智能視覺技術(shù)在智能制造中的應(yīng)用

智能制造結(jié)合了人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代智能信息技術(shù)，貫穿產(chǎn)品全生命周期，實(shí)現(xiàn)從了工廠到市場的聯(lián)動(dòng)。隨著機(jī)械裝備生產(chǎn)過程的進(jìn)一步智能化，生產(chǎn)信息的采集和處理過程顯得尤為重要。本文介紹了機(jī)器視覺技術(shù)的工作原理和關(guān)鍵技術(shù)，以及機(jī)器視覺在智能制造中的應(yīng)用，并對(duì)機(jī)器視覺的應(yīng)用前景做出了分析和展望。

隨著制造業(yè)的發(fā)展，智能制造技術(shù)日漸成為實(shí)現(xiàn)制造的知識(shí)化、自動(dòng)化、柔性化以實(shí)現(xiàn)對(duì)市場的快速響應(yīng)的關(guān)鍵技術(shù)。其主要應(yīng)用包括基于神經(jīng)網(wǎng)絡(luò)的智能檢測(cè)、故障診斷、識(shí)別、設(shè)計(jì)、優(yōu)化，基于遺傳算法的優(yōu)化設(shè)計(jì)，基于規(guī)則、基于框架的專家系統(tǒng)，基于類比推理、歸納學(xué)習(xí)與基于實(shí)例推理的知識(shí)系統(tǒng)，基于Agent技術(shù)的分布式智能制造系統(tǒng)等等［1］。智能制造主要關(guān)注于高端裝備制造，在制造過程中進(jìn)行分析推理、判斷、思考、決策等活動(dòng)。智能制造系統(tǒng)從原始的能量驅(qū)動(dòng)轉(zhuǎn)變?yōu)樾畔Ⅱ?qū)動(dòng)，這對(duì)于制造系統(tǒng)的靈活性和數(shù)字化提出了很高的要求。在智能制造系統(tǒng)中，原始信息的采集是最基礎(chǔ)的工作，原始信息推動(dòng)著整個(gè)系統(tǒng)的決策和工作。機(jī)器視覺技術(shù)作為當(dāng)前的熱門技術(shù)之一，具有高度的靈活性，能適應(yīng)各種生產(chǎn)環(huán)境，擁有強(qiáng)大的理論支持，在智能制造領(lǐng)域得到了廣泛的應(yīng)用。本文針對(duì)于智能制造，介紹了現(xiàn)有文獻(xiàn)中機(jī)器視覺的相關(guān)關(guān)鍵以及其在制造過程中的相關(guān)應(yīng)用，并基于此探討機(jī)器視覺在未來先進(jìn)制造、智能制造中的應(yīng)用前景。

1

機(jī)器視覺中的關(guān)鍵技術(shù)

機(jī)器視覺在智能制造中主要用于視覺檢測(cè)，關(guān)鍵技術(shù)包括圖像獲取、圖像預(yù)處理、圖像分割、圖像識(shí)別、檢測(cè)［2］。

1.1 成像系統(tǒng)

視覺信息是機(jī)器視覺技術(shù)的基礎(chǔ)，一般而言，視覺信息采集系統(tǒng)主要包括了光源、成像、處理等數(shù)個(gè)環(huán)節(jié)。智能制造中典型的視覺信息采集系統(tǒng)如圖1所示：由光控電路控制的光學(xué)鏡頭在光源下獲取目標(biāo)圖像，經(jīng)傳感器于信號(hào)存儲(chǔ)電路之中保存，之后通過信號(hào)放大電路以及計(jì)算機(jī)的圖像處理，最終獲得目標(biāo)的視覺信息。

1.2 圖像預(yù)處理

由于獲取條件的不同和外界的各種干擾，經(jīng)過成像系統(tǒng)采集到的原始圖像往往存在著大量的噪聲和失真，這種數(shù)據(jù)無法直接用于視覺系統(tǒng)。為了消除外界環(huán)境對(duì)圖像采集的干擾，需要對(duì)圖像進(jìn)行預(yù)處理，例如通過圖像分析和識(shí)別等手段，消除使圖像質(zhì)量惡化的因素，使采集到的圖像能夠更有效的用于有效信息的提取。圖像預(yù)處理的降噪手段主要有以下幾種：

（1）均值濾波：其是一種線性濾波算法，用圖片中目標(biāo)像素周圍8個(gè)像素的平均值來代替該像素自身，從而達(dá)到降噪效果。但是該算法自身存在一定的缺陷，會(huì)破環(huán)圖像的細(xì)節(jié)部分，使其變得模糊，不能有效的去除噪點(diǎn)［3］。

（2）中值濾波：是一種基于統(tǒng)計(jì)排序理論的非線性濾波算法，其將待處理的像素點(diǎn)用周圍的8個(gè)或者24個(gè)像素點(diǎn)中的中值進(jìn)行替換，從而達(dá)到降噪的目的［3］。

（3）高斯濾波：其為一種線性平滑濾波算法，用于處理高斯噪聲，將待處理的像素點(diǎn)用周圍其他像素點(diǎn)的加權(quán)平均值代替。高斯濾波處理對(duì)于服從正態(tài)分布的噪聲特別有效［4］。

1.3 圖像分割

圖像分割是圖像處理和計(jì)算機(jī)視覺領(lǐng)域的基本工作，按照?qǐng)D像的灰度、顏色、紋理、形狀等特征，將圖像分割成若干區(qū)域，區(qū)域內(nèi)部具有高度的相似性，不同的區(qū)域呈現(xiàn)互異的特征。圖像分割的算法主要有全局能量最小化方法，例如模擬退火方法、動(dòng)態(tài)規(guī)劃方法、圖論方法等，以及局部能量最小化方法，如變分方法、ICM方法等［5］。其中，模擬退火方法盡管要求高，但是能夠適用較多類型的能量函數(shù)；動(dòng)態(tài)規(guī)劃方法主要的問題是無法有效求解高維的能量函數(shù)；圖論法則可以拓展到多種能量函數(shù)，實(shí)現(xiàn)最優(yōu)解的逼近，求解效率很高，因此采用范圍更為廣泛。

1.4 圖像識(shí)別

圖像識(shí)別基于圖像特征分析、運(yùn)動(dòng)分析、模式匹配等，主要的途徑包括：基于圖像分割，序列圖像識(shí)別方式，以及基于模式學(xué)習(xí)和和形狀匹配的識(shí)別方式等［6-8］。

2

機(jī)器視覺在智能制造中的應(yīng)用

機(jī)器視覺的應(yīng)用優(yōu)勢(shì)在于無需與被測(cè)物體進(jìn)行接觸，因此被測(cè)物體和測(cè)量裝置操作過程中都不會(huì)產(chǎn)生損壞，是一種相對(duì)于而言更安全可靠的檢測(cè)手段。此外，測(cè)量裝置的適用范圍和互換性都非常的廣泛，不僅僅局限于某一類物體。理論而言，機(jī)器視覺技術(shù)甚至可以用來探測(cè)人眼無法觀察到的部分，例如紅外線、微波、超聲波等，通過傳感器可以將這些信息進(jìn)行捕獲和處理，從而拓展了人類的視覺范圍。相對(duì)機(jī)器視覺而言，人類視覺容易受到個(gè)體狀態(tài)的影響，難以進(jìn)行長時(shí)間的觀測(cè)，在惡劣下表現(xiàn)不理想，因此，機(jī)器視覺技術(shù)常常用于長時(shí)間檢測(cè)工作和在線處理，以及人類無法工作的極端環(huán)境下。

正是因?yàn)檫@些特性，機(jī)器視覺技術(shù)被廣泛應(yīng)用于工業(yè)生產(chǎn)的各個(gè)步驟。在智能制造體系中，機(jī)器視覺的應(yīng)用主要可以歸納為四個(gè)方向：尺寸測(cè)量、物體定位、零件檢測(cè)、圖像識(shí)別［9］。

2.1 尺寸測(cè)量

隨著制造工藝的不斷提高，工業(yè)產(chǎn)品尤其是大型構(gòu)件的外形設(shè)計(jì)日趨復(fù)雜。同時(shí)，由于大型構(gòu)件的體積和重量限制，不便于經(jīng)常移動(dòng)，給傳統(tǒng)的測(cè)量方式帶來了巨大的困擾。機(jī)器視覺測(cè)量技術(shù)是一種基于光學(xué)成像、數(shù)字圖像處理、計(jì)算機(jī)圖形學(xué)的無接觸的測(cè)量方式，擁有嚴(yán)密的理論基礎(chǔ)，測(cè)量范圍更廣，而且相對(duì)于傳統(tǒng)測(cè)量方式而言，擁有更高的測(cè)量精度和效率。

根據(jù)不同的光照方式和幾何關(guān)系，視覺檢測(cè)方法可以分為兩種：被動(dòng)視覺探測(cè)和主動(dòng)視覺檢查。被動(dòng)視覺探測(cè)直接采用了原始圖像，這些在工業(yè)環(huán)境中獲取的原始圖像并沒有明顯的特征信息；而主動(dòng)檢測(cè)方式能夠主動(dòng)的去產(chǎn)生所需的特征信息，從而避免立體特征匹配困難，所以在工業(yè)檢測(cè)中應(yīng)用范圍更廣。

主動(dòng)視覺檢測(cè)方式包括激光測(cè)距、云紋干涉法、簡單三角形法，結(jié)構(gòu)光法與時(shí)差法等方法。例如魏振忠［10］提出了一種基于結(jié)構(gòu)光視覺傳感器的物體測(cè)量方法，可用于提高大型工件的結(jié)構(gòu)光三維視覺的檢測(cè)精度。在結(jié)構(gòu)光方法的測(cè)量過程中，由于靶標(biāo)上的基準(zhǔn)坐標(biāo)點(diǎn)很難準(zhǔn)確落在結(jié)構(gòu)光平面上，導(dǎo)致空間坐標(biāo)的準(zhǔn)確獲取難以實(shí)現(xiàn)。在此測(cè)量方法中，通過一種基于雙重交比不變的結(jié)構(gòu)光視覺傳感器的標(biāo)定方法，并配合相應(yīng)的標(biāo)定靶標(biāo)，從根本上解決了此問題。

2.2 物體定位

傳統(tǒng)制造業(yè)中的焊接、搬運(yùn)、裝配等固定流程正在逐步被工業(yè)機(jī)器人取代，這些步驟對(duì)于工業(yè)機(jī)器人來說，只需要生成指定的程序，然后按照程序依次執(zhí)行即可。在機(jī)器人的操作過程中，零件的初始狀態(tài)（如位置和姿態(tài)等）與機(jī)器人的相對(duì)位置并不是固定的。這導(dǎo)致工件的實(shí)際擺放位置和理想加工位置存在差距，機(jī)器人難以按照原定的程序進(jìn)行加工［11］。隨著機(jī)器視覺技術(shù)以及更靈活的機(jī)器手臂的出現(xiàn)，這個(gè)問題得到了很好的解決，為智能制造的迅速發(fā)展提供了動(dòng)力。

2.3零件檢測(cè)

零件檢測(cè)是機(jī)器視覺技術(shù)在工業(yè)生產(chǎn)中最重要的應(yīng)用之一，在制造生產(chǎn)的過程中，幾乎所有的產(chǎn)品都面臨著質(zhì)量檢測(cè)。傳統(tǒng)的手工檢測(cè)存在著許多不足：首先，人工檢測(cè)的準(zhǔn)確性依賴于工人的狀態(tài)和熟練程度；其次，人工操作效率相對(duì)較低，不能很好的滿足大量生產(chǎn)檢測(cè)的要求；近年來人工成本也在逐步上升。所以，機(jī)器視覺技術(shù)被廣泛用于產(chǎn)品檢測(cè)中，主要的應(yīng)用包括：存在性檢測(cè)和缺陷檢測(cè)。

2.3.1存在性檢測(cè)

存在性檢測(cè)的對(duì)象包括某個(gè)部件、某個(gè)圖案或者是整個(gè)物體的存在性。在制造環(huán)節(jié)中，某些步驟的缺失或者加工缺陷會(huì)導(dǎo)致零部件的丟失，影響產(chǎn)品的品質(zhì)，需要在進(jìn)行下一步工序或出廠前分揀出來待進(jìn)一步處理。通過前期的圖像采集和處理后，需要依靠顯著目標(biāo)檢測(cè)算法來進(jìn)行識(shí)別，從而得出顯著目標(biāo)是否存在的結(jié)論。

例如李牧等［12］提出了一種顯著目標(biāo)存在性檢測(cè)算法，利用中心周邊直方圖計(jì)算出的顯著圖，提取目標(biāo)區(qū)域與圖像中心點(diǎn)距離、目標(biāo)區(qū)域位置分布方差、目標(biāo)區(qū)域在圖像邊緣的分布、目標(biāo)區(qū) 域分布熵、圖像顯著圖的直方圖等5種特征進(jìn)行分類，并利用投票的方式最終確定輸入圖片是否包含顯著目標(biāo)。通過數(shù)據(jù)集驗(yàn)證，能夠有效識(shí)別出指定目標(biāo)的存在性。

2.3.2表面缺陷檢測(cè)

表面缺陷檢測(cè)的對(duì)象為二維平面上的元素，包括孔洞、污漬、劃痕、裂紋、亮點(diǎn)、暗點(diǎn)等常見的表面缺陷，這些缺陷特別是孔洞和裂紋等，可能嚴(yán)重影響產(chǎn)品質(zhì)量和使用的安全性，準(zhǔn)確識(shí)別缺陷產(chǎn)品非常重要。這方面的研究如岳文輝［13］提出了一種CCD （Charge Coupled Device）圖像獲取系統(tǒng)，利用使用最普遍的電荷耦合器件CCD，在熒光磁粉無損檢測(cè)技術(shù)的基礎(chǔ)上，使用CCD進(jìn)行圖像采集，然后使用相關(guān)算法進(jìn)行圖像處理和模式識(shí)別，來檢測(cè)表面缺陷的類型和程度。

圖2 系統(tǒng)圖像處理和識(shí)別流程圖

零件檢測(cè)相關(guān)的工作流程一般大致如圖2所示。盡管系統(tǒng)針對(duì)于不同的對(duì)象和目的，但是其圖像處理和圖像識(shí)別內(nèi)核差異不大。圖像處理和識(shí)別都是從采集的圖像出發(fā)，經(jīng)過單色化處理、閾值處理，圖像膨脹處理，孤點(diǎn)濾波等預(yù)處理之后，對(duì)圖像的特征進(jìn)行提取并描述，最終輸出結(jié)果。

2.4 圖像識(shí)別

圖像識(shí)別利用機(jī)器視覺技術(shù)中的圖像處理、分析和理解功能，準(zhǔn)確識(shí)別出一類預(yù)先設(shè)定的目標(biāo)或者物體的模型。在工業(yè)領(lǐng)域中的主要應(yīng)用有條形碼讀取、二維碼掃描識(shí)別等，以往多用NFC標(biāo)簽等載體進(jìn)行信息讀取，需要與產(chǎn)品進(jìn)行近距離接觸。而隨著工業(yè)攝像機(jī)等硬件設(shè)備的更新?lián)Q代，二維碼等標(biāo)識(shí)可以被遠(yuǎn)距離讀取和識(shí)別，而且攜帶的信息更豐富，可以將所有產(chǎn)品信息寫入二維碼，而無需聯(lián)網(wǎng)查詢信息［14］。

3

機(jī)器視覺的發(fā)展和問題

盡管機(jī)器視覺在智能制造中已經(jīng)得到的長足的發(fā)展，但是就目前的應(yīng)用現(xiàn)狀而言，還存在一些發(fā)展的瓶頸。

最為首先的就是精度問題。傳統(tǒng)制造測(cè)量尺寸都具有一個(gè)標(biāo)準(zhǔn)化的測(cè)量精度，而機(jī)器視覺中則主要采用基于像素的分辨率來衡量。盡管目前就鏡頭和感光原件如CCD和CMOS的制造工藝已經(jīng)獲得了很大的進(jìn)展，分辨率6000x4000pixel已經(jīng)比較常見，甚至還有20000x14000pixel也已實(shí)現(xiàn)，但是測(cè)量精度仍未實(shí)現(xiàn)標(biāo)準(zhǔn)化。

另一個(gè)則可能是機(jī)器視覺輸出結(jié)果的可靠性問題。一般而言，產(chǎn)品位置，光照強(qiáng)度，外部環(huán)境等都會(huì)都最終基于機(jī)器視覺所輸出的結(jié)果產(chǎn)生影響，尤其是在精度要求比較高的時(shí)候。隨著測(cè)量條件、環(huán)境、被測(cè)物表面特性等改變，尤其是在一些強(qiáng)光或溫度的干擾下，機(jī)器視覺的應(yīng)用會(huì)受到很大的限制。然而，這種測(cè)量環(huán)境的普適性很難通過一種標(biāo)準(zhǔn)化的的方法實(shí)現(xiàn)解決。

算法上的可靠性也會(huì)對(duì)機(jī)器視覺的廣泛應(yīng)用產(chǎn)生影響。目前，針對(duì)于不對(duì)場景下的機(jī)器視覺應(yīng)用，各類算法層出不窮，其精度和應(yīng)用范圍也存在差異。不同算法之間的差異，不僅會(huì)得到不同的測(cè)量結(jié)果，而且整合于一個(gè)系統(tǒng)之內(nèi)的難度也會(huì)加大。

同時(shí)，機(jī)器視覺與生產(chǎn)系統(tǒng)一體化也是一個(gè)需要考慮的方面［15］。由于產(chǎn)品位置對(duì)于測(cè)量精度和可靠性都具有一定的影響，因此，在生產(chǎn)設(shè)備中嵌入機(jī)器視覺系統(tǒng)是最為適合的方法。然而，設(shè)備機(jī)器的再設(shè)計(jì)和制造會(huì)對(duì)這種應(yīng)用產(chǎn)生一定的壁壘，其需要保證產(chǎn)量和應(yīng)用價(jià)值的基礎(chǔ)上才能解決。目前中國的機(jī)器視覺市場相較成熟的自動(dòng)化產(chǎn)品應(yīng)用水平偏低，市場也遠(yuǎn)未飽和，未來還需要更多的研究者和實(shí)踐者的關(guān)注和參與。

伴隨著制造業(yè)的進(jìn)一步發(fā)展以及“中國制造2025”的提出，制造業(yè)迎來了新一輪的產(chǎn)業(yè)升級(jí)，智能制造技術(shù)、智能數(shù)字化工程成為了制造業(yè)發(fā)展的重點(diǎn)。作為智能制造領(lǐng)域采集和處理生產(chǎn)信息的關(guān)鍵技術(shù)，機(jī)器視覺表現(xiàn)出了巨大的優(yōu)勢(shì)。一方面，用智能裝備替代人工操作，避免了一切依賴人工而存在的弊端；同時(shí)，這極大的拓展了生產(chǎn)環(huán)境和生產(chǎn)條件，無需近距離接觸危險(xiǎn)的工作環(huán)境；最后，隨著機(jī)器視覺裝備和算法的不斷革新和改進(jìn)，機(jī)器視覺系統(tǒng)的準(zhǔn)確性和效率會(huì)得到進(jìn)一步的提升。