机器视觉系统视觉检测技术是精密测试技术领域内最具有发展潜力的新技术，它综合运用了电子学、光电探测、图象处理和计算机技术，将机器视觉引入到工业检测中，实现对物体（产品或零件）三维尺寸或位置的快速测量，具有非接触、速度快、柔性好等突出优点，在现代制造业中有着重要的应用前景。

图1-1 视觉检测一．机器视觉简介美国机器人工业协会（RIA Robotic Industries Association）的自动化对机器视觉下的定义为：机器视觉（Machine Vision）是指光学的装置和非接触的传感器自动的接受和处理一个真实物体的图像，通过分析图像获得所需信息或用于控制机器运动的装置。

机器视觉主要由视觉传感器（如工业相机）代替人眼获取客观事物的图像，利用计算机来模拟人或再现与人类视觉有关的某些职能行为，从图像中提取信息，并进行处理与分析，最终用于实际的检测、测量与控制。

图1-2 机器视觉机构图机器视觉的应用主要有检测和机器人视觉两个方面:⒈检测:又可分为高精度定量检测(例如显微照片的细胞分类、机械零部件的尺寸和位置测量)和不用量器的定性或半定量检测(例如产品的外观检查、装配线上的零部件识别定位、缺陷性检测与装配完全性检测)。

⒉机器人视觉:用于指引机器人在大范围内的操作和行动，如从料斗送出的杂乱工件堆中拣取工件并按一定的方位放在传输带或其他设备上(即料斗拣取问题)。

至于小范围内的操作和行动，还需要借助于触觉传感技术。

二．机器视觉系统典型的机器视觉系统：光源，镜头，相机，图像处理单元（图像捕获卡），图像处理软件，监视器，通信/输入输出单元等。

机器视觉系统是指通过机器视觉产品（即图像摄取装置，分CMOS和CCD 两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

图2-1 机器视觉检测流程图2.1光源光源是影响机器视觉系统图像质量的重要因素，照明对输入数据的影响至少占到30%。

照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。

由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。

光源可分为可见光和不可见光。

常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。

可见光的缺点是光能不能保持稳定。

如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。

另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。

照明系统按其照射方法可分为:背向照明、前向照明、结构光和频闪光照明等。

其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高对比度的图像。

前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。

结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。

频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。

通过适当的光源照明设计，使图像中的目标信息与背景信息得到最佳分离，可以大大降低图像处理算法分割、识别的难度，同时提高系统的定位、测量精度，使系统的可靠性和综合性能得到提高。

反之，如果光源设计不当，会导致在图像处理算法设计和成像系统设计中事倍功半。

因此，光源及光学系统设计的成败是决定系统成败的首要因素。

常用的有LED光源、卤素灯(光纤光源)、高频荧光灯。

目前LED光源最常用，选择机器视觉光源时应该考虑的主要特征：1)亮度（当两种光源可以选择是，最佳选择是选择更亮的）2)光源均匀性（不均匀的光会造成不均匀的反射）3)光谱特征（光源的颜色及测量物体表面的颜色决定反射到摄像头的光能的大小及波长）4)寿命特性（光源一般要持续使用）5)对比度（对比度对机器视觉来说非常重要，保证需要检测的特征）2.2 相机机器视觉相机的目的是将通过镜头投影到传感器的图像传送到能够储存、分析和(或者)显示的机器设备上。

可以用一个简单的终端显示图像，例如利用计算机系统显示、存储以及分析图像。

按照芯片类型可以分为CCD相机、CMOS相机;按照传感器的结构特性可以分为线阵相机、面阵相机;按照扫描方式可以分为隔行扫描相机、逐行扫描相机;按照分辨率大小可以分为普通分辨率相机、高分辨率相机;按照输出信号方式可以分为模拟相机、数字相机;按照输出色彩可以分为单色(黑白)相机、彩色相机;按照输出信号速度可以分为普通速度相机、高速相机;按照响应频率范围可以分为可见光(普通)相机、红外相机、紫外相机等。

相机的选取是设计机器视觉系统极关键的一步，首先明确需求:第一、要先确定检测产品的精度要求。

第二、要确定相机要看的视野大小。

第三、要确定检测物体的速度。

第四、要确定是动态检测还是静态检测。

然后确定硬件类型表2-1 相机-按芯片类型分类表2-2 相机-按信号输出方式2.3 镜头虽然照相机、剖析软件和照明关于机器视觉系统都是非常重要的，可能最关键的元件还是成像镜头。

系统若想完整发挥其功用，工业镜头必需要可以满足请求才行。

当为控制系统选择工业镜头的时分，机器视觉集成商应该思索四个主要要素：1)能够检测物体类别和特性;2)景深或者焦距;3)加载和检测间隔;4)运转环境。

剖析工业镜头的这四个要素，能够针对详细应用肯定适宜的镜头选择。

在实际的工程项目中镜头的选择主要需要考虑：（1）波长、变焦与否（2）特殊要求优先考虑（3）工作距离（4）像面大小和像质（5）光圈和接口（6）成本和技术成熟度镜头与光源、相机一起构成一个完整的图像采集系统。

在机器视觉的采集过程需要三者的良好配合才能得到最好的图像。

2.4 图像采集卡图像采集卡，其功能是将图像信号采集到电脑中，以数据文件的形式保存在硬盘上。

它是我们进行图像处理必不可少的硬件设备，通过它，我们就可以把摄像机拍摄的视频信号从摄像带上转存到计算机中，利用相关的视频编辑软件，对数字化的视频信号进行后期编辑处理、比如剪切画面、添加滤镱、字幕和音效、设置转场效果以及加入各种视频特效等等，最后将编辑完成的视频信号转换成标准的VCD、DVD以及网上流行媒体等格式，方便传播。

图2-2 图像采集卡基本组成模块2.5 图像处理2.5.1 图像预处理图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。

图2-3 图像预处理图像预处理的主要方法有：空间滤波，均值滤波，中值滤波。

2.5.2 边缘检测边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。

图像属性中的显著变化通常反映了属性的重要事件和变化。

通俗来讲，边缘检测模拟人眼视觉系统认识目标，首先是把图像边缘与背景分离出来，其次感知图像细节，并辨认出图像的轮廓。

图2-4 数字图像的边缘检测边缘检测的算法主要有：1)滤波(滤波器在降低噪声的同时也导致了边缘强度的损失)2)增强（边缘增强一般通过计算梯度幅值来完成）3)检测（确定那些点是梯度幅值—梯度幅值阈值判据）4)定位（边缘位置可在子像素分辨率上估计）2.5.3 阈值分割阈值是在分割时作为区分物体与背景像素的门限，大于或等于阈值的像素属于物体，而其他属于物体。

图像分割是用数字、文字、符号、几何图形或其组合表示图像的内容和特征，对图像景物的详尽描述和解释。

阈值分割基本原理：通过设定不同的特征（灰度和彩色）阈值，将图像像素点分为若干类图2-4 阈值分割2.5.4图像特征提取与匹配图像匹配是通过对图像内容、特征、结构、关系、纹理以及灰度等的对应关系，相似性和一致性分析，寻求相同目标的方法。

图像特征的提取与匹配过程中选取不同的算法以及模型之间的运算时间存在很大的差距，下面简单的介绍几种不同的图像特征提取与匹配的方法。

（1）模板匹配算法（2）高斯金字塔模型图2-5 基于灰度的特征提取与匹配图2-5为两种基于灰度的特征提取与匹配的不同的算法模型。

其中图（1）位模板匹配算法，即将图像与现有的模板进行匹配从而得到一样的特征，实现对图像特征的提取，需要匹配整个图像的所有像素点，耗时较长。

图（2）位高斯金字塔模型，即通过投射的方式将图像划分为不同的区域按层进行匹配，层数越多耗时越短，可大大缩短计算时间。

图2-6 基于不变矩阵的匹配算法流程图图2-6为基于不变矩阵的匹配算法流程图，在图像处理中，不同阶次的矩是常用的描述图像信息的统计特征，且具有一定的平移、旋转和尺度不变性。

常用的三阶Hu不变矩阵具有较好的匹配适应能力，基于Hu不变矩阵对图像良好的描述特性，采用不变矩阵来描述图像之间的相似度，并且不受几何失真影响。

图2-7 基于形状的特征提取与匹配图2-7为形状特征提取方法分类，形状特征可以直接由分割得到的形状边界或区域中的像素产生的原始数据获得更标准的做法是将数据压缩为一种表达方案，在表达方案的基础上获得形状特征的描述。

2.6 摄像机标定机器视觉获取的图像不仅要包含图像的外形，同样需要知道图像所处的位置，即需要知道获取物体在世界坐标系中的位置，摄像机的标定直接影响获取物体位置的精度。

图2-7 摄像机成像模型图2-8 摄像机标定模型摄像机定标的目的是从图像点中求出物体的待识别参数，摄像机的标定方法主要有：表2-3 摄像机标定分类三．机器视觉发展与展望随着技术的革新，视觉的发展趋势主要有:1)价格持续下降2)功能逐渐增多：计算机能力增强、更高分辨率的传感器、更快的扫描率、软件功能提高3)产品小型化：工业配件上LED成为主导光源4)集成产品增多：智能化发展在智能化兴起的21世纪，智能相机已逐渐成为机器视觉的发展方向，智能相机是在一个单独的盒内集成处理器、镜头、光源、输入/输出装置以及以太网，即实现芯片上的视觉系统。

康耐视的In-Sight® 7000 系列视觉系统集成的智能摄像头具有自动聚焦、快速图像捕获、集成光源和镜头，以及用于检测、色彩、字符识别应用等等的强大视觉工具图2-8 康耐视智能相机机器视觉技术经过20年的发展,已成为一门新兴的综合技术,在社会诸多领域得到广泛应用.大大提高了装备的智能化、自动化水平,提高了装备的使用效率、可靠性等性能.随着新技术、新理论在机器视觉系统中的应用,机器视觉将在国民经济的各个领域发挥更大的作用.。