机器视觉@@@@（MV）是一种使机器人@@和@@自动驾驶汽车等其他机器能够看@@到@@和@@识别周围环境中@@物体的@@技术@@@@。在@@过去几年@@里@@，机器视觉@@@@的@@进步使得许多机器人@@和@@自动驾驶汽车拥有了几乎与人类相似的@@感知水平@@。这个过程主要是通过将光学传感器与人工智能@@和@@可以分析和@@处理图@@像数据@@的@@机器学习工具进行配对@@，此时搭载了机器视觉@@@@系统的@@机器人@@和@@自动驾驶汽车就能够执行非常复杂的@@任务了@@。
眼睛和@@大脑@@：机器视觉@@@@和@@@@计算机视觉@@的@@主要区别@@
很多时候@@，机器视觉@@@@会与计算机视觉@@一词混为一谈@@。然而@@，事实上二者还是有区别的@@@@。对机器视觉@@@@而言@@，它通常与具备@@计算机视觉@@能力的@@工业@@应用联系在@@一起@@，需要摄像头来捕捉和@@提供图@@像数据@@@@。计算机视觉@@的@@任务则是将已有的@@图@@像@@数字化@@，处理其中@@@@包含的@@数据@@并采取某种行动@@。
一般来讲@@，机器视觉@@@@系统的@@处理能力相对较小@@，主要用于精益制造环境@@，通过高速执行实际任务以获取完成指定作业所需的@@数据@@@@。计算机视觉@@系统是处理视觉@@数据@@的@@人工智能@@@@（AI）和@@机器学习@@（ML）算法的@@所在@@@@，它需要收集尽可能多的@@关于物体或@@场景的@@数据@@并充分理解它们@@。因此@@，计算机视觉@@既要能够分析来自运动检测器@@、红外传感器等来源的@@图@@像@@@@，又可以在@@没有相机@@的@@情况下执行任务@@，扫描数字网@@络照片或@@视频@@@@，处理来自任何来源@@（包括互联网@@@@）的@@图@@像@@。从本质上讲@@，机器视觉@@@@就是系统的@@眼睛@@，而计算机视觉@@则相当于系统的@@大脑@@。
相机@@：机器视觉@@@@系统中@@的@@重要组件@@
机器视觉@@@@是一项看@@似简单但实际上相当复杂的@@技术@@@@。首先@@，它需要使用专门的@@光学器件来捕捉周围环境中@@的@@视觉@@信息@@。然后@@，再借助硬件和@@软件的@@组合对图@@像的@@某些特征进行处理@@、分析和@@测量@@。例如@@，作为制造系统的@@一部分的@@机器视觉@@@@应用程序可以用于分析在@@装配线上制造的@@零件的@@特定特性@@，确定零件是否符合质量标准@@。
在@@实际应用中@@@@，机器视觉@@@@常常被看@@作是计算机的@@一种视觉@@能力@@，其系统由一个或@@多个光学传感器@@（如高分辨率相机@@@@）、模数转换@@（ADC）和@@数字信号处理@@（DSP）等器件组成@@。相机@@和@@@@传感器用于收集感光形式的@@图@@像@@@@，并将其转化为电信号@@，所产生的@@电信号经数字化处理后被传输到@@计算机进行分析并提供所需的@@输出@@。在@@技术@@复杂性上@@，机器视觉@@@@与@@语音识别相似@@。
目前@@，用于制造业的@@机器视觉@@@@主要采用两种类型的@@相机@@@@，即@@：面阵扫描相机@@和@@@@线阵扫描相机@@@@。
面阵扫描相机@@使用矩形传感器在@@单个帧中@@拍摄照片@@，传感器中@@的@@像素数量对应于图@@像的@@宽度和@@高度@@。线阵扫描相机@@是逐个像素地构建图@@像@@，它们适用于拍摄运动中@@或@@尺寸不规则的@@物品的@@图@@像@@@@。在@@拍摄照片时@@，传感器在@@物体上以线性运动通过@@，因此@@，线阵扫描相机@@不像面阵扫描相机@@那样局限于特定的@@分辨率@@。
相机@@的@@灵敏度和@@分辨率是机器视觉@@@@系统的@@两个重要参数@@，其中@@@@，分辨率负责区分物体@@，而灵敏度是机器在@@光线昏暗或@@波长不可见的@@情况下检测物体或@@微弱脉冲的@@能力@@@@。一般来说@@，分辨率越大@@，视野就越有限@@。灵敏度和@@分辨率是相互依存的@@@@，如果其他因素不变@@，增加灵敏度就会降低分辨率@@，而增加分辨率则会降低灵敏度@@。面阵相机@@的@@分辨率和@@扫描频率一般均低于线阵相机@@@@。
许多机器视觉@@@@相机@@的@@分辨率超过@@4,500万像素@@，这些相机@@能以极高的@@速度拍摄物体而不会失真@@。推动机器视觉@@@@功能的@@另一个进步是基于@@事件的@@视觉@@传感器@@。这些传感器处理图@@像的@@方式与人眼的@@视神经处理信息的@@方式类似@@。更具体地说@@，这些基于@@事件的@@视觉@@传感器检测每个像素的@@亮度变化@@。这种能力使机器视觉@@@@能够在@@比传统的@@基于@@帧的@@视觉@@传感器暗得多的@@环境中@@使用@@。
Sony Spresense的@@ISX012是一款有效像素达到@@@@511万像素@@的@@图@@像@@传感器@@，相机@@板@@在@@@@Spreseense的@@主板上使用了这款结构紧凑@@、高分辨率的@@传感器来扩展主板的@@功能@@。板载编码器可以采集@@JPEG、RAW、Y/C或@@RGB格式的@@图@@片@@@@。相机@@板@@通过专用的@@并行接口直接连接到@@主板@@，当与主板上@@CXD5602微控制器的@@@@AI功能相结合时@@，可为物联网@@设备@@提供先进的@@视觉@@功能@@。
图@@1：可提供先进的@@视觉@@功能的@@@@Sony Spresense相机@@板@@（图@@源@@：Mouser）
当然@@，出于应用成本的@@考虑@@，机器视觉@@@@系统不是越复杂越好@@，而应选择适合的@@@@。一维@@（1D）视觉@@、二维@@（2D）视觉@@以及三维@@（3D）视觉@@这三种类型是常用的@@@@、面向不同任务的@@机器视觉@@@@系统@@。
1D视觉@@
1D视觉@@不会一次性完成整个物体图@@像的@@分析@@@@，而是一次读取一行@@，通常采用线阵扫描相机@@@@，这种类型的@@机器视觉@@@@常常用在@@制造过程中@@的@@产品检测@@，比如用来发现传送带上产品中@@的@@缺陷@@；
2D视觉@@
2D视觉@@主要使用数码相机@@收集图@@像数据@@@@，通过比较一幅图@@像与下一幅图@@像的@@变化来确定下一步应采取的@@处理措施@@，这种类型的@@机器视觉@@@@通常用于物体跟踪以及产品的@@类型验证等@@；
3D视觉@@
3D视觉@@通常在@@不同位@@置使用多个数码相机@@和@@@@其他传感器来捕捉物体的@@数字模型或@@图@@像@@，从而对其位@@置@@、大小和@@特征进行准确的@@评估@@，因此@@，3D机器视觉@@@@非常适合帮助机器人@@导航周围环境并执行与订单相关的@@任务@@。
随着不同垂直行业对质量检测和@@自动化的@@需求不断增加@@，3D机器视觉@@@@市场将以高于行业平均水平的@@速度实现快速增长@@@@。Grand View Research的@@分析@@数据@@表明@@，2022年@@，全球@@3D机器视觉@@@@市场规模为@@58.1亿美元@@，预计@@2023年@@至@@2030年@@的@@复合年@@增长@@率@@@@（CAGR）将达到@@@@13.5%。
ams OSRAM公司的@@@@Mira220全局快门图@@像传感器@@是一款体积小巧@@、专为工业@@机器视觉@@@@应用而设计的@@@@2D和@@3D解决方案@@，有效分辨率为@@1,600（H）x 1,400（V），帧速率可高达@@90fps，深度为@@12位@@。Mira220采用的@@先进背面照明@@（BSI）技术@@将传感器层堆叠在@@数字@@/读出层的@@顶部@@，这种设计产生了占位@@面积仅为@@5.3毫米@@×5.3毫米@@的@@芯片级封装@@，特别适合空间@@受限产品的@@设计@@。
Mira220的@@功耗非常低@@，在@@睡眠模式下仅需@@4mW，在@@空闲模式下功耗@@40mW，而在@@@@90fps的@@全分辨率下也仅仅需要@@350mW。此外@@，Mira220传感器还可以利用@@MIPI CSI-2接口方便地与处理器和@@@@FPGA进行交互@@。
图@@2：专为工业@@机器视觉@@@@应用而设计的@@@@ams OSRAM的@@Mira220全局快门图@@像传感器@@（图@@源@@：ams OSRAM）
工业@@：机器视觉@@@@应用的@@主战场@@
机器人@@之所以能与人类做同样的@@工作@@，主要归功于机器视觉@@@@@@。机器人@@手臂用它来检查从装配线上下来的@@零件和@@产品@@，确定哪些符合质量标准@@。此外@@，机器视觉@@@@还使机器人@@和@@人类之间的@@协作更加高效和@@安全@@。现在@@@@，机器视觉@@@@已经成为工业@@@@4.0过程自动化的@@关键技术@@@@，其中@@@@汽车@@、制药@@、包装@@、食品和@@饮料等垂直行业是使用机器人@@系统比较突出的@@领域@@。
据@@Grand View Research的@@分析@@，2022年@@，全球@@机器视觉@@@@市场规模为@@@@168.9亿美元@@，预计@@2023年@@至@@2030年@@将以@@12.3%的@@复合年@@增长@@率@@（CAGR）增长@@，到@@2030年@@，市场规模将达到@@@@@@416亿美元@@。按照产品划分@@，机器视觉@@@@产品可细分为基于@@@@PC的@@和@@基于@@智能摄像头的@@系统@@。2022年@@，基于@@PC的@@细分市场在@@全球@@的@@市场份额超过@@54.92%，接下来的@@几年@@里预计@@这一趋势仍将得到@@延续@@。
与机构或@@教育应用中@@使用的@@机器视觉@@@@系统相比@@，工业@@机器视觉@@@@系统通常更耐用@@，并要求较高的@@可靠性@@、稳定性和@@准确性@@，而它们的@@成本则比在@@军事@@、航空航天@@、国防和@@政府应用中@@使用的@@系统要低很多@@。这也是近些年@@机器视觉@@@@在@@工业@@领域日益普及的@@重要原因@@。
在@@工业@@应用中@@@@，机器视觉@@@@常常被用于执行各种任务@@，下面我们就列举一些@@：
1. 电子@@188足彩外围@@app 的@@识别和@@分析@@。对元器件的@@准确识别及跟踪是整个制造或@@物流过程控制的@@重要环节@@。例如@@，将机器视觉@@@@用于电路板的@@焊接过程监控@@，除了完成焊接质量检查@@，还能同步检查元器件的@@放置是否正确@@。
2. 印刷缺陷识别@@。印刷缺陷识别@@的@@目的@@是定位@@印刷异常@@，如不正确的@@色调或@@印刷品的@@缺失或@@有缺陷的@@部分@@，机器视觉@@@@的@@应用大幅降低了人为因素可能出现的@@错误@@。
3. 材料检查@@。材料检测系统中@@的@@机器视觉@@@@功能确保@@了产品的@@质量控制@@@@，它能准确识别产品中@@的@@缺陷甚至污染物@@。例如@@，可将机器视觉@@@@系统用于药丸和@@片剂的@@过程监控@@。
4. 物体定位@@@@。在@@机器人@@制导等应用中@@@@，机器视觉@@@@通常被用来寻找东西@@，其目的@@是确定目标物体的@@坐标和@@位@@置@@。这也是机器视觉@@@@普遍的@@应用之一@@。
5. 模式识别@@。机器视觉@@@@在@@当今的@@医学诊断方面发挥了重要作用@@。医学成像分析使用基于@@机器视觉@@@@的@@模式识别@@@@、磁共振成像@@、血液扫描和@@大脑扫描等技术@@可对疾病进行准确的@@诊断@@。
6. 物体识别@@。在@@汽车行业@@，自动驾驶汽车使用机器视觉@@@@系统中@@的@@摄像头拍摄的@@图@@像@@进行物体识别@@@@，得以准确地分析出道路上的@@障碍物类型@@。随着自动驾驶技术@@的@@不断演进@@，这一领域将成为机器视觉@@@@极具发展前景的@@应用之一@@。
人工智能@@：工业@@机器视觉@@@@技术@@发展的@@加速器@@
现代机器视觉@@@@系统开始越来越多地使用人工智能@@@@（AI）方法与技术@@@@，如机器学习或@@深度学习@@，以及人工神经网@@络@@。AI能够处理大量以前难以收集的@@图@@像@@和@@数据@@信息@@，加快了决策过程@@。例如@@，签名和@@字符识别@@，有了人工智能@@的@@加持@@，机器视觉@@@@系统可以快速甄别其中@@@@的@@细微差别@@。
在@@制造业中@@@@，AI有助于物体识别@@和@@材料检查@@@@，使机器视觉@@@@系统能够理解物体或@@材料形状和@@纹理的@@变化@@。在@@质量保证方面@@，AI系统可以分析出现的@@异常现象@@，而不是单纯地检出和@@拒绝不符合规范的@@产品@@。机器视觉@@@@与@@AI和@@深度学习相结合@@，扩大了机器人@@在@@执行生产线任务中@@的@@作用@@，如挑选@@、分拣@@、放置和@@执行生产线扫描@@。这种技术@@组合还使机器人@@能够在@@其他环境中@@运行@@，如超市@@、医院和@@餐馆等@@。基于@@AI的@@机器视觉@@@@还可以在@@更广泛的@@背景和@@照明设置中@@识别缺陷@@，并灵活应对产品外观和@@缺陷类型的@@变化@@，例如@@凹痕或@@变色@@。
深度学习是人工智能@@中@@一个更复杂@@、更强大的@@子集@@，在@@机器视觉@@@@应用中@@也越来越多地被采用@@。在@@人工智能@@的@@支持下@@，机器视觉@@@@系统常常被用来执行复杂的@@任务@@，比如质量控制@@、装配控制@@、过程控制和@@机器人@@操控等@@。在@@过去几年@@里@@，将人工智能@@融入机器视觉@@@@应用是工业@@机器视觉@@@@技术@@发展的@@主要加速器@@。在@@“未来的@@工厂@@”中@@，机器视觉@@@@和@@@@AI技术@@将是过程自动化和@@提高@@效率的@@关键组成部分@@。
机器视觉@@@@与@@AI的@@技术@@进步离不开芯片组的@@支持@@。新一代嵌入式芯片的@@功能更强大@@，成本合理@@，适用于处理图@@像和@@运行基于@@@@AI的@@机器视觉@@@@算法@@，可将深度学习训练时间从数周减少到@@数小时@@。
NXP的@@i.MX 95系列应用处理器将@@eIQ Neutron神经处理单元@@（NPU）、Arm Mali沉浸式@@3D图@@形处理@@、异构安全分区和@@网@@络功能组合在@@一起@@，可实现机器学习和@@先进的@@边缘应用@@。此外@@，i.MX95还集成了@@NXP的@@图@@像@@信号处理器@@（ISP），支持多种不同的@@图@@像@@传感器@@，从而实现工业@@@@、机器人@@、医疗和@@汽车等领域广泛的@@视觉@@应用@@。为此@@，NXP专门针对机器视觉@@@@应用对这个@@ISP进行了优化@@，能支持两个目标区域@@、两个曝光的@@@@HDR合成@@、先进降噪和@@边缘增强@@，支持彩色@@、单色和@@@@RGB-IR摄像头传感器@@。
在@@i.MX95 SoC中@@，主要通过集成的@@@@eIQ Neutron NPU实现机器视觉@@@@@@，在@@这里@@，NPU作为视觉@@处理通路的@@一部分@@，连通多个摄像头传感器@@和@@网@@络连接的@@智能摄像头@@。
图@@3：NXP i.MX95系统框图@@@@（图@@源@@：NXP）
本文小结@@
工业@@机器视觉@@@@是使用相机@@@@、镜头和@@照明设备@@对制成品进行自动视觉@@检查@@。这是一种实时检测部件的@@方法@@，既快速又准确@@，它可以对高速生产线上的@@每一件产品进行拍摄和@@分析@@，通过复杂的@@算法来检查和@@评估在@@工业@@环境中@@获取的@@图@@像@@@@，确保@@100%的@@质量控制@@。它还可以自动化许多工业@@检查@@，包括缺陷和@@问题的@@目视检查@@、产品存在@@与否检查@@、产品类型验证@@、测量和@@产品代码读取等@@。今天@@，工业@@自动化正在@@以惊人的@@速度发展@@，机器视觉@@@@技术@@在@@其发展和@@扩张中@@发挥着至关重要的@@作用@@。
在@@刚刚过去几年@@里@@，融入了人工智能@@的@@机器视觉@@@@技术@@帮助许多机器人@@和@@自动驾驶汽车实现了几乎与人类相似的@@感知水平@@。通过使用大量先进的@@光学传感器@@，如高分辨率相机@@@@，这些机器人@@和@@汽车最终能够以自己的@@方式拥有@@“看@@”的@@能力@@。多种技术@@的@@融合和@@飞速发展使得新应用的@@潜力显著增加@@，这意味着未来的@@机器视觉@@@@技术@@将与更多的@@行业相关@@，所创建的@@解决方案@@也将更加通用和@@智能@@。
本文转载自@@： 贸泽电子@@微信公众号@@@@