機器視覺（Machine Vision）是人工智能領(lǐng)域中發(fā)展迅速的一個重要分支，目前正處于不斷突破、走向成熟的階段。一般認為機器視覺“是通過光學(xué)裝置和非接觸傳感器自動地接受和處理一個真實場景的圖像，通過分析圖像獲得所需信息或用于控制機器運動的裝置”，可以看出智能圖像處理技術(shù)在機器視覺中占有舉足輕重的位置。

智能圖像處理是指一類基于計算機的自適應(yīng)于各種應(yīng)用場合的圖像處理和分析技術(shù)，本身是一個獨立的理論和技術(shù)領(lǐng)域，但同時又是機器視覺中的一項十分重要的技術(shù)支撐。

具有智能圖像處理功能的機器視覺，相當(dāng)于人們在賦予機器智能的同時為機器按上了眼睛，使機器能夠“看得見”、“看得準”，可替代甚至勝過人眼做測量和判斷，使得機器視覺系統(tǒng)可以實現(xiàn)高分辨率和高速度的控制。而且，機器視覺系統(tǒng)與被檢測對象無接觸，安全可靠。

機器視覺技術(shù)

機器視覺的起源可追溯到20世紀60年代美國學(xué)者L.R.羅伯茲對多面體積木世界的圖像處理研究，70年代麻省理工學(xué)院（MIT）人工智能實驗室“機器視覺”課程的開設(shè)。到80年代，全球性機器視覺研究熱潮開始興起，出現(xiàn)了一些基于機器視覺的應(yīng)用系統(tǒng)。90年代以后，隨著計算機和半導(dǎo)體技術(shù)的飛速發(fā)展，機器視覺的理論和應(yīng)用得到進一步發(fā)展。

進入21世紀后，機器視覺技術(shù)的發(fā)展速度更快，已經(jīng)大規(guī)模地應(yīng)用于多個領(lǐng)域，如智能制造、智能交通、醫(yī)療衛(wèi)生、安防監(jiān)控等領(lǐng)域。目前，隨著人工智能浪潮的興起，機器視覺技術(shù)正處于不斷突破、走向成熟的新階段。

在中國，機器視覺的研究和應(yīng)用開始于20世紀90年代。從跟蹤國外品牌產(chǎn)品起步，經(jīng)過二十多年的努力，國內(nèi)的機器視覺從無到有，從弱到強，不僅理論研究進展迅速，而且已經(jīng)出現(xiàn)一些頗具競爭力的公司和產(chǎn)品。估計隨著國內(nèi)對機器視覺研究、開發(fā)和推廣的不斷深入，趕上和超越世界水平已不是遙不可及的事情了。

智能圖像處理技術(shù)

機器視覺的圖像處理系統(tǒng)對現(xiàn)場的數(shù)字圖像信號按照具體的應(yīng)用要求進行運算和分析，根據(jù)獲得的處理結(jié)果來控制現(xiàn)場設(shè)備的動作，其常見功能如下：

（1）圖像采集

圖像采集就是從工作現(xiàn)場獲取場景圖像的過程，是機器視覺的第一步，采集工具大多為CCD或CMOS照相機或攝像機。照相機采集的是單幅的圖像，攝像機可以采集連續(xù)的現(xiàn)場圖像。就一幅圖像而言，它實際上是三維場景在二維圖像平面上的投影，圖像中某一點的彩色（亮度和色度）是場景中對應(yīng)點彩色的反映。這就是我們可以用采集圖像來替代真實場景的根本依據(jù)所在。

如果相機是模擬信號輸出，需要將模擬圖像信號數(shù)字化后送給計算機（包括嵌入式系統(tǒng)）處理。現(xiàn)在大部分相機都可直接輸出數(shù)字圖像信號，可以免除模數(shù)轉(zhuǎn)換這一步驟。不僅如此，現(xiàn)在相機的數(shù)字輸出接口也是標準化的，如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等，可以直接送入計算機進行處理，以免除在圖像輸出和計算機之間加接一塊圖像采集卡的麻煩。后續(xù)的圖像處理工作往往是由計算機或嵌入式系統(tǒng)以軟件的方式進行。

（2）圖像預(yù)處理

對于采集到的數(shù)字化的現(xiàn)場圖像，由于受到設(shè)備和環(huán)境因素的影響，往往會受到不同程度的干擾，如噪聲、幾何形變、彩色失調(diào)等，都會妨礙接下來的處理環(huán)節(jié)。為此，必須對采集圖像進行預(yù)處理。常見的預(yù)處理包括噪聲消除、幾何校正、直方圖均衡等處理。

通常使用時域或頻域濾波的方法來去除圖像中的噪聲；采用幾何變換的辦法來校正圖像的幾何失真；采用直方圖均衡、同態(tài)濾波等方法來減輕圖像的彩色偏離?？傊ㄟ^這一系列的圖像預(yù)處理技術(shù)，對采集圖像進行“加工”，為體機器視覺應(yīng)用提供“更好”、“更有用”的圖像。

（3）圖像分割

圖像分割就是按照應(yīng)用要求，把圖像分成各具特征的區(qū)域，從中提取出感興趣目標。在圖像中常見的特征有灰度、彩色、紋理、邊緣、角點等。例如，對汽車裝配流水線圖像進行分割，分成背景區(qū)域和工件區(qū)域，提供給后續(xù)處理單元對工件安裝部分的處理。

圖像分割多年來一直是圖像處理中的難題，至今已有種類繁多的分割算法，但是效果往往并不理想。近來，人們利用基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法進行圖像分割，其性能勝過傳統(tǒng)算法。

（4）目標識別和分類

在制造或安防等行業(yè)，機器視覺都離不開對輸入圖像的目標進行識別和分類處理，以便在此基礎(chǔ)上完成后續(xù)的判斷和操作。識別和分類技術(shù)有很多相同的地方，常常在目標識別完成后，目標的類別也就明確了。近來的圖像識別技術(shù)正在跨越傳統(tǒng)方法，形成以神經(jīng)網(wǎng)絡(luò)為主流的智能化圖像識別方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、回歸神經(jīng)網(wǎng)絡(luò)（RNN）等一類性能優(yōu)越的方法。

（5）目標定位和測量

在智能制造中，最常見的工作就是對目標工件進行安裝，但是在安裝前往往需要先對目標進行定位，安裝后還需對目標進行測量。安裝和測量都需要保持較高的精度和速度，如毫米級精度（甚至更?。?，毫秒級速度。這種高精度、高速度的定位和測量，倚靠通常的機械或人工的方法是難以辦到的。在機器視覺中，采用圖像處理的辦法，對安裝現(xiàn)場圖像進行處理，按照目標和圖像之間的復(fù)雜映射關(guān)系進行處理，從而快速精準地完成定位和測量任務(wù)。

（6）目標檢測和跟蹤

圖像處理中的運動目標檢測和跟蹤，就是實時檢測攝像機捕獲的場景圖像中是否有運動目標，并預(yù)測它下一步的運動方向和趨勢，即跟蹤。并及時將這些運動數(shù)據(jù)提交給后續(xù)的分析和控制處理，形成相應(yīng)的控制動作。圖像采集一般使用單個攝像機，如果需要也可以使用兩個攝像機，模仿人的雙目視覺而獲得場景的立體信息，這樣更加有利于目標檢測和跟蹤處理。

責(zé)任編輯：tzh