点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

在比利时的一间温室中，有台小型机器人，它穿过生长在支架托盘上的一排排草莓，利用机器视觉寻找成熟完好的果实，然后用 3D 打印的爪子把每一颗果实轻轻摘下，放在篮子里以待出售。如果感觉果实还未到采摘的时候，这个小家伙会预估其成熟的时间，然后重新过来采摘

这有趣的画面是比利时公司 Octinion 的一场实验，它认为，这套系统能够取代传统的草莓种植和收割模式。在加州，严格的移民政策加上丰富的经济环境令移民农场工的数量不断减少，而本地工人也不想干这种工作，这导致草莓种植者很难找到工人来采摘水果。在英国，英国脱欧使农业工作对东欧工人的吸引力下降，而这些工作此前大多被他们承包。如今，大多数发达国家都面临着类似的农业劳动力短缺的挑战。

Octinion 公司开发的这台机器人可每五秒钟摘一颗草莓，而人类的速度要稍快，平均每三秒摘一个。

" 我们要略慢一点，但在经济上我们是有利可图的，因为每个果实的成本是类似的。" 科恩说。

Octinion 基于成本约束、以及其他采摘草莓的要求开始设计这台机器人。比如，草莓的茎在采摘时不应留在果实上，因为它会在篮子里刺破其他的草莓。当果实开始包装时，更红的一面应该放在上面，以吸引消费者。机器人的视觉系统能够完成这项任务。

这台机器人的设计目的是为了与 " 桌面 " 生长系统配合，即草莓生长在一排排托盘上，而不是田野里，因为这是行业正在发展的方向。在欧洲，温室种植草莓已经成为一种标准方式，生产的草莓大多出口到了美国。Driscolls 等主要生产商已经开始转向托盘生长系统，因为架高种植要更便于机器人或人类采摘。Driscolls 一直在开发另一个草莓采摘机器人，但它总会把草莓割伤。而 Octinion 的机器人则会计算是否会擦伤草莓，如果会则不摘。

除了更便于采摘，托盘生长系统还更节水，因为系统只需浇灌草莓周围少量的土壤即可，并且单位面积产量更高。

在工业领域，机器视觉技术也已经应用于工业自动化系统中，以取代传统上的人工检查来提高生产质量和产量。从拾取和放置、对象跟踪到计量、缺陷检测等应用，利用视觉数据可以通过提供简单的通过失败信息或闭环控制，来提高整个系统的性能。

视觉的使用并不仅仅在工业自动化领域，我们也看到了相机在日常生活中的大量应用，例如用于计算机、移动设备，特别是在中。摄像头仅仅是在几年前才被引入到汽车中，但是现在汽车中已经配备了大量摄像头，以为驾驶员提供完整的360°车辆视图。

机器视觉检测可以改善自动化设置。集成的机器人解决方案可以快速轻松地提供机器视觉检测的优势。但是，即使技术有所改进，视觉也是机器人技术的一个比较“棘手”的问题。

机器视觉检测系统最常见的功能是检测已知物体的位置和方向，在完善硬件、程序和算法设置等环节之外，也需要充分考量照明、背景等因素。

如果有过在低光照下拍摄数码照片的经验，就会知道照明至关重要。糟糕的照明会毁掉一切。成像传感器不像人眼那样适应性强或敏感。如果照明类型错误，视觉传感器将无法可靠地检测到物体。有各种克服照明挑战的方法。一种方法是将有源照明结合到视觉传感器本身中。其他解决方案包括使用红外照明，环境中的固定照明或使用其他形式的技术，例如激光。

球体是计算机视觉检测的简单对象。如果使用模板匹配算法可能只是检测它的圆形轮廓。但是，如果球被压扁，它会改变形状，同样的方法将不再起作用，这就是变形。它会导致一些机器视觉检测技术遭遇相当大的问题。铰接类似，是指由可移动关节引起的变形。例如，当您在肘部弯曲手臂时，手臂的形状会发生变化。各个链接（骨骼）保持相同的形状，但轮廓变形。由于许多视觉算法使用形状轮廓，因此变形和铰接会使得物体识别更加困难。

机器视觉检测系统最常见的功能是检测已知物体的位置和方向。因此，大多数集成视觉解决方案通常都克服了这些挑战。只要整个物体可以在摄像机图像内被查看，检测物体的位置通常是直截了当的。许多系统对于对象方向变化的检测非常灵敏。但是，并不是所有的方向都是易于检测的。虽然检测沿一个轴旋转的物体是足够简单的，但是检测物体的3D旋转则更为复杂。

图像背景对物体检测有很大的影响。举一个极端的例子，对象被放置在一张纸上，在该纸上打印同一对象的图像。在这种情况下，机器视觉检测设置可能无法确定哪个是真实的物体。完美的背景是空白的，并提供与检测到的物体良好的对比。它的确切属性将取决于正在使用的视觉检测算法。如果使用边缘检测器，那么背景不应该包含清晰的线条。背景的颜色和亮度也应该与物体的颜色和亮度不同。

遮挡意味着物体的一部分被遮住了。在前面的几种情况中，整个对象出现在相机图像中。遮挡是不同的，因为部分对象丢失。视觉系统显然不能检测到图像中不存在的东西。有各种各样的东西可能会导致遮挡，包括其他物体、机器人的部分或相机的不良位置。克服遮挡的方法通常涉及将对象的可见部分与其已知模型进行匹配，并假定对象的隐藏部分存在。

在某些情况下，人眼很容易被尺度上的差异所欺骗。机器视觉检测系统可能被他们弄糊涂了。想象一下，你有两个完全相同的物体，只是一个比另一个大。想象一下，您正在使用固定的2D视觉设置，物体的大小决定了它与机器人的距离。尺度的另一个问题，也许不那么明显，就是像素值的问题。如果将机器人相机放置得很远，则图像中的对象将由较少的像素表示。当有更多的像素代表对象时，图像处理算法会更好地工作，但也存在一些例外。

不正确的相机位置可能会导致以前出现过的任何问题，所以重要的是要正确使用它。尝试将照相机放置在光线充足的区域，以便在没有变形的情况下尽可能清楚地看到物体，尽可能靠近物体而不会造成遮挡。照相机和观看面之间不应有干扰的背景或其他物体。

运动有时会导致计算机视觉设置出现问题，特别是在图像中出现模糊时。例如，这可能发生在快速移动的传送带上的物体上。数字成像传感器在短时间内捕获图像，但不会瞬间捕获整个图像。如果一个物体在捕捉过程中移动太快，将导致图像模糊。我们的眼睛可能不会注意到视频中的模糊，但算法会。当有清晰的静态图像时，机器视觉检测效果最佳。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~