者则需要同时考虑镜头的分辨率和输出设备屏幕分辨率。

机器视觉系统可能碰到的困难

虽然在工业生产领域，机器视觉系统可以提升产品的检测速度和检测品质，但在应用时仍须要克服视觉定位、测量、检测和识别等诸多难题。

首先在打光的稳定性方面，机械视觉应用一般分成四大类：定位、测量、检测和识别，其中测量对光照的稳定性要求最高，因为光照只要发生10-20%的变化，测量结果将可能偏差出1-2个像素，一旦影像的边缘位置发生变化，即使再厉害的软件也解决不了问题。

此时就必须从系统设计的角度，排除环境光的干扰，同时要保证主动照明光源的发光稳定性。提升镜头分辨率也是提高精度，抗环境干扰的一种办法。

在工件位置的一致性方面，机器视觉所测量的项目，无论是离线检测，还是在线检测，第一步工作都是要能找到待测目标物。当待测目标物出现在拍摄视场中时，机器视觉系统要能精确知道待测目标物在哪里，但即使使用一些机械夹具，也不见得能保证待测目标物，每次都会出现在同一位置的，这就需要用到定位功能，如果定位不准确，测量结果有时就会有较大偏差。

在标定应用方面，在高精度测量时需要做以下几个标定：第一，光学畸变标定如果不是用软件镜头，一般都必须标定；第二，投影畸变标定，也就是因为安装位置误差代表的图像畸变校正；第三，物像空间标定，也就是具体算出每个像素对应物空间的尺寸。

目前的标定演算法都是基于平面来标定，如果待测量的物理不是平面，就会需要作一些特种演算法来处理标定。有些标定因为不方面使用标定板，也必须设计特殊的标定方法，不一定能通过软件中已有的标定演算法全部解决。

在物体的运动速度方面，如果被测量的物体不是静止的，就一定要考虑运动模糊对影像精度，目前靠软件是无法解决的。由于运动速度快慢与检测能力是成反比的，运动越快检测的品质效果相对较差，因此提高运动精度和检测细节特别重要。

最后是软件的测量精度，由于软件的精度只能按照1/2—1/4个像素考虑，最好按照1/2，而不能像定位应用一样达到1/10-1/30个像素精度，因为测量应用中的软件能够从影像上提取的特徵点非常少。