工业自动化的四项机器视觉创新

机器视觉一直是工业自动化中发展最快的领域之一。虽然机器视觉背后的基本原理随着时间的推移几乎没有改变，但制造商仍在继续寻找创造性的方法，将这些基本原理扩展到新的创新产品中。机器视觉创新有多种形式，但对行业影响最大的是四项机器视觉技术进步:

1. 智能相机的普及
2. 光学及照明
3. Web浏览器界面
4. 人工智能/机器学习(AI/ML)

1.智能相机的普及

在工业机器视觉应用中，系统将获取图像，对图像进行一些自动检查或分析，然后根据该检查或分析对系统进行更改。对图像执行检查或分析的处理能力可以位于多个位置之一:工厂车间的PC、云中或摄像机上。
随着信息技术(IT)和运营技术(OT)网络的融合，以及OT领域工业网络安全意识的提高，客户已经将厚客户端PC资产从生产车间移除，并将这些任务卸载到虚拟环境中，要么在内部部署，要么在云中。机器视觉电脑也不例外。

客户的IT部门要求除非必要，否则不要将PC资产添加到工厂车间。

使用智能摄像头无需另一台工厂PC机，降低了安全风险和IT维护。对于适用于智能相机而不是PC的应用程序，智能相机处理器必须足够快，以跟上需求，这一因素取决于线路速度和检查的复杂性。

摩尔定律预言了集成电路中晶体管数量增长的规律。这个原理今天仍然被引用，它影响着现代集成电路的计算能力。机器视觉行业在不断变化的新相机模型中充分利用了这一点，尤其是相对于其他工业硬件而言。

可编程逻辑控制器(PLC)、photoeye或变频驱动器(VFD)的零件号可以保持几年或几十年的有效期，智能相机制造商每一两年就会推出新的零件号。这是因为计算能力直接影响图像处理的便捷性，制造商必须利用现有的现代集成电路，否则就会落后于竞争对手。

虽然仍有一些应用需要PC的处理能力，但随着智能相机的功能不断增强，它们正在吸收更多的应用。智能相机现在甚至可以处理3D和人工智能等高级应用。

2.机器视觉光学和照明

俗话说“垃圾进，垃圾出”，机器视觉也是如此。处理结果只与所提供的图像一样好。图像必须以一种可以分析的方式呈现特征。因此，机器视觉制造商设计了令人兴奋的新方法来揭示以前未被发现的特征。除了现代镜头和视觉传感器不断扩大的分辨率外，光学和照明领域还有其他令人瞩目的进步。

针对不同工作距离的机器视觉解决方案

机器视觉系统的一个常见挑战一直是相机和检查点之间的距离变化的应用程序。例如，可以采用单行的形式运行多个不同大小或高度的产品。很多时候，对工作距离范围和景深的要求超出了单个镜头的能力。在过去，解决这一问题的方法是在转换过程中重新定位相机、多个相机或使用可以机械调整其焦点的镜头。

液体透镜技术是解决这些问题的现代方法。以前的机械聚焦镜头解决了距离变化的问题，但由于移动部件，它们的响应时间较慢，并面临可靠性问题。液体镜片，以及它们没有运动部件，解决了这些问题。

最近，除了动态对焦调整外，还可以进行机载距离测量的摄像机已经问世。当产品出现在相机下方时，车载激光距离传感器可以检测工作距离，并通过液体镜头自动调整到适当的对焦。这对于产品高度变化未知的应用程序非常有用。

机器视觉专用照明

在表面上提取细微的止动、蚀刻或浮雕字符会给视觉系统带来挑战。传统照明的组合可以提取出一些特征，但很少能提取出凹痕或凸起表面的忠实形式。制造商现在不再使用单一光源照明，而是允许从不同方向瞄准同一位置的多个光源交替发光，并通过每次发光捕捉图像。然后，这些图像被智能地拼接在一起，形成一张单独的图像，可以暴露出这些小凹痕或其他偏离均匀表面的图像。

用于机器视觉的可操纵镜子

这可能让人感觉回到了自旋镜1D光栅激光扫描仪，但镜子在机器视觉中有了新的用途。供应商正在使用受控反射镜来在更大的区域内使用和重定向摄像机到多个位置，有效地完成多个摄像机的工作。当然，也有速度方面的考虑，但对于许多应用程序(如托盘标签条形码扫描)，这可以使原本无法实现的解决方案变得负担得起。

3.用于机器视觉的Web浏览器接口

操作和维护与摄像机交互的能力对于迅速排除故障和解决问题至关重要。这需要专有的硬件或软件来查看图像或更改程序或配置。

然而，新型智能相机已经改变了这一点，它内置了一个网络服务器，只需要一个网络浏览器就可以显示和配置。在具有机器视觉的设备上，典型的人机界面(HMI)需要与摄像头和控制系统(如PLC)进行交互。摄像头上的web界面现在允许摄像头界面通过一个简单的web浏览器组件无缝集成到行业标准HMI应用程序中。

如果摄像头不在位置或对焦，维护技术人员现在可以通过手机、平板电脑或维护笔记本电脑查看摄像头界面，而无需在线路上安装固定的HMI。

4.人工智能/机器学习(AI/ML)

随着时间的推移，我们经常被要求检查产品，并确认它是“好”的，没有缺陷或异物。使用传统的机器视觉工具，这一直是一个挑战。我们如何定义“好”和“坏”?我们如何检测一个我们没有预料到的和以前没有见过的缺陷?

通过工具的组合，用户可以确保一个区域没有碎片，或者边缘干净，或者确认另一个可量化的指标，但这要求用户事先知道并定义通过/失败的指标是什么。

想象一下，试图通过可量化的需求为视觉系统定义冷冻披萨上的头发在任何长度、卷度、颜色、弯曲或方向上在不断变化的背景下的样子。这几乎是不可能完成的任务。对于机器视觉系统来说，决定什么是头发，什么是奶酪曾经是科幻小说，但现在它是机器视觉应用真正可获得的解决方案。

我们可以捕捉一些“好”和“坏”的图像，然后将它们提供给机器视觉系统，而不是通过视觉工具的组合来定义离散的通过/失败指标。使用这些提供的图像和一些缺陷分类形式的初始监督，系统创建了一个神经网络模式，它将用于未来的检查。

人工智能(AI)分析图像的概念并不新鲜。事实上，许多大型科技公司除了提供其他人工智能产品外，还提供人工智能图像分析的商业解决方案。他们可以利用云计算能力创建复杂的神经网络算法，这些算法可以被工厂车间的边缘设备利用。这项技术的应用范围远远超出了制造业，但随着工业4.0的兴起，科技巨头们正在专门瞄准制造业应用。

另一个困难的应用是生产线上按需印刷的光学字符验证(OCV)检查。这通常是制造商希望确认是否清晰准确地打印的编码日期。按需打印系统(如喷墨、激光或打印后应用)的质量会有所不同，而且每次打印的字体并不总是一致，这对机器视觉系统来说一直是一个挑战。当打印在一个清晰的表面上时，产品背景的变化会在字符轮廓处产生对比问题，这是一个额外的挑战。在人工智能摄像头的帮助下，神经网络模型现在可以更好地区分人物和背后的背景。

安德鲁·艾布拉姆森， CAP, PMP，客户成功总监，Grantek．由网页内容经理克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

更多的答案

关键词:机器视觉，人工智能

考虑一下这个

怎么能机器视觉技术提高了工厂的操作效率?

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。