机器视觉是利用光学成像和计算处理，让设备获取物体信息并完成识别、测量、检测或定位的技术。在产线上，它不仅要拍到工件，还要把图像中的特征转成可执行的结果：零件有没有漏装、尺寸是否超差、条码是否匹配，以及机器人下一次应抓向哪里。
一套机器视觉系统通常包括光源、镜头、相机、图像处理单元和控制接口。它可以采用传统图像算法，也可以引入深度学习；是否用了AI，与是否形成完整的工业视觉应用，是两个不同问题。
机器视觉系统由哪些部分组成？
可以把机器视觉理解成一条信息链：光让目标特征显现，镜头把目标投射到传感器上，相机形成图像，软件提取需要的信息，控制接口把结果交给后续设备。每个环节都影响最终能否稳定判断。
| 组成部分 | 承担的任务 | 设计时需要回答的问题 |
|---|---|---|
| 光源与照明结构 | 让待测特征与背景形成可区分的亮度、颜色或形状信息 | 缺陷在什么方向、波长和照明方式下更清楚？反光会不会掩盖它？ |
| 镜头与安装结构 | 决定视场、成像比例、焦点及几何关系 | 需要拍多大范围？工件高度变化后是否仍清晰？安装空间是否足够？ |
| 相机与采集接口 | 把光学图像转换为可传输、处理的数据 | 采样是否足够？运动中能否在合适时刻曝光并完整传输？ |
| 触发与工件关联 | 使图像对应正确的工件和工序时刻 | 用到位信号还是编码器触发？怎样避免连续工件的结果错位？ |
| 处理软件与计算单元 | 定位特征、计算测量值或分类结果，并应用判定规则 | 输出什么结果？依据哪个产品版本和判定标准？ |
| 通信与执行接口 | 向PLC、机器人或其他系统传递结果，接收必要状态 | 结果何时有效？超时、无图像和设备未就绪时怎样处理？ |
这些部件不一定分别装在独立机箱内。智能相机可以集成传感器、计算和部分通信功能；多相机系统也可以把图像交给工业计算机统一处理。集成形式不同，不改变照明、成像、判断和执行这些任务。
一件产品经过视觉工位，会发生什么？
以传送线上的零件装配检查为例，工件到位后，传感器或控制器发出触发信号。相机在约定时刻曝光，软件先确认工件位置，再检查指定区域是否有零件、方向是否正确。判定完成后，系统把工件标识、结果和必要的状态发送给控制端，由控制端安排放行、剔除或复核。
这个流程的难点不止是“识别对了没有”。图像必须对应当前工件，判定必须在执行窗口内完成，分拣机构也必须作用于同一件产品。相机采集快，不代表从触发到机械动作的整个过程都能满足节拍。
Basler的触发采集文档分别讨论硬件与软件触发、相机就绪状态及传输能力。它说明，发出触发信号并不等于一定成功取得可用图像。工程上应把“合格”“不合格”和“没有有效检测结果”分开处理，避免把通信超时或漏拍默认为合格。
结果记录则用于把图像、产品型号、规则或模型版本、时间和处置关联起来。是否保存全部原图、保存多久，应按追溯价值、数据量和现场要求确定；至少要能追查异常结果来自哪件产品、哪次检测和哪套规则。
2D、3D和AI视觉，分别解决什么问题？
2D与3D：需要的是表面图像，还是高度信息？
普通2D图像记录平面像素上的亮度或颜色信息，适合处理许多有无、字符、外观和轮廓问题。尺寸测量还需要建立像素与实际尺度的对应关系，并控制拍摄几何、畸变和工件姿态。画面看起来很清楚，并不等于已经具备可靠的尺寸测量能力。
当任务关心台阶高度、翘曲或立体轮廓时，可以评估获取深度信息的3D方案。例如，激光轮廓测量利用相机观察激光条纹在物体上的形状变化，结合标定求取高度。Cognex关于高度图的技术说明也指出，遮挡会造成无有效数据区域。3D增加了可用的信息维度，仍须核查目标表面、视角和工作范围是否适合。
选择时先问待判定的特征是什么。如果装配有无用稳定的2D成像已经能分辨，就不必仅因为“3D更先进”而增加系统复杂度；如果凹陷深度是判定依据，仅比较图像颜色又可能缺少直接的高度信息。
传统算法与深度学习：规则能否清楚写出？
边缘检测、模板匹配、几何测量等传统方法，适合特征定义清楚、成像相对稳定的任务。例如根据可见轮廓计算孔间距，或者检查某个固定位置是否存在装配件，通常可以建立明确的几何与阈值规则。
对于纹理变化较大、缺陷外观难以用少量规则描述的问题，可以评估深度学习。模型通过训练样本学习图像特征，再对新图像进行分类、定位或异常识别。Cognex的深度学习技术说明也给出与传统视觉工具结合的方式；实际方案可以先用几何方法定位，再对局部区域进行模型判断。
深度学习的验收不能只看训练样本上的表现。应保留未参与训练的测试样本，覆盖正常波动、不同批次和关键缺陷，并检查新增型号或照明变化是否影响结果。它也不能替代物理成像：如果待检缺陷被反光覆盖或处于相机看不到的位置，增加算法复杂度并不会自动获得缺失的观测信息。
机器视觉在工业中有哪些典型用途？
| 应用任务 | 典型输出 | 需要同时验证的条件 |
|---|---|---|
| 装配与有无检查 | 漏件、错装、方向错误等状态 | 合格变体与错误样件都被覆盖，检查区域不被遮挡 |
| 尺寸与位置测量 | 长度、间距、角度或相对位置 | 标定、光学成像、工件姿态与测量重复性满足任务 |
| 读码与字符识别 | 条码内容、字符结果、与工单的匹配状态 | 印刷波动、表面反光、运动模糊及无读数处置 |
| 表面缺陷检测 | 缺陷位置、类型或判定分数 | 缺陷定义清楚，正常纹理变化不会大量触发误报 |
| 机器人视觉引导 | 供抓取或装配使用的位置、方向信息 | 视觉坐标与机器人坐标关系，以及抓取过程可达性 |
同一工位可以承担多项任务，但每项任务应有自己的判定依据。读出字符不等于验证字符内容正确，发现外观差异也不等于已经判断它影响产品功能。视觉系统输出什么，与工艺或质量部门如何定义合格，需要在项目开始时对齐。
为什么高像素相机不等于高精度检测？
相机像素决定图像采样的一个方面，视场、镜头、照明、曝光和安装稳定性共同影响能看清什么。Edmund Optics的成像参数说明将视场、工作距离、分辨率、景深、传感器尺寸和像素尺寸分开讨论。采购时应把这些参数放回同一个检测任务中理解。
举一个仅用于解释采样的假设：画面宽度覆盖100毫米，相应方向有2000个像素，那么平均采样尺度是100÷2000＝0.05毫米/像素。这个数字不是系统的测量准确度，也不能直接保证检出0.05毫米缺陷。目标与背景的对比度、特征形状、镜头成像质量和算法判定方式仍会影响结果。
运动工件还要考虑曝光期间的位置变化；曝光过长可能造成模糊，缩短曝光又需要足够的有效光量。工件高度变化可能使目标离开清晰成像范围，镜头污染和环境光变化也可能改变画面。因此，先改善成像条件通常比对模糊图像反复调阈值更有价值。
从样件演示到产线使用，需要验证什么？
一段演示视频只能说明特定样件和条件下发生过什么。要判断方案能否承担生产任务，应围绕同一批代表性样件，把成像、判定、节拍和后续动作串起来验证。
- 明确被检对象与缺陷边界。列出产品型号、正常变体、关键缺陷和判定依据；边界样件由质量或工艺负责人确认。
- 检查成像覆盖。在实际摆放、反光、位置偏移和速度变化下，确认待检特征仍然可见。不可见区域应调整视角、照明或检测方案。
- 分别统计两类错误。不合格品被放行，与合格品被误判为不合格，后果不同；按缺陷类别记录，避免用一个总正确率掩盖关键漏检。
- 验证完整动作链。连续过件时检查图像与工件关联、结果延迟、剔除动作、无结果处理及设备恢复，不能只测软件单张图像的耗时。
- 保留可追溯的版本和复核记录。样件、判定规则、模型、相机配置或照明调整后，重新验证受影响的场景。
落实这些条件后，机器视觉的价值才能具体落在一个可重复的生产任务上：在约定工况内取得有效图像，给出可解释、可复核的结果，并让后续设备据此采取正确动作。
评论留言
暂时没有留言！