機器視覺的圖像識別，就是利用機器人對圖像進行分析、處理，從而實現(xiàn)不同的目標。工業(yè)質(zhì)量問題研究大多數(shù)是需要一對一分析，在這里我們只能淺嘗輒止的介紹自動質(zhì)檢。解決實際問題要具體分析選擇合適的識別方法。

自動化質(zhì)檢在現(xiàn)代工業(yè)自動化生產(chǎn)中可以有效的降低質(zhì)量檢測的成本，并增加質(zhì)檢質(zhì)量和速度，與人類視覺相比，機器視覺優(yōu)勢明顯

1）精確度高：機器視覺自動化質(zhì)檢可顯著提高灰度級，同時可觀測微米級的目標；

2）速度快：機器可以按照指定頻率進行質(zhì)檢，甚至可達微秒級別；

3）穩(wěn)定性高：人工質(zhì)檢質(zhì)量很大程度上依賴于質(zhì)檢員的業(yè)務(wù)水平和個人工作狀態(tài)，避免漏檢錯檢。

4）信息存儲：機器視覺檢測的結(jié)果無論是產(chǎn)品狀態(tài)還是檢測結(jié)果描述都可以輕松的自動保存歸檔，為下一步分析工作做好數(shù)據(jù)準備。

常見的外觀質(zhì)量問題有：

產(chǎn)品表面缺陷：劃傷、劃痕、輥印、凹坑、粗糙、波紋

非金屬產(chǎn)品表面的夾雜、破損、污點

裝配質(zhì)量檢測：零件裝配完整性檢測，裝配尺寸精度檢測，位置/角度測量

打印檢測：打印不全、打印歪斜、邊緣不清晰

這些問題歸結(jié)起來主要：

判斷目標是否存在計劃外邊緣特征：比如額外的紋理，額外的凹痕。

判斷計劃內(nèi)的特征匹配，比如Brute-Force，F(xiàn)LANN

大多數(shù)特征檢測算法都會涉及圖像的角點、邊和斑點的識別。最常用的特征檢測和提取算法有：

用于檢測角點：Harris, FAST

用于檢測斑點: SIFT（Blob）, SURF,BRIEF

ORB:代表帶方向的FAST算法與具有旋轉(zhuǎn)不變性的BRIEF算法

匹配：Brute-Force，F(xiàn)LANN

工業(yè)生產(chǎn)中的視覺定位已應(yīng)用好多行業(yè)，比如半導體封裝，工業(yè)制造領(lǐng)域。

一、 半導體封裝領(lǐng)域

在半導體領(lǐng)域中，設(shè)備需要根據(jù)機器視覺取得的芯片位置信息調(diào)取拾取頭，準確拾取芯片進行綁定，這是視覺定位在半導體封裝領(lǐng)域廣泛的應(yīng)用。

二、機器人工業(yè)制造領(lǐng)域

隨著機器人視覺定位技術(shù)發(fā)展，提升機器人在作業(yè)中精準性和穩(wěn)定性，使企業(yè)在生產(chǎn)中效率大大的提高，節(jié)省勞動成本，提高市場的競爭力。

提到視覺應(yīng)用，可能會人會問，那圖像處理和視頻處理的區(qū)別：其實視頻處理本質(zhì)上也是圖像處理，即對視頻中的幀圖進行處理，只不過多了個視頻解碼的過程。另外，視頻處理，除了對幀內(nèi)圖像進行處理，還可能需要分析幀與幀之間的關(guān)系

下面我們用一個簡單的demo來幫助讀者理解一般實施步驟：

打開攝像頭，讀取幀

對幀圖像進行預處理（灰度化，濾波，二值化。實際質(zhì)檢中可能還要圖像矯正，生態(tài)學處理以達到更好的處理效果）

對幀圖像進行缺陷識別

對符合要求的圖像進行保存

在實際應(yīng)用中，一般會根據(jù)質(zhì)檢結(jié)果調(diào)用工業(yè)控制系統(tǒng)進行相應(yīng)的產(chǎn)品分流，把不合格產(chǎn)品發(fā)送到復檢區(qū)域，合格產(chǎn)品發(fā)送到下一道工序

雖然機器自動質(zhì)檢有很多優(yōu)點，但是要全免替代人工目檢，機器視覺還有諸多難點有待攻破。比如由于不同材料物體表面反光、折射等問題都會影響被測物體特征的提取，因此光源亮度角度以及圖像采集的質(zhì)量直接影響了質(zhì)檢結(jié)果。比如現(xiàn)在玻璃、反光表面的劃痕檢測等，很多時候問題都卡在不同缺陷的集成成像上。

在實際生產(chǎn)中，我們往往是給定程序一些具體的缺陷模式，使用機器視覺來識別它們到底有沒有發(fā)生以及和標準對比的質(zhì)量偏差程度。但有些缺陷并不一定在我們之前經(jīng)驗中遇到過，進而導致漏檢。如果人工質(zhì)檢，質(zhì)檢員一般會意識到新增的缺陷并進行進一步的質(zhì)檢判斷。當然，這些問題隨著技術(shù)的發(fā)展都會得到優(yōu)化解決。

審核編輯：劉清