浅析机器视觉在智能制造中的应用

智能制造结合了人工智能、大数据、物联网等新一代智能信息技术，贯穿产品全生命周期，实现从了工厂到市场的联动。随着机械装备生产过程的进一步智能化，生产信息的采集和处理过程显得尤为重要。本文介绍了机器视觉技术的工作原理和关键技术，以及机器视觉在智能制造中的应用，并对机器视觉的应用前景做出了分析和展望。

随着制造业的发展，智能制造技术日渐成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键技术。其主要应用包括基于神经网络的智能检测、故障诊断、识别、设计、优化，基于遗传算法的优化设计，基于规则、基于框架的专家系统，基于类比推理、归纳学习与基于实例推理的知识系统，基于Agent技术的分布式智能制造系统等等[1]。智能制造主要关注于高端装备制造，在制造过程中进行分析推理、判断、思考、决策等活动。智能制造系统从原始的能量驱动转变为信息驱动，这对于制造系统的灵活性和数字化提出了很高的要求。在智能制造系统中，原始信息的采集是最基础的工作，原始信息推动着整个系统的决策和工作。机器视觉技术作为当前的热门技术之一，具有高度的灵活性，能适应各种生产环境，拥有强大的理论支持，在智能制造领域得到了广泛的应用。本文针对于智能制造，介绍了现有文献中机器视觉的相关关键以及其在制造过程中的相关应用，并基于此探讨机器视觉在未来先进制造、智能制造中的应用前景。

1

机器视觉中的关键技术

机器视觉在智能制造中主要用于视觉检测，关键技术包括图像获取、图像预处理、图像分割、图像识别、检测[2]。

1.1 成像系统

视觉信息是机器视觉技术的基础，一般而言，视觉信息采集系统主要包括了光源、成像、处理等数个环节。智能制造中典型的视觉信息采集系统如图1所示：由光控电路控制的光学镜头在光源下获取目标图像，经传感器于信号存储电路之中保存，之后通过信号放大电路以及计算机的图像处理，最终获得目标的视觉信息。

图1 视觉信息采集系统

1.2 图像预处理

由于获取条件的不同和外界的各种干扰，经过成像系统采集到的原始图像往往存在着大量的噪声和失真，这种数据无法直接用于视觉系统。为了消除外界环境对图像采集的干扰，需要对图像进行预处理，例如通过图像分析和识别等手段，消除使图像质量恶化的因素，使采集到的图像能够更有效的用于有效信息的提取。图像预处理的降噪手段主要有以下几种：

（1）均值滤波：其是一种线性滤波算法，用图片中目标像素周围8个像素的平均值来代替该像素自身，从而达到降噪效果。但是该算法自身存在一定的缺陷，会破环图像的细节部分，使其变得模糊，不能有效的去除噪点[3]。

（2）中值滤波：是一种基于统计排序理论的非线性滤波算法，其将待处理的像素点用周围的8个或者24个像素点中的中值进行替换，从而达到降噪的目的[3]。

（3）高斯滤波：其为一种线性平滑滤波算法，用于处理高斯噪声，将待处理的像素点用周围其他像素点的加权平均值代替。高斯滤波处理对于服从正态分布的噪声特别有效[4]。

1.3 图像分割

图像分割是图像处理和计算机视觉领域的基本工作，按照图像的灰度、颜色、纹理、形状等特征，将图像分割成若干区域，区域内部具有高度的相似性，不同的区域呈现互异的特征。图像分割的算法主要有全局能量最小化方法，例如模拟退火方法、动态规划方法、图论方法等，以及局部能量最小化方法，如变分方法、ICM方法等[5]。其中，模拟退火方法尽管要求高，但是能够适用较多类型的能量函数；动态规划方法主要的问题是无法有效求解高维的能量函数；图论法则可以拓展到多种能量函数，实现最优解的逼近，求解效率很高，因此采用范围更为广泛。

1.4 图像识别

图像识别基于图像特征分析、运动分析、模式匹配等，主要的途径包括：基于图像分割，序列图像识别方式，以及基于模式学习和和形状匹配的识别方式等[6-8]。

2

机器视觉在智能制造中的应用

机器视觉的应用优势在于无需与被测物体进行接触，因此被测物体和测量装置操作过程中都不会产生损坏，是一种相对于而言更安全可靠的检测手段。此外，测量装置的适用范围和互换性都非常的广泛，不仅仅局限于某一类物体。理论而言，机器视觉技术甚至可以用来探测人眼无法观察到的部分，例如红外线、微波、超声波等，通过传感器可以将这些信息进行捕获和处理，从而拓展了人类的视觉范围。相对机器视觉而言，人类视觉容易受到个体状态的影响，难以进行长时间的观测，在恶劣下表现不理想，因此，机器视觉技术常常用于长时间检测工作和在线处理，以及人类无法工作的极端环境下。

正是因为这些特性，机器视觉技术被广泛应用于工业生产的各个步骤。在智能制造体系中，机器视觉的应用主要可以归纳为四个方向：尺寸测量、物体定位、零件检测、图像识别[9]。

2.1 尺寸测量

随着制造工艺的不断提高，工业产品尤其是大型构件的外形设计日趋复杂。同时，由于大型构件的体积和重量限制，不便于经常移动，给传统的测量方式带来了巨大的困扰。机器视觉测量技术是一种基于光学成像、数字图像处理、计算机图形学的无接触的测量方式，拥有严密的理论基础，测量范围更广，而且相对于传统测量方式而言，拥有更高的测量精度和效率。

根据不同的光照方式和几何关系，视觉检测方法可以分为两种：被动视觉探测和主动视觉检查。被动视觉探测直接采用了原始图像，这些在工业环境中获取的原始图像并没有明显的特征信息；而主动检测方式能够主动的去产生所需的特征信息，从而避免立体特征匹配困难，所以在工业检测中应用范围更广。

主动视觉检测方式包括激光测距、云纹干涉法、简单三角形法，结构光法与时差法等方法。例如魏振忠[10]提出了一种基于结构光视觉传感器的物体测量方法，可用于提高大型工件的结构光三维视觉的检测精度。在结构光方法的测量过程中，由于靶标上的基准坐标点很难准确落在结构光平面上，导致空间坐标的准确获取难以实现。在此测量方法中，通过一种基于双重交比不变的结构光视觉传感器的标定方法，并配合相应的标定靶标，从根本上解决了此问题。

2.2 物体定位

传统制造业中的焊接、搬运、装配等固定流程正在逐步被工业机器人取代，这些步骤对于工业机器人来说，只需要生成指定的程序，然后按照程序依次执行即可。在机器人的操作过程中，零件的初始状态（如位置和姿态等）与机器人的相对位置并不是固定的。这导致工件的实际摆放位置和理想加工位置存在差距，机器人难以按照原定的程序进行加工[11]。随着机器视觉技术以及更灵活的机器手臂的出现，这个问题得到了很好的解决，为智能制造的迅速发展提供了动力。

2.3零件检测

零件检测是机器视觉技术在工业生产中最重要的应用之一，在制造生产的过程中，几乎所有的产品都面临着质量检测。传统的手工检测存在着许多不足：首先，人工检测的准确性依赖于工人的状态和熟练程度；其次，人工操作效率相对较低，不能很好的满足大量生产检测的要求；近年来人工成本也在逐步上升。所以，机器视觉技术被广泛用于产品检测中，主要的应用包括：存在性检测和缺陷检测。

2.3.1存在性检测

存在性检测的对象包括某个部件、某个图案或者是整个物体的存在性。在制造环节中，某些步骤的缺失或者加工缺陷会导致零部件的丢失，影响产品的品质，需要在进行下一步工序或出厂前分拣出来待进一步处理。通过前期的图像采集和处理后，需要依靠显著目标检测算法来进行识别，从而得出显著目标是否存在的结论。

例如李牧等[12]提出了一种显著目标存在性检测算法，利用中心周边直方图计算出的显著图，提取目标区域与图像中心点距离、目标区域位置分布方差、目标区域在图像边缘的分布、目标区 域分布熵、图像显著图的直方图等5种特征进行分类，并利用投票的方式最终确定输入图片是否包含显著目标。通过数据集验证，能够有效识别出指定目标的存在性。

2.3.2表面缺陷检测

表面缺陷检测的对象为二维平面上的元素，包括孔洞、污渍、划痕、裂纹、亮点、暗点等常见的表面缺陷，这些缺陷特别是孔洞和裂纹等，可能严重影响产品质量和使用的安全性，准确识别缺陷产品非常重要。这方面的研究如岳文辉[13]提出了一种CCD (Charge Coupled Device)图像获取系统，利用使用最普遍的电荷耦合器件CCD，在荧光磁粉无损检测技术的基础上，使用CCD进行图像采集，然后使用相关算法进行图像处理和模式识别，来检测表面缺陷的类型和程度。

图2 系统图像处理和识别流程图

零件检测相关的工作流程一般大致如图2所示。尽管系统针对于不同的对象和目的，但是其图像处理和图像识别内核差异不大。图像处理和识别都是从采集的图像出发，经过单色化处理、阈值处理，图像膨胀处理，孤点滤波等预处理之后，对图像的特征进行提取并描述，最终输出结果。

2.4 图像识别

图像识别利用机器视觉技术中的图像处理、分析和理解功能，准确识别出一类预先设定的目标或者物体的模型。在工业领域中的主要应用有条形码读取、二维码扫描识别等，以往多用NFC标签等载体进行信息读取，需要与产品进行近距离接触。而随着工业摄像机等硬件设备的更新换代，二维码等标识可以被远距离读取和识别，而且携带的信息更丰富，可以将所有产品信息写入二维码，而无需联网查询信息[14]。

3

机器视觉的发展和问题

尽管机器视觉在智能制造中已经得到的长足的发展，但是就目前的应用现状而言，还存在一些发展的瓶颈。

最为首先的就是精度问题。传统制造测量尺寸都具有一个标准化的测量精度，而机器视觉中则主要采用基于像素的分辨率来衡量。尽管目前就镜头和感光原件如CCD和CMOS的制造工艺已经获得了很大的进展，分辨率6000x4000pixel已经比较常见，甚至还有20000x14000pixel也已实现，但是测量精度仍未实现标准化。

另一个则可能是机器视觉输出结果的可靠性问题。一般而言，产品位置，光照强度，外部环境等都会都最终基于机器视觉所输出的结果产生影响，尤其是在精度要求比较高的时候。随着测量条件、环境、被测物表面特性等改变，尤其是在一些强光或温度的干扰下，机器视觉的应用会受到很大的限制。然而，这种测量环境的普适性很难通过一种标准化的的方法实现解决。

算法上的可靠性也会对机器视觉的广泛应用产生影响。目前，针对于不对场景下的机器视觉应用，各类算法层出不穷，其精度和应用范围也存在差异。不同算法之间的差异，不仅会得到不同的测量结果，而且整合于一个系统之内的难度也会加大。

同时，机器视觉与生产系统一体化也是一个需要考虑的方面[15]。由于产品位置对于测量精度和可靠性都具有一定的影响，因此，在生产设备中嵌入机器视觉系统是最为适合的方法。然而，设备机器的再设计和制造会对这种应用产生一定的壁垒，其需要保证产量和应用价值的基础上才能解决。目前中国的机器视觉市场相较成熟的自动化产品应用水平偏低,市场也远未饱和，未来还需要更多的研究者和实践者的关注和参与。

伴随着制造业的进一步发展以及“中国制造2025”的提出，制造业迎来了新一轮的产业升级，智能制造技术、智能数字化工程成为了制造业发展的重点。作为智能制造领域采集和处理生产信息的关键技术，机器视觉表现出了巨大的优势。一方面，用智能装备替代人工操作，避免了一切依赖人工而存在的弊端；同时，这极大的拓展了生产环境和生产条件，无需近距离接触危险的工作环境；最后，随着机器视觉装备和算法的不断革新和改进，机器视觉系统的准确性和效率会得到进一步的提升。