我们人类从第一次打开眼睛的那天便开始学习识别各种图案。那是一只鸟!这是一架飞机!那些是字母A，B和C!如果我们无法从环境中挑出特定的物体并对它们进行分类，那么我们的视觉将几乎没有用处。
机器视觉系统也需要能够发现和识别图案。任何机器视觉任务中的第一步都是图案匹配，即基于如边缘这样的形状属性在视场内定位对象。这个过程如何工作?
事实证明，执行图案匹配有很多方法，因为这是一项涉及大量数据处理的任务，而且对优化流程至关重要。在最基本的层面上，它涉及到使用图像中各个像素的强度来确定形状的轮廓(或边缘)所在的位置。如果这些轮廓的排列与基于统计分析的模板图案的排列合理相似，则视觉系统将输出匹配。
对比度为王
由于边缘的检测基于各个像素不同的强度，所以良好的对比度非常重要。这一要求已经缔造了各种照明技术的创新，例如照明垂直于表面的同轴照明，以及从各个方向提供一致照明的圆顶照明。尽量减少环境光线的影响和来自反射表面的眩光也十分必要。良好的照明可以最大限度地检测相关边缘，并最大限度地减少对不存在的边缘的感知。
有些情况下，仅有好的照明是不够的，还需要一些图像处理算法以显示图像的某些特征。这种图像处理算法的一个例子是阈值处理，即生成不同像素强度的直方图以计算强度阈值。该算法逐个像素地查看图像，将低于阈值的所有像素设置为黑色，高于阈值以上的所有像素设置为白色。
Visionscape 机器视觉软件中的阈值示例。
查找图案
机器视觉系统在产品线上玩工业版 “大家来找茬”之前，它需要知道它在寻找什么。系统的操作员通过提供模板图像来告诉它要寻找什么。然后系统记住形状，包括边缘的位置以及它们相对于模板图案的整体大小相距多远。视觉系统能够以各种尺寸和方向找到相同的图案，这一点非常重要。
一旦系统知道它想找到什么，它就开始分析捕获图像的像素数据。像素的强度范围从0到255，这些值可用于计算。为了找到一个物体的边缘，软件通过执行像素减法来查找对比度的较大变化。如果减法的结果接近零，则两个像素不包含边缘。强度差异很大 - 无论是正值还是负值 - 都表明边缘可能存在。
像素相减的结果存储在数据结构中，并且软件在修改后的图像表示中水平和垂直扫描以找到轮廓。它会保持轮廓相对距离的选项卡，然后查找参考图像与任何发现形状之间的统计相似性。可以通过改变系统的统计容差以便使匹配更可能或更不可能。高容差度会使误报更常见，而容差更低的系统更可能错过真正的匹配。
未来的机器视觉：深度学习
在传统的机器视觉中，您需要准确地告诉系统您想要查找的内容。这可能需要大量的编程工作。如果系统能够找出自己想要寻找的东西，这不是很好吗?这是将深度学习算法融入工业机器视觉系统的推动力量。
深度学习利用诸如卷积神经网络(CNN)之类的高级算法使计算机能够根据一组训练数据学习他们需要做什么。不需要指定对象的确切轮廓，而是将一系列图像呈现给系统，并告诉他们包含或不包含特定对象的规范。在此训练期间，算法会自行发现图像的哪些属性指示该对象可能存在。这将大大提高识别率，因为视觉系统处理大量数据的能力使其在识别对象的定义特征方面比人类更好。
机器视觉正在迅速发展，专注于此的工程师们也在不断展望未来。未来几年在照明、相机和机器视觉算法等方面可能产生更多创新，使工业自动化比以往更加精简和灵活。
京公网安备 11011202001138号
