智造“慧眼”—机器视觉在智能制造中的应用

前言

随着工业4.0的不断推广，数字化浪潮“席卷”整个制造产业链，机器视觉作为其中一项重要技术，可有效应用于多个实际场景。然而，机器视觉应用通常由哪些部分组成？主流的视觉测量技术原理分别是什么？目标识别有哪些基本步骤？在实际场景中应用中又有什么效果？对于这些人们最关心的问题，本文将逐一解答，带您一探“慧眼”之究竟。

什么是机器视觉？

机器视觉(Machine Vision)，即通过软件与硬件、图像感知与控制理论的紧密结合实现高效的机器人控制或各种实时操作。简而言之，就是利用机器代替人眼完成测量和判断。

机器视觉系统通过视觉感知设备将识别目标转换成图像信号，专用的图像处理系统接收信号后，将获得的形态信息转化为数字化信号，后通过各种运算提取目标特征，进而根据判别结果控制现场设备动作。

机器视觉的系统组成

机器视觉应用通常包括四大组成部分：1）镜头、处理器和传感器；2）光源；3）识别和评估软件；4）输出处理系统（例如机器人、机械臂）。视觉系统集成商通常会采购基础摄像头（包括镜头、处理器、传感器）和照明组件，并增加相关的软件和逻辑，创建视觉应用。最后，厂家将机器视觉产品整合至生产线，形成完整的机器视觉系统。

测量原理与识别步骤

基于不同的处理对象，机器视觉系统可以分为二维与三维两类。因二维机器视觉在工业应用中已相对成熟，本文着重讨论三维机器视觉。主流的三维视觉测量技术如下：

1.   双目视觉利用两个视点观察同一物体，以获取不同视角下的感知图像，并通过三角测量原理计算图像视差，获取被测物体的三维信息；

2.   TOF（Time of Flight，“飞行时间”）通过测算光线往返的时间差来产生深度信息，由于光速和波长已知，该技术能够快速计算出光源与物体的距离，从而得到被测物体的图像；

3.   结构光主动投射特定的编码信息到物体表面及背景，然后根据物体造成的光信号变化计算物体的位置和深度等信息，进而复原整个三维空间。

<<  滑动查看下一张图片  >>

针对视觉测量得到的传感信息，机器视觉系统需进一步进行识别和评估，而目标识别可以划分为检测、分类、分割、融合四个步骤，可以分别理解为“在哪里”、“是什么”、“怎么分”、“怎么合”：

第一步“在哪里”，通过输入感知信息、输出元件位置来定位坐标。通过读取传感器输入，了解平面上所有覆盖点的坐标，但较为混乱，尚无法分清坐标上是齿轮或毛胚（或其他杂物），需进一步处理划分。

第二步“是什么”，通过输入区域目标、输出模式类别来分析属性。通过聚焦有目标的区域，根据不同特征（形状、尺寸等）对目标进行分类，譬如可简单认为所有的轨迹点中，圆形的为齿轮，方形的为毛胚。

第三步“怎么分”，通过输入元件属性、输出轮廓分割来分离背景。已知哪一部分大致对应哪一个物体，但还需精确分割，譬如考虑圆形轨迹中的凸起和凹槽，完整地勾勒出齿轮的边缘形状，提升分离的纯度。

第四步“怎么合”，通过输入分割图像、输出三维坐标来融合信息。聚焦分割完成的图像，对工件（即齿轮）和背景（其他杂物）的有效特征进行提取与匹配后，完成多尺度的信息融合，指导机械臂的运动。

<<  滑动查看下一张图片  >>

DCC落地用例

在麦肯锡北京数字化能力发展中心的工业4.0学习工厂中，3D抓取和3D扫描这两大用例通过引入机器视觉解决方案，有效优化了物流与质检。

3D抓取

主要应用模块：物流模块

短板：传统的人工拣选费时耗力，而机器人抓取识别又不够稳定智能。

解决方案：引入机器视觉解决方案，通过结构光投射，将待识别物体标注至训练数据集，结合先进深度学习算法，运行抓取程序，可以引导机械臂至特定位置和方向，识别无序随机摆放的工件。

效果：机器视觉引导的自动化抓取，既减少了人工成本，又提升了识别精度。

实际应用：在实际制造场景中，可应用于零部件上线，物料拣选等。

3D扫描

主要应用模块：质检

短板：传统的扫描仪受角度和激光景深的影响，不易获取复杂工件外形数据。

解决方案：引入机器视觉解决方案，采用可见光将特定的光栅条纹投影到测量工件表面，借助两个高分辨率CCD数码相机对光栅干涉条纹进行拍照，可在极短时间内获得复杂工件表面的完整点云。

效果：使用光学跟踪器引领机械臂，对反射率变化强烈的物体进行快速、高精度扫描，实现了动态跟踪与自动校准。

实际应用：在实际制造场景中，可应用于零部件测量、逆向工程、虚拟模型与实物模型的测绘等。

作者

李铁良

数字化能力发展中心经理

智能制造专家，专注于智能工厂及企业数字化转型能力建设等课题的研究

金昕泽

清华大学在读博士

数字化能力发展中心项目助理

---