电子领域应用视频华数3C电子领域应用视频|上海羊羽卓进出口贸易有限公司

华数3C电子领域应用视频

视频加载中...

机器视觉应用大盘点：哪一个领域能率先“上车”？

机器视觉起源于上世纪50年代 —— Gilson提出了“光流”这一概念，并基于相关统计模型发展了逐像素的计算模式，标志着2D影像统计模式的发展。

本文引用地址：http://www.eepw.com.cn/article/202008/416591.htm

相对于人类视觉而言，机器视觉在量化程度、灰度分辨力、空间分辨力和观测速度等方面存在显著优势。其利用相机、镜头、光源和光源控制系统采集目标物体数据，借助视觉控制系统、智能视觉软件和数据算法库进行图形分析和处理，软硬系统相辅相成，为下游自动化、智能化制造行业赋予视觉能力。

随着深度学习、3D视觉技术、高精度成像技术和机器视觉互联互通技术的发展，机器视觉性能优势进一步提升，应用领域也向多个维度延伸。

国内机器视觉起步晚，目前处于快速成长期。国内机器视觉源于上世纪80年代的第一批技术引进。自1998年众多电子和半导体工厂落户广东和上海开始，机器视觉生产线和高级设备被引入我国，诞生了国际机器视觉厂商的代理商和系统集成商。

随着全球制造中心向我国转移，目前中国已是继美国、日本之后的第三大机器视觉领域应用市场。据中国视觉产业联盟，2018年我国机器视觉行业销售额达到83亿元，较2013年翻了3倍，年复合增长率达33.54%。

机器视觉基本架构

机器视觉（Machine Vision）是指通过光学装置和非接触传感器自动接收并处理真实物体的图像，分析后获取所需信息或用于控制机器运动的装置。通俗地说，机器视觉就是用机器代替人眼。机器视觉模拟眼睛进行图像采集，经过图像识别和处理提取信息，最终通过执行装置完成操作。

五大模块构筑机器视觉系统：按照信号的流动顺序，机器视觉系统主要包括光学成像、图像传感器、图像处理、IO和显示等五大模块。

· 光学成像模块设计合理的光源和光路，通过镜头将物方空间信息投影到像方，从而获取目标物体的物理信息；

· 图像传感器模块负责信息的光电信号转换，目前主流的图像传感器分为CCD与CMOS两类；

· 图像处理模块基于以CPU为中心的电路系统或信息处理芯片，搭配完整的图像处理方案和数据算法库，提取信息的关键参数；

· IO模块输出机器视觉系统的结果和数据；

· 显示模块方便用户直观监测系统的运行过程，实现图像的可视化。

机器视觉的主要应用领域

现在，发展迅猛的自动化技术在我国掀起了热潮，我们对机器视觉的认识加深，每个人对它的看法发生了巨变。机器视觉系统让大批量、持续生产的自动化程度提高了，大大提高了为工业生产效率和产品精度，同时获取信息与自动处理的能力变得极其快，为工业生产的信息集成提供了有效途径。机器视觉技术不断成熟和进步，应用范围变得越来越宽泛。

1.工业检测

近几十年来，在工业检测中利用视觉系统的非接触、速度快、精度合适、现场抗干扰能力强等突出的优点，使机器视觉技术得到了广泛的应用，取得了巨大的经济与社会效益。

机器视觉系统的特点是提高生产的柔性和自动化程度。运用在一些危险工作环境或人工视觉难以满足要求的场合；此外，在大批量工业生产过程中，机器视觉检测可以大大提高生产效率和生产的自动化程度。

自动视觉识别检测目前已经用于产品外形和表面缺陷检验，如木材加工检测、金属表面视觉检测、二极管基片检查、印刷电路板缺陷检查、焊缝缺陷自动识别等。这些检测识别系统属于二维机器视觉，技术已经较为成熟，其基本流程是用一个摄像机获取图像，对所获取的图像进行处理及模式识别，检测出所需的内容。

2.汽车制造行业

汽车制造质量原先主要依靠三坐标测量完成，效率低、时间长、数据量严重不足，且只能离线测量。机器视觉引入非接触测量技术，逐步发展成固定式在线测量站与机器人柔性在线测量站等在线测量系统，可严格监控车身尺寸波动，提供数据支持。

除传统三坐标测量、激光在线测量外，蓝光扫描测量、表面缺陷测量等视觉测量方法可进行更加精细地测量，对车身基本特征尺寸、车体装配效果、缺陷等提供高精度监控。多种监控测量手段互相结合，确保生产零件零缺陷、整车制造高质量。

机器视觉检测系统可以对产品进行制造工艺检测、自动化跟踪、追溯与控制等，包括通过光学字符识别（OCR）技术获取车身零件编码以保证零件在整个制造过程中的可追溯性，通过识别零件的存在或缺失以保证部件装配的完整性，以及通过视觉技术识别产品表面缺陷或加工工具是否存在缺陷以保证生产质量。

3.消费电子行业

消费电子行业元器件尺寸小、质量标准高，适合用机器视觉系统检测，也促进机器视觉技术进步。同时，消费电子产品生命周期短、需求量大，拉动机器视觉市场需求。

机器视觉在消费电子领域，以PCB/FPC AOI检测、零部件及整机外观检测、装配引导等应用为主，并呈现出越来越多的新的应用场景。

PCB缺陷检测主要是焊点缺陷检测和元器件检测两大部分。传统的人工目视检测法易漏检、速度慢、时间长、成本高，已不能满足生产需要，机器视觉PCB检测系统具有重要的现实意义。

在电路板从印刷装置中移下，或在清洗剂中清洗后，以及返修完成返回生产线中，机器视觉提供的在线视觉技术可以在实施印刷操作后直接发现存在的缺陷情况，保证了操作者在加上PCB以前能够及时处理有关问题。另外，发现缺陷时可以有效防止有缺陷的电路板送达生产线后端，从而避免出现返修或废弃现象。操作者能够及时得到反馈，明确处于操作中的印刷工艺操作是否良好，达到预防缺陷产生的目的，对生产效率和良率的提升至关重要。

4.图像识别

图像识别，简单讲就是使用机器视觉处理、分析和理解图像，识别各种各样的的对象和目标，功能非常强大，图片识别应用热度在视觉与图像领域中排名第三。

最典型的图像识别应该就是识别二维码了。二维码和条形码是我们生活中极为常见的条码。在商品的生产中，厂家把很多的数据储存在小小的二维码中，通过这种方式对产品进行管理和追溯，随着机器视觉图像识别应用变得越来越广泛，各种材质表面的条码变得非常容易被识别读取、检测，从而提高现代化的水平、生产效率大大的提高、生产成本降低。

图像识别大多商用场景还属于蓝海，潜力有待开发，同时，图片数据大多被大型互联网企业所掌握，创业公司数据资源稀少。人脸识别也属于图像识别的一个应用场景，做人脸识别的大多数企业同时也在提供图像识别服务，但是销售效果不佳，主要赢利点还在于人脸识别。

5.物体分拣

在机器视觉应用环节中，物体分拣应用是建立在识别、检测之后的一个环节，通过机器视觉系统将图像进行处理，结合机械臂的使用实现产品分拣。

举个例子，在过去的产线上，是用人工的方法将物料安放到注塑机里，再进行下一步工序。现在则是使用自动化设备分料，其中使用机器视觉系统进行产品图像抓取、图像分析、输出结果，再通过机器人把对应的物料放到固定的位置上，从而实现工业生产的智能化、现代化、自动化。

6.视频/监控分析

人工智能技术可以对结构化的人、车、物等视频内容信息进行快速检索、查询。这项应用使得让公安系统在繁杂的监控视频中搜寻到罪犯的有了可能。在大量人群流动的交通枢纽，该技术也被广泛用于人群分析、防控预警等。

视频/监控领域盈利空间广阔，商业模式多种多样，既可以提供行业整体解决方案，也可以销售集成硬件设备。将技术应用于视频及监控领域在人工智能公司中正在形成一种趋势，这项技术应用将率先在安防、交通甚至零售等行业掀起应用热潮。

7.文字识别

计算机文字识别，俗称光学字符识别，它是利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成一种计算机能够接受、人又可以理解的格式。这是实现文字高速录入的一项关键技术。

8.食品包装与制药行业应用

机器视觉在食品包装领域适用范围广泛，可用于检测瓶子的分类和液位测量、标签、盖子、盒子的检查，以及瓶的形状、尺寸、密封性和完整性。被检查的包装形状不限包装盒、包装箱、金属箱、管状、泡状、盘状、广口瓶、细口瓶、罐装和桶装等。食品包装是食品质量的重要保障，可以保护食品在流通过程中免受污染，提高品质，避免发生安全事故。

制药企业的生产过程中，药品关系到人的生命健康，即使是微小的缺陷存在，一旦药品流通到市场后也会对患者造成无法弥补的损失，甚至导致医疗事故的发生。机器视觉在药品包装、质量检测及控制等多个方面有广大作为，助力医药行业加快现代化、智能化进程。目前，在数粒、打码、泡罩版缺粒、药品残缺和断片、加装说明书、编码识别等检测环节，机器视觉检测内容丰富、稳定、精确，满足医药行业包装线经常变包装产品的需求。

9.无人驾驶

随着汽车的普及，汽车已经成为人工智能技术非常大的应用投放方向，但就目前来说，想要完全实现自动驾驶/无人驾驶，距离技术成熟还有一段路要走。不过利用人工智能技术，汽车的驾驶辅助的功能及应用越来越多，这些应用多半是基于计算机视觉和图像处理技术来实现。

10.图像及视频编辑

目前市场上也出现了很多运用及机器学习算法对图像进行处理，可以实现对图片的自动修复、美化、变换效果等操作。并且越来越受到用户青睐。

机器视觉在应用场景上逐渐突破工业检测，其应用边界逐步向智能生活领域拓展。由于机器视觉在智能生活、智能制造两个领域具有不同的技术特点和应用进展，所以机器视觉于这两个领域的行业发展趋势也不尽相同。

应用场景不断丰富

全球机器视觉正处于快速成长期。据markets and markets预测，全球机器视觉市场规模至2025年有望达到147美元；GGII数据显示，2019年我国机器视觉市场规模65.5亿元（不包含计算机视觉市场），同比增长21.8%。2014-2019年复合增长率为28.4%，并预测到2023年中国机器视觉市场规模将达到155.6亿元。

目前主流的机器视觉技术仍采用传统方式，即首先将数据表示为一组特征，分析特征或输入模型后，输出得到预测结果，在结构化场景下定量检测具有高速、高准确率、可重复性等优势。但随着机器视觉的应用领域扩大，传统方式显示出通用性低、难以复制、对使用人员要求高等缺点。

深度学习对原始数据通过多步特征转换，得到更高层次、更加抽象的特征表示，并输入预测函数得到最终结果。深度学习可以将机器视觉的效率和鲁棒性与人类视觉的灵活性相结合，完成复杂环境下的检测，特别是涉及偏差和未知缺陷的情形，极大地拓展了机器视觉的应用场景。

传统的2D机器视觉技术在三个自由度（x、y和旋转）上定位目标物体，并基于灰度或彩色图像对比度提供图像处理分析结果，无法获取目标物体的三维信息，也易受光照条件变化、物体运动等影响。3D机器视觉技术可以在六个自由度（x、 y、z、旋转、俯仰和横摆）上定位目标物体，提供丰富的三维信息，使机器能够感知物理环境的变化并作出相应调整，提高了应用中的灵活性和实用性。

机器视觉功能很少作为孤立的系统，而是以整个自动化系统或者设备的有机组成部分之一出现，也往往在配合逻辑控制、运动控制、数据采集、通信网络以及企业数据库管理等其它功能时，才能真正发挥出其优势。

构建机器视觉系统，除了完成从光源调配到图像处理软件开发系列过程外，更是面临着与上述种种复杂的自动化系统功能集成所带来的挑战。单一的视觉开发软硬件方案，往往使得自动化系统整体的开发周期、成本和不确定性风险都要由制造方或者集成商来承担。机器视觉与自动化系统集成的困难，很大程度上阻碍了其在相对保守的工业自动化领域的应用。

行业内企业、协会和产业联盟不断合作，制定数据接口、通讯协议等基础共性标准，旨在打通视觉和各信息系统的通道，实现系统间的互联互通，是工业发展的必然趋势。