机器视觉在工业生产应用中的优势与局限性

伴随着工业发展进程及工业4.0时代的到来，机器智能化也逐渐成为现实。特别是近期工业自动化中机器视觉技术的发展，视觉技术的不断更新迭代，使得其在智能制造中的地位也是日渐突显，也推动了工业自动化、人工智能、智能制造等行业的进步，为各个领域都带来更强劲的发展动力。

机器视觉发展到今天已经有二十多年的历史了，它实质上是计算机学科中一个重要的分支。在起初的20世纪50年代，研究的是简单的二维图像统计模式识别；到了60年代，则开始研究三维机器视觉；70年代中期到80年代初期，机器视觉开始在全球范围内大范围开启研究，同时MIT人工智能实验室开启“机器视觉”课程，机器视觉在这个时期得到了蓬勃的发展。

首先在于其可实现可靠性更高的产品质量检测及实时监控，有效的避免了人工检测过程中的主观性和个体差异；

检测精度可达到亚微米级别，突破了人眼的物理限制，在全生命产品周期内对产品进行外形、标签、完整度等方面的缺陷检测；

数字图像处理和计算机视觉算法不断优化，在软件系统层面上提供更广泛及高效的检测功能，补充机器视觉硬件系统的检测能力；

避免检测人员与被检测物件直接接触，防止物件被人为损坏，避免了检测系统机械部件的消耗程度以及维护成本；防止物件免受污染；

使用机器视觉技术的机器人或者机械臂可以根据机器视觉系统提供的位置和方向信息，对工件进行智能抓取，广泛应用于食品，医疗制药和包装等行业，拓展了生产制造的柔性；

在安全上减少人在现场操作的时间，有效的避免了操作人员的听力损害、身体机能下降等情况，保证了操作人员人身。

但就其目前的整体技术水平，还是存在一些问题，将来有望一一解决。首先其容易受到环境光源的约束：不同的光源将造成不同的成像质量和效果，直接干扰检测算法的检测，可能造成产品的误判；单一的视觉引导技术不能保证路径中障碍物检测的精度，决策控制层往往需要融合多种传感器采集的信息。

受到硬件设备性能的限制：摄像头的镜头畸变矫正、标定差异性、视角范围有限；安装条件及场地限制，对传感器融合方案的要求；每个像素的暗电流不同，对光子响应不一致，会造成摄像机中空间及模式噪声；CCD线阵相机的参数设置的局限性。

受到端上计算资源的限制：工业产品大规模复杂的模型架构需要依赖强大计算能力，当设备终端上内存难以满足时需要采用模型云端离线训练再部署到设备终端；图像数据传输时仍需要对特定的任务目标进行模型的参数调整、优化，会产生额外的工程开销，且实时性较差。

受到检测对象多样性的限制：物体表面缺陷种类繁多、缺陷产生机理不明、缺陷描述不充分；机器视觉系统难以从数据中提取特征。

受到成本和收益经济性的限制：视觉传感器等工业相机核心零部件和底层视觉软件的开发需较大投入成本。

—版权声明—

来源：网络
仅用于学术分享，版权属于原作者。
若有侵权，请联系微信号:yiyang-sy 删除或修改！

—THE END—