工業視覺檢測發展趨勢漫談

2022-10-26 11:00:02 精質視覺

　　近年來，隨著硬件的發展、市場的需求以及計算機視覺技術的火熱，主要呈現出以下幾個趨勢：

　　領域的拓展

　　不僅僅是工業，還有民用領域，自動化檢測代替人工檢測是必然的發展趨勢，需求也越來越多樣化，原來只是在工業生產線上，現在制造、醫療、電子、倉儲等各個領域都有各種各樣的應用。比如國內某知名電商，使用三維測量來進行包裹尺寸的檢測，與總量參數匹配進行內部追蹤。

　　工業產品基本都是三維的部件，而且二維成像畢竟是三維空間的實際情況的一種“病態”數據采集，所以目前圍繞3D的各種檢測、測量、機器人導引等項目層出不窮，這與計算機視覺的情況有異曲同工之處，結構光、ToF、雙目等技術也成為了各家公司競相研究的熱點。

　　系統實施受各種因素制約大

　　如果你問我做一個機器視覺檢測的項目最重要的是什么，我肯定會說能得到一張高質量的圖片，而就為了得到這樣一張圖片需要考慮的因素太多太多，如光源、鏡頭選擇、傳感器選型、節拍考慮、安裝布置、自動化集成、環境因素考量、工件狀態變化等等，哪一部分出了問題都會影響圖像質量，而如果你沒有足夠好的圖片，那么再厲害的算法也沒有用，而且因為生產線都有良品率和節拍要求，整個視覺檢測系統不夠快速可靠的話，誤檢率就會非常之高，而這又是無數廠家需要面對的問題。

　　舉個例子，我需要檢測一種鋁制外殼的某個區域有幾個孔，當供應商給你的這一批次和另一批次的外表面顏色有所不同或者不均勻時，那等著你的必然是要停機重新設置參數，重新驗證產品，而這幾乎是無法避免的百分百會發生的現實。

　　算法不如硬件發展快

　　這是筆者的感覺，而且感覺這是目前很重大的瓶頸。硬件從系統方面來說就是往可移動的嵌入式方向發展，而軟件目前的智能還遠遠不夠，在計算機視覺領域大熱的深度學習神經網絡目前在機器視覺領域的成功應用少之又少，ViDi是一個，Fanuc/Preferred Networks和Google的機器人抓取是一個，這還是相對簡單的，當目標對象多變、特征復雜、樣本數不夠的時候，你想用深度學習根本沒機會，還是要回到傳統的老路上來，再考慮實時性的嚴格要求，機器視覺特別需要一種新的智能的普遍適用大部分應用領域的方法出來，或是創新，或是改良，或是綜合。

　　要具體問題具體看待

　　機器視覺還是與具體的應用領域深切關聯的，每一個應用都需要選擇與之配套的專用硬件和軟件，都需要專門的設計，所以沒有一種解決方案能適用于所有的情況。

　　企業研發現狀

　　國內做集成做代理的公司很多很多，但是真正有領先技術的太少。還有就是沒有一家公司會做一個機器視覺系統所有的東西，核心就是算法還有整個硬件的集成，有專門的公司做鏡頭，有專門的公司做光源，有專門的公司做支架，但沒有一個公司會全部自己做。

　　要說一下機器視覺(machine vision)和計算機視覺(computer vision)，雖然都是對圖像數據進行處理，但是兩者區別極大，一個是更偏重于整個系統級應用的導向，一個是專注于算法的半理論半應用的結合。但也不是沒有聯系，比如工業制造中AR的應用，你也說不清是要分類到哪種技術了。