机器视觉课后心得体会

机器视觉课后心得体会（共8篇）

篇1：机器视觉课后心得体会

基本概念“机器视觉”，即采用机器代替人眼来做测量和判断。

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）把图像抓取到，然后将该图像传送至处理单元，通过数字化处理，根据像素分布和亮度、颜色等信息，来进行尺寸、形状、颜色等的判别。进而根据判别的结果来控制现场的设备动作。

机器视觉主要用计算机来模拟人的视觉功能，但并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能一一从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。

机器视觉与计算机视觉的不同机器视觉不同于计算机视觉，它涉及图像处理、人工智能和模式识别

机器视觉是专注于集合机械，光学，电子，软件系统，检查自然物体和材料，人工缺陷和生产制造过程的工程，它是为了检测缺陷和提高质量，操作效率，并保障产品和过程安全。它也用于控制机器。机器视觉是将计算机视觉应用于工业自动化。

机器视觉的技术进展在机器视觉系统中；关键技术有光源照明技术、光学镜头、摄像机、图像采集卡、图像处理卡和快速准确的执行机构等方面。在机器视觉应用系统中；好的光源与照明方案往往是整个系统成败的关键；起着非常重要的作用；它并不是简单的照亮物体而已。光源与照明方案的配合应尽可能地突出物体特征量；在物体需要检测的部分与那些不重要部份之间应尽可能地产生明显的区别；增加对比度；同时还应保证足够的整体亮度；物体位置的变化不应该影响成像的质量。在机器视觉应用系统中一般使用透射光和反射光。对于反射光情况应充分考虑光源和光学镜头的相对位置、物体表面的纹理；物体的几何形状、背景等要素。光源的选择必须符合所需的几何形状、照明亮度、均匀度、发光的光谱特性等；同时还要考虑光源的发光效率和使用寿命。光学镜头相当于人眼的晶状体；在机器视觉系统中非常重要。一个镜头的成像质量优劣；即其对像差校正的优良与否；可通过像差大小来衡量；常见的像差有球差、彗差、像散、场曲、畸变、色差等六种。

摄像机和图像采集卡共同完成对物料图像的采集与数字化。高质量的图像信息是系统正确判断和决策的原始依据；是整个系统成功与否的又一关键所在。目前在机器视觉系统中；CCD 摄像机以其体积小巧、性能可靠、清晰度高等优点得到了广泛使用。CCD 摄像机按照其使用的CCD 器件可以分为线阵式和面阵式两大类。线阵CCD 摄像机一次只能获得图像的一行信息；被拍摄的物体必须以直线形式从摄像机前移过；才能获得完整的图像；因此非常适合对以一定速度匀速运动的物料流的图像检测；而面阵CCD 摄像机则可以一次获得整幅图像的信息。图像信号的处理是机器视觉系统的核心；它相当于人的大脑。如何对图像进行处理和运算；即算法都体现在这里；是机器视觉系统开发中的重点和难点所在。随着计算机技术、微电子技术和大规模集成电路技术的快速发展；为了提高系统的实时性；对图像处理的很多工作都可以借助硬件完成；如DSP、专用图像信号处理卡等；软件则主要完成算法中非常复杂、不太成熟、尚需不断探索和改变的部分。

从产品本身看，机器视觉会越来越趋于依靠PC技术，并且与数据采集等其他控制和测量的集成会更紧密。且基于嵌入式的产品将逐渐取代板卡式产品，这是一个不断增长的趋势。主要原因是随着计算机技术和微电子技术的迅速发展，嵌入式系统应用领域越来越广泛，尤其是其具备低功耗技术的特点得到人们的重视。另外，嵌入式操作系统绝大部分是以C语言为基础的，因此使用C高级语言进行嵌入式系统开发是一项带有基础性的工作，使用高级语言的优点是可以提高工作效率，缩短开发周期，更主要的是开发出的产品可靠性高、可维护性好、便于不断完善和升级换代等。因此，嵌入式产品将会取代板卡式产品。应用：机器视觉伴随计算机技术、现场总线技术的发展，技术日臻成熟，已是现代加工制造业不可或缺的产品，广泛应用于食品和饮料、化妆品、制药、建材和化工、金属加工、电子制造、包装、汽车制造等行业。代替传统的人工检测方法，极大地提高了投放市场的产品质量，提高了生产效率。

由于机器视觉是自动化的一部分，没有自动化就不会有机器视觉，机器视觉软硬件产品正逐渐成为协作生产制造过程中不同阶段的核心系统，无论是用户还是硬件供应商都将机器视觉产品作为生产线上信息收集的工具，这就要求机器视觉产品大量采用“标准化技术”，直观的说就是要随着自动化的开放而逐渐开放，可以根据用户的需求进行二次开发。当今，自动化企业正在倡导软硬一体化解决方案，机器视觉的厂商在未来5-6年内也应该不单纯是只提供产品的供应商，而是逐渐向一体化解决方案的系统集成商迈进。在未来的几年内，随着中国加工制造业的发展，对于机器视觉的需求也逐渐增多；随着机器视觉产品的增多，技术的提高，国内机器视觉的应用状况将由初期的低端转向高端。由于机器视觉的介入，自动化将朝着更智能、更快速的方向发展。

篇2：机器视觉课后心得体会

机器视觉不同于计算机视觉，它涉及图像处理、人工智能和模式识别，机器视觉是将计算机视觉应用于工业自动化。

目前在机器视觉系统中；CCD 摄像机以其体积小巧、性能可靠、清晰度高等优点得到了广泛使用。机器视觉伴随计算机技术、现场总线技术的发展，技术日臻成熟，已是现代加工制造业不可或缺的产品，广泛应用于食品和饮料、化妆品、制药、建材和化工、金属加工、电子制造、包装、汽车制造等行业。在未来的几年内，随着中国加工制造业的发展，对于机器视觉的需求也逐渐增多；随着机器视觉产品的增多，技术的提高，国内机器视觉的应用状况将由初期的低端转向高端。加之机器视觉的介入，自动化将朝着更智能、更快速的方向发展。

通过本课程的学习，我们掌握了一些机器视觉方面的基本知识。这门课对于我们生活方面有很大的实用性，可以让我们了解到机器视觉的基本构造，对成为技术应用型人才，适应社会和培养实践能力与技能都起到了很大的作用。这样的学习让我们将知识更灵活的运用，更好的将知识和实践结合在一起并转化为技能。

篇3：机器视觉

想将检测时间降低一个数量级、提高检测质量、降低成本、增加工人满意度、提高安全性和减少不确定度?先进的机器视觉技术是你的绝好选择。用户、系统集成商和机器视觉产品供应商跟踪了如下结果:

■与3英里每小时 (mph) 的人眼检测速度相比, 自动3D检测速度可以达到30英里每小时。

■无级调解产品的机器人维修。

■以200m/min的速度对生产和结构疵点进行网面检测, 比肉眼速度快10倍。

■每秒记数450个形状各异、大小不同的物体, 精度高达99%。

■每份中可以对1200个不同颜色和大小的产品进行检测并做出合格判定, 可以设置10个以上的合格判据, 精度在95%到99%之间。花费只有预期的1/3, 9个月即可收回成本。

感受机器视觉带来的便利包括:

为了更快的进行检测, Nagle Rearch将Scik3D技术整合到获专利的Georgetown Rail Aurora轨道检测系统之中。图片显示了木制枕木 (上图) 和混凝土枕木 (右图) 。左上图是装载视觉系统的卡车, 可以消除人为检测的困难和不准确。

3D摄像头可以以30mph的速度监测铁路

你愿意沿着铁路边走边找疵点, 还是愿意坐在车上以30mph的速度前行, 而把工作留给3D摄像头去完成, 并且可以每小时检测70000节铁轨, 每天检测几百英里?对于9英尺枕木的检测长期以来被认为是轨道维护的“宝石”, 它可以确保工人的安全、舒适, 且便于制定维护计划。

当检查员们沿着铁轨边走边对每一根枕木进行判断的时候, 高稳定性的枕木检测向传统的铁轨检测和枕木维护发起了挑战, 为什么?

■肉眼检测人员对“好”或“坏”的判断准则是一直变化的;

■两个检测人员对同一根铁轨的评价不可能完全一致;

■检测人员在每一次评价上只能用仅仅1秒钟;

■而且铁路路况条件繁复多变。

来自于德克萨斯州Austin公司的Nagle发现2D检测并不适合枕木的检测, 原因是枕木表面的污染物很多。Nagle将3D版本的Sick Ranger高速摄像头集成到轨道用小型载货车上, 用来检测枕木的几何结构, 不考虑颜色和对比度的影响。此产品叫作Georgetown Rail Aurora 3D轨道检测系统 (获美国和国际专利) , 它可以记录铁轨的全尺寸, 每个坐标方向上以每小时30公里的速度捕捉三位表面图像, 解析度可以达到0.04英寸。

Georgetown Rail号称此系统可以精确地检测木制枕木、混凝土枕木、铁钉、铆钉和枕木垫板。它还可以测量枕木间距和铁轨基座腐蚀程度。

Nagle列举了一系列用户分析软件, 它们可以处理数以G计的数据, 并针对超过12个枕木条件生成详细报告, 对有问题的枕木还可以回传3D图像。检测完成后48小时内, 可以针对轴承、曲率、标题、英里标识、枕木位置的全球定位数据、铁轨接缝检测、单一枕木或枕木群上的铁轨基座腐蚀、轨底坡、枕木间距、枕木垫板和铁钉分级等信息增加变量, 以符合用户需求。

在北美广泛使用的Aurora系统迅速扩展到欧洲和其他市场。视频展示了3D检测系统的强大功能。

www.georgetownrail.com/aurora.php

www.nagleresearch.com

www.sickusa.com/machinevision

散落物体计数

对数量、次数以及轴承滚球、化学药粒、种子、医药品等高速高频落体加工领域中的对象位置的测量对系统的精确测量能力提出了新的要求。这样的系统可以改进生产厂商的流程和控制质量。传统的技术已经弊端尽露:

油脂皮带机系统不是实时测量系统, 需要测量前预处理。LED/光电检测或者栅格提供实时、高速的测量, 但是其空间解析度不高, 最低只能检测4mm的物体, 而且对多种物体形成的物块也无能为力。

带有一个线扫描摄像头的基于机器视觉的系统已经证明比油脂皮带机系统和LED/光电栅格检测法更好, 但是单一摄像头仍旧无法区别物块或多重物体, 因为其太接近了, 看起来就像一个物体。

通过使用V I Engineering机器视觉系统辅以National Instruments组件、软件和在同一个平面垂直于敏感区域的2个线扫描摄像头和线性背景光源, John Deere每秒钟可以计数450个零件。

设计的目标是为John Deere搭建一套系统, 用于时间间距和高速下落物体XY轴物位的检测, 区分物块中的每一个物体, 同时确保精度高于99%, 检测速率每秒200个。

V I Engineering公司设计了一套基于IEEE1394的线扫描摄像头和逆光单元的机器视觉系统。使用了专门的图像采集算法, 性能超过预期。最小检测尺寸小于1mm, 最大检测尺寸超过25mm, 物体下落速率可以高达每秒450个。系统采用了National Instruments Labview公司的N I图像开发模组和针对1 3 9 4的N I-I m a g组件。PC需插装一块NI PCI-8252接口卡, 连接两个先扫描摄像头。PCI Express技术协助完成规范系统以及机器视觉。

此系统的开发性能超过了预期要求, 可以识别、匹配、计数和测量不规则形状的物体。John Deere使用此系统协助产品开发和完善加工工艺。

通过使用逆光技术, 每一个物体都表现为白色背景上的一个黑色质点, 表面状况、亮度和颜色都无需关注, 所以视觉算法不用随着物体的外观作调整。仅靠着两个摄像头的图像, 视觉算法就可以匹配和区分所有物体, 并且还能区分成堆物块。

远心镜头可以消除物体失真, 但是为了节约成本, 补偿是通过软件来实现的。

www.ni.com

www.pciexpress.org

www.viengineering.com

敏锐的机器人视觉

SIR——意大利一家机器制造商, 专营机器人产品, 它使用Cognex公司的PatMax视觉工具开发了一套独一无二的自动化工作单元, 用于二次加工 (打磨和表面处理) 。二次加工刀具是预先集成在系统中的。二次加工需要很多决策技巧, 由于产品是随机的, 而且也没有两把刀具是完全一样的。反复的磨损, 使刀具已经丧失了原来的形状, 这样就无法计算刀具轮廓。

机器人在视觉系统实时刀具形状预测的帮助下将刀具定位。视觉系统还能记住刀柄的类型, 然后扫描刀刃, 计算重构原始形状。得到轮廓之后, 第一次刀刃分析会区别分析每一个不规则点。太多的偏差会触发正常工作循环的修改。

视觉系统分析完成之后, 会选择一个标准轮廓恢复刀具的原始形状, 第二个分析循环校验刀刃等级, 修改工作参数, 例如进刀速度和入刀角度。下一步确定入刀点, 避免损坏刀柄, 如果考虑角度和刀尖形状, 甚至连出刀点也可以确定。机器人手臂夹持刀具分别研磨每一边, 然后冲刷刀具, 确保刀刃边缘平滑, 最后冷冲刃口。

Kuka机器人装配有Cognex视觉系统:一块MVS-8501图像采集卡, 带有PatMax、Blob和Caliper工具的VisionPro软件。采集卡连接一个标准解析度的模拟摄像头, 光源作为可选组件。

www.cognex

www.kuka.com

www.sir-mo.it

这里唯一可以确定的就是钝刀锋导致的无限变异。作为应对, SIR在两处使用Cognex的视觉系统, 使Kuka机器人工作起来完好如初。

纺织品加工业关注速度和精度

纺织品加工业的特点是产品的多样性, 每一步的错误会影响下一步的生产。纺织工业产品种类繁多, 从传统的机织或针织布料到车辆和保护器具用玻璃纤维和功能针织品。在以前, 纺织品的检测分两步。首先, 机器操作人员关注工艺流程, 将生产的各项参数调整到可以接受的范围内。此时的生产率不能超过150件每分钟, 否则质量判别将仅限于粗略评价。其次, 详细地流水线下检测将更多地针对生产瑕疵。整个检测流程可以由多个检测人员同步进行, 每个检测人员的能力会很大程度上影响检测结果。

这台标签机是由Shelton Vision Systems使用Dalsa视觉技术进行设计, 包括一个可用于探测缺陷和标记、并对其分类的低角度检测平台。

Shelton Vision Systems公司开发了Shelton WebSpector表面检测系统。此系统在一条玻璃纤维生产线上对生产和结构瑕疵的检测速度高达每分钟200m, 而精度和稳定性都高于肉眼在每分钟20m的速度下的检测性能。它可以识别并记录变化, 包括产品尺寸、宽度、颜色、生产率、环境和织物构造Shelton说此系统使用Dalsa Spyder系列线扫描CCD (电荷耦合装置) 摄像头, 确保了低光照条件下的性能, 并且有较高的性价比Dalsa X64-CL iPro通过抓图方式获取数据;Dalsa WiT 8.3是基于视觉变成的视觉软件。

www.dalsa.com

www.sheltonvision.co.uk/vision

质量检测中的精确合格判定

Mold-Rite Plastics Inc.是专业的制药业容器和外壳生产商, 它正致力于提高生产线自动检测的质量, 以达到制药业的严格要求。要对不同颜色和尺寸的盖子和外壳进行超过10种的合格判定, 速率要达到每分钟1200个。一套质量检验程序用于确保合格判定的准确率在95%和99%之间, 远远超过从前。

在安装模式下 (上图) , 操作员可以轻松安装盖子周围的环、以及儿童伤害的预防装置。西门子视觉系统从这里学习和安装检测。在运行模式下, 底部右侧的缺陷图显示“正常”, 允许用户在产品运行时设置容忍度。

Mold-Rite自动化的经理Dave Cross安装了此系统, 他说道:盖子的直径从1英寸到4英寸不等, 颜色各异, 相应地, 生产盖子的流水线的颜色也颜色各异。S i e m e n s公司和Mold-Rite公司的Cross等人合作, 搭建模拟视觉系统, 以求研究视觉系统以及机器设计上需做的变化。 (大约$12, 000作为系统集成的费用被投入到此项目中, 不包括在机器视觉系统本身的费用之内。) Siemens公司承诺准确率会达到95%甚至更高。

虽然人眼每秒钟可以模糊地看到20个盖子, 是滚轮和传送带的配合可以使每一个零件就像白色闪光一样, 但对于摄像头来说, 已经足够了。

一个典型的用户界面可以使操作员迅速搭建起视觉系统, 用来检测不同的盖子和颜色组合。

Siemens Energy&Automation机器视觉系统美国市场部经理Glenn Symonds说:Siemens公司的Simatic 1744 Visionscape Accelerated Frame抓图器安装在电脑上, 再与两个先进的CM1100双速扫描摄像头相连。DF-150-3红色环形灯和BL75x75红色背光作为盖子的照明。Simatic Opto IO板作为与PLC的接口, 接受处罚和控制信息, 传送通过与否和系统状态信息。这套系统的优点是, 一套系统就可以检测所有型号的盖子, 操作工和技术人员很容易上手。Cross说Mold-Rite在原型搭建和设计上的费用是$7, 000到$8, 000, 全部的费用大约只占预期的2/3, 他很巧妙地回避了总费用。他说, 成本9个月可以收回。

www.mrpcap.com

www.sea.siemens.com/mv

更多相关文章, 请查看以下内容:

机器视觉系统概述blog.cechinamag.com/jshfq/36272/message.aspx

机器视觉在中国blog.cechinamag.com/jshfq/36273/message.aspx

机器视觉系统典型应用行业blog.cechinamag.com/jshfq/40176/message.aspx

机器视觉系统在烟草行业的成功应用bbs.cechinamag.com/?url=http://bbs.cechinamag.com/showtopic.aspx?id=41336

机器视觉照明在白天和夜间的区别

篇4：机器视觉课后心得体会

关键词：机器视觉；识别；匹配

中图分类号：F49文献标识码：ADOI：10.3969/j.issn.1672-0407.2012.01.024

文章编号：1672-0407(2012)01-059-02收稿日期：2011-11-20

一、机器视觉的研究内容

人们从外界环境获取的信息中，80％来自于视觉，其他来自于触觉、听觉、嗅觉等感觉器官。当人们的眼睛从自己周围的环境获取大量信息，并传入大脑后，由大脑根据知识或经验对信息进行加工、推理等处理工作，最后识别、理解周围环境，包括环境内的对象物，如运动物体与物体间的相对位置、形状、大小、颜色、纹理、运动还是静止等。机器视觉就是用计算机模拟人眼的视觉功能，从图像或图像序列中提取信息，对客观世界的三维景物和物体进行形态和运动识别。机器视觉研究的基本目的--就是要寻找人类视觉规律，从而开发出从图像输入到自然景物分析的图像理解系统。对于机器视觉系统来说，输入是表示三维景物投影的灰度阵列(可以有若干个输入阵列)，这些阵列可提供从不同方向、不同视角、不同时刻得到的信息。通常这些描述是关于物体的类别和物体间的关系，但也可能包括如表面空间结构、表面物理特性(形状、纹理、颜色、材料)、阴影以及光源位置等信息。目前许多机器视觉专家都是在马尔(Marr)创立的视觉计算理论框架下求索。

二、机器视觉与人类视觉的差异

对于人的视觉来说，由于人的大脑和神经的高度发展，其目标识别能力很强。但是，人的视觉也同样存在障碍，例如，即使具有一双敏锐的眼睛和极为高度发达头脑的人，一旦置于某种特殊环境(即使曾经具备一定的检验知识)，其目标识别能力也会急剧下降。事实上人们在这种环境下，面对简单物体时，仍然可以有效而简便地识别，而在这种情况下面对复杂目标或特殊背景时，才会在视觉功能上发生障碍，两者共同的结果是导致目标识别的有效性和可靠性的大幅度下降。将人的视觉引入机器视觉中，机器视觉也存在着这样的障碍。它主要表现在3个方面。

(1)如何准确、高速(实时)地识别出目标；

(2)如何有效地增大存储容量，以便容纳足够细节的目标图像；

(3)如何有效地构造和组织出可靠的识别算法，并且顺利地实现。前两者相当于人的大脑这样的物质基础，这期待着高速的阵列处理单元以及算法的新突破，用极少的计算量以及高度地并行性实现功能。

三、机器视觉检测中几种基本技术

(一)训练系统

先将参考织物或图片的图像输入微机图像处理系统，选择并计算可表示图像特征的参数，以确定疵点或图形的分类指标，如灰度级，疵点或图形的面积，疵点在经纬向尺寸、形态等，是系统获得这些指标的标准。然后将所测试的织物输入，计算其各点灰度值及一些需比较的特征参数与标准比较，确定疵点或图形分类。

(二)样板匹配

求得某一图像哪一部分对应另一图像的哪一部分时或比较两幅图像的相似度时，采用样板样匹配的方法。一般将样板t(x，y)，令其中心与图像的一点(i，j)重合，逐点检测，找出差距小于阈值的部位，定位相同或相似的，大于阈值的部位，定为不同或不相似的点。

(三)二值化处理

为将图形与背景分离，根据灰度值确定一定灰度域值。将灰度值大于此域的点置为1，小于此域值的点为0。使图像变为黑白二值图像，便于图形特征测量和结构分析描述。

(四)腐蚀和膨胀

腐蚀可使轮廓边界收缩，膨胀可使轮廓边界膨胀，腐蚀和膨胀的不同组合，不同处理次数，可以得到不同的图形效果，如使图像中的小孔使之检测出来或使之消除。

(五)细线化

对给定的图形使之细化，从而提取线宽为l的中心线的操作。在细线化中，不改变原图的连接性，使图形骨架轮廓结构清晰，便于计算，不会因边界上的小凹凸而产生毛刺。在计算非织造布纤维取向度是用此法处理。

(六)纹理分析

在分析绉组织的绉效果或羊绒的鳞片结构时，须用纹理分析的方法。纹理分析内容包括：纹理特征的计算微粒区域的分割与纹理边缘的检测。

具体可以解决的问题如：

1.纺织布料识别与质量评定；

2.织物表面绒毛鉴定；

3.织物的反射特性；

4.合成纱线横截面分析；

5.缈线结构分析等；

篇5：烟标印刷质量机器视觉检测

在机器视觉检测中，每一种检测都有其特殊性，对应不同的检测对象与检测目的，需要不同的检测方法。本文结合烟标印刷质量机器视觉检测项目，介绍机器视觉检测的具体方法。

1概述

1.1烟标印刷的特点和烟标印刷质量检测的现状

烟标印刷是技术含量与质量要求最高的印刷之一。正是由于烟标印刷有着严格的质量标准，所以即使采用先进的进口印刷机械，产品也存在较多的次品。我国的烟标印刷企业目前一般采用人工在印中抽样及印后逐一目测的方法分拣次品。在烟标印刷企业常常出现这样一种现象：印刷车间，从国外进口的高档印刷机飞快的运转，几名工人轻松地注视着监控仪器；而在一旁的印刷质量检测区，几十上百的工人在紧张地对印好的成品作逐一检测。可见目前的检测方法效率低、成本高、工人劳动强度大，同时人工检测主观性强，容易造成检测标准的不统一。印刷企业通常还需要对次品进行统计，以便查找次品产生的原因，在采用人工检测时只能对次品进行抽样统计，要想实现全部次品的分类统计是很困难甚至是不可实现的。如果采用机器视觉检测，当前烟标印刷质量检测中存在的诸多问题便可迎刃而解。对烟标印刷质量机器视觉检测的有关理论问题进行研究，在此基础上研制出一套可以代替人的视觉对烟标印刷质量进行检测的系统，将大大提高烟标印刷企业的生产效率、生产质量以及经济效益。

1.2烟标印刷缺陷

烟标可能存在多种的印刷缺陷,如重影,烫金残缺,飞墨,墨色不均等,主要可归为以下几类:

1）套色缺陷。其表现为图案边缘出现重影，图案之间相对位置偏移，实质为印刷套色出现偏差。

2）烫金缺陷。其表现为烫金不全甚至没有或烫金位置偏移。

3）污迹。其表现为表面浮脏，或是有墨迹。

4）压凸缺陷。压凸部分与对应的文字或图案没有对准，或压凸的深度不符合要求。

以上几类缺陷有的有着具体的检测标准，如套色的偏差要求限制在0.2mm，而大多数 则是凭人的主观判断，如烫金污迹等。

（a）标准烟标图像

（b）有套色问题的烟标图像 图1 标准烟标图像和有套色问题烟标图像的对比

（a）标准演变图像

（b）有套色问题的烟标图像 图2.标准烟标图像和有套色问题烟标图像的对比（高分辨率、局部）

图1为标准烟标和有套色问题的烟标的对比图像，不过由于分辨率的原因,两幅图像的差别很难分辨。图2是局部对比图,由于分辨率的提高,差异已经可以容易的看到：问题烟标的字迹不清,有重影，部分边缘颜色错误。1.3机器视觉烟标印刷质量检测的难点

机器视觉烟标印刷质量检测有以下一些难点：

1、套色检测精度高

烟标印刷最大的特点就是精细,质量标准很高,套色的精度一般要求达到0.2mm所以在较低分辨率下很难显示出套色问题(如图1),这就需要提高分辨率。但随着分辨率的提高,图像尺寸也增加，图像处理的运算量也大大提高，给图像处理带来了一些困难。

2、污迹分布随机

由于污迹分布的随机性,烟标图像的每一部分都必须进行检测，使得检测的运算量很大，这在采用高分辨率图像后显得更为突出。

3、干扰因素多

烟标并不是一个平面的印刷品，其上还有压痕(为方便折叠而压的凹槽)、切口(这会使得烟标的某些部位上翘或下压)，这些不规则的压痕和切口会影响到烟标图案的相对位置，给检测带来困难。

4、各印刷缺陷互相干扰

如烫金图案的缺损，可能会被误判为污迹;当污迹恰好覆盖烫金图案时，污迹也可能被误判为烫金缺损。

2特征定位

烟标的印刷质量检测主要就是检测出套色,烫金,污迹等印刷缺陷,但是在进行这些缺陷检测之前需要作一些的工作，为这检测提供必要的信息。这些工作主要包括：特征定位和图像配准。

有关位置的印刷缺陷检测均需要位置信息，而通过特征定位则可以求得位置信息。特征定位的准确程度直接关系到后续检测的效果，所以特征定位是烟标印刷质量检测的关键步骤之一。

2.1特征的类型

图3为三种不同种类的烟标图像(图3中标注的英文字母对应图4中各烟标特征在整幅烟标图像中的位置)。由这些图像可以看出烟标具有大量的特征，这些特征主要分为以下几种类型：

1、水平边缘

位于两种不同颜色区域的水平连接处，如图4（a）

2、水平双边缘

表现为水平细线，如图4（b）

3、垂直边缘

位于两种不同颜色区域的垂直连接处，如图4(c)

图3 不同种类的烟标

图3中标注的英文字母对应图4中各烟标特征在整幅烟标图像中的位置。

图4 不同类型的特征

2.2烟标图像特征定位的搜索范围

烟标图像有三个重要的特点：一是图像旋转角很小（如图3（b））的旋转角仅为0.06度），所以在局部可以认为没有旋转；二是图像间比例尺差异很小(仅为千分之几)；三是图像间平移也很小。这三个特点决定了标准图像和目标图像的对应特征的位置（图像坐标）相差很小，这就意味着对目标图像特定特征的搜索可限制在一个较小的范围内，如果能求得目标图像对应标准图像的概略位置，则这个范围更小。

烟标图像同时还有另外一些特点，这些特点又使得特征的搜索范围必须变大。一是烟标上存在的大量压痕和切口，压痕和切口的细微差别就会使特征的位置发生变化；二是烟标的套色偏差，套色偏差会使特征的相对位置发生改变。

综合以上，影响目标图像的特征搜索范围的因素有：特征的概略位置精度，压痕切口偏差,标准图像套色偏差，目标图像套色偏差。特征的概略位置精度同采用的求法有关，本文下一节将对其进行讨论；压痕切口偏差为经验值，可统计得到；套色偏差可采用本文4节方法求得。

3图像配准

图像配准是印刷缺陷检测的基础，套色、烫金、污迹等检测只有在目标烟标图像同标准烟标图像配准的前提下才能进行。

烟标图像有很多特点，其中一个就是有大量特征存在。图像配准的算法很多，如基于边缘的配准算法，基于角点检测的配准算法等等，本文则主要针对烟标图像的特点提出了一种基于特征定位的图像配准方法。该方法的基本步骤为：首先进行特征定位，接着计算几何变换参数，最后重采样生成配准图像。3.1特征定位

特征定位的方法见第2节。特征选取应注意：

1、优先选取直角点。

2、水平边缘/沐平双边缘同垂直边缘/垂直双边缘应成对选取，即选一条水平边缘/水平双边缘就要选一条垂直边缴垂直双边缘，而且这两条边缘应尽量靠近。

3、多选取一些特征以作冗余校验，在选取文字/标志特征时更应如此。

4、避免选择彼此距离过近的特征。

3.2重采样

求得变换参数以后，标准图像上的所有点在待检测图像上的同名点的位置就可以求出来了。而这些位置的坐标值可能不是整数，所以不能直接得到这些位置上的点的灰度值，这就需要进行内插，也称为重采样。

4套色检测

4.1套色不准产生的原因

导致套色不准的原因主要有以下一些：

1、设备精度差引起的套色不准

印刷机上的滚筒齿轮、版台齿条、连杆轴承、递纸牙!凸轮以及联动前规和侧规运动的机件发生磨损松动时，易使印品套色失准。

2、机器调整不当引起的套色不准

在印刷过程中，若叼牙的叼纸量过小，叼不住纸边，压印时就容易产生滑移。递纸牙、叼牙开闭动作失调，叼纸牙的压力不足，输纸系统的某些部件失调，都会导致套色不准。此外，印刷压力过大，包衬盲目增厚，包衬松动也是造成印刷版面走样(版面拉大)，套色失准的原因。

3、纸张伸缩变形引起的套色不准

纸张含水量异常、纸边卷曲时,会出现套色不准现象。

4、操作不当引起的套色不准

印版底托不良，压力过大，油墨层薪稠度过大,纸张裁切不规范都会使得套色失准。4.2基于套色十字丝的印刷套色检测

烟标上都印有套色标志，而这些标志通常呈十字丝状，称为套色十字丝。套色印刷的每一种颜色都对应一个十字丝，在套色完全准确的情况下，各颜色的十字丝完全重合(如图5（a）)，而在套色不准的情况下，各色十字丝彼此不能完全重合(如图5（d）)，它们之间的偏差就是套色偏差。所以检测印刷套色偏差可以通过检测套色十字丝来完成。本文将这种检测方法称为基于套色十字丝的印刷套色检测。4.3二值图像处理

由于图像噪声的影响，分割后的二值图像还要进行进一步的处理。图像背景中的一些噪声点,也可能被划分成十字丝,反映在二值图像上就是,除图像中央十字丝本来所在的位置存在黑像素外,其他区域还零星分布着一些黑像素(设分割后的图像,目标为黑,背景为白,下文均如此)。为了去除这些零星黑像素,本文提出了一种孤立点剔除算法。

5烫金缺陷检测

烫金是指在一定的温度和压力下将电化铝箔烫印到承印物表面的工艺过程。电化铝烫印的图文呈现出强烈的金属光泽，色彩鲜艳夺目、永不褪色。尤其是金银电化铝，以其富丽堂皇、精致高雅的装演点缀了印刷品表面，增强了印品的艺术性,使产品具有高档的感觉。所以烫金工艺被广泛地应用于高档、精美的包装装横商标、挂历和书刊封面等印刷品上。烫金的主要材料是电化铝，它是以涤纶薄膜为片基，涂上醇溶性染色树脂层，经真空喷镀金属铝，再涂上胶粘层而制成。其工艺主要是利用热压转移的原理,在合压作用下,电化铝与烫印版、承印物接触，由于电热板的升温使烫印版具有一定的热量，电化铝受热使热熔性的染色树脂层和胶粘剂熔化，染色树脂层粘力减小，而特种热敏胶粘剂熔化后粘性增加，铝层与电化铝基膜剥离的同时转印到了承印物上，随着压力的卸除，胶粘剂迅速冷却固化，铝层牢固地附着在承印物上，完成烫印过程。烟标作为高档印刷品，也大量采用了烫金工艺。

在烫金的过程中有多种因素可能影响烫金的质量，其中最主要因素有烫金的温度、压力和速度。如果烫金温度过高，熔化过度，烫印图文周围的电化铝也熔化脱落而产生糊版，同时高温还会使电化铝染色树脂和铝层发生化学变化，烫印产品亮度降低或失去金属光泽；如

篇6：通孔器件机器视觉检测算法

结果表明，针对通孔器件的不同特点，分成线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法，使用不同的综合判据是可行的。

关键词：通孔器件;机器视觉;检测算法;颜色定位算法;彩色模板匹配算法

机器视觉在电子行业得到广泛应用，但主要集中于印刷电路、表面贴装，而通孔器件的通用质量检测设备则是空白或依赖定制。

在电子产品组装工艺中，除了表面贴装器件，还有大量的机插和手工装配的通孔元器件，如：接插件、连接线、大尺寸电解电容、变压器等。

这些器件大多有方向、极性、位置等要求，但同时又是在线测试、功能测试的盲点，只能通过人工目视检查。

由于操作员工技能、疲劳程度等因素影响，很容易造成漏检，存在很大的质量风险。

外观漏检成为某公司客户退返板第二大原因，达到35.1%，占外部故障成本的14.3%。

因此，进行通孔器件检测算法研究，研发基于机器视觉的通孔器件通用检测平台非常必要。

篇7：机器视觉检测卷烟条盒包装质量

1．引言

机器视觉系统是指通过机器视觉产品，如CCD、CMOS和光电管等，将被摄取的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，再根据判别的结果控制现场的设备。典型的工业机器视觉应用系统包括如下部分：光源，镜头，CCD照相机，图像处理单元（或图像采集卡），图像处理软件，监视器，通讯/输入输出单元等。

随着中国加入WTO，市场竞争日益激烈，卷烟企业为了提高产品的竞争力，更好的开拓市场，在加大卷烟质量的技改力度、提高卷烟质量的同时，对卷烟制品的包装形式及包装质量也加大了改造力度，以在激烈的市场竞争中更好的巩固和开拓市场。卷烟产品包装质量的检测，是市场营销过程中保证质量的一个重要手段。传统的烟支条盒包装质量完全由人眼检测，而长时间工作会使人眼产生视觉疲劳，难以避免产品错检、漏检情况的出现。基于机器视觉开发的检测系统使得在产品质量的检测过程中用机器代替人眼来做测量和判断，降低了人为因素对产品质量的影响，在提高卷烟包装质量的技改方面满足了企业的需求。

2． 系统的设计方案

系统采用线性光源以产生照明能量集中、光强分布均匀的一条光带；采用多个相机对条盒需要检测的各个面进行拍照，以保证检测的全面性；采用外触发模式使各个面的图像分通道进入图像采集单元；经过处理单元对各通道的图像进行复杂的表面检测运算，如果发现任何一个通道的图像存在表面质量缺陷，则对下位机给出控制信号，使执行单元在该不合格条盒通过时将其剔除；系统显示器实时显示各通道图像及其检测结果，并给出缺陷的分析结果。

系统的图像采集单元包括图像采集卡、D/A转换卡、光源、CCD相机，工业控制计算机作为图像处理单元，以PLC控制系统控制执行单元。

3． 图像采集

图像的获取实际上是将被测物体的可视化图像和内在特征转化成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像采集卡、图像处理单元获取被测物体的图像。

光源是影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。条盒的外包装透明纸对光的反射、折射效果都很强，所以系统的照明系统采用多种型号的LED条形光源组合构成，照明方式为反射式照明，为延长光源的使用寿命，保持光源的高亮度、高稳定性，相机拍照时采用频闪光，频闪速度与相机的扫描速度同步。

在机器视觉中，CCD摄像机以其体积小巧、性能可靠、清晰度高等特点得到了广泛应用。按照其所用的CCD器件可分为线阵式和面阵式两大类。线阵式摄像机一次只能获得图像的一行信息，被拍摄的物体必须以直线形式从摄像机前移过，才能获得完整的图像，而面阵式摄像机则可以一次获得整幅图像的信息。在条盒包装质量检测系统中需要一次取得条盒外包装五个面的图像，设计中采用四个面阵式CCD摄像机同步拍照。

图像采集卡是控制摄像机拍照、完成图像采集和数字化、协调整个系统的重要设备。它一般具有以下模块：1.A/D转换模块2.时序及采集控制模块3.图像处理模块4.PCI总线接口及控制模块5.相机控制模块6.数字输入/输出模块。系统设计采用外触发模式对条盒进行拍照，图像采集卡通过TTL信号与外部装置（传感器、光源频闪控制器、PLC等）进行通信，用于响应频闪、拍照和给出剔除信号。

4．图像的分析处理

目前卷烟条盒包装主要存在破损、翘边、反包、包装错位、封签（偏移、叠角、缺失）等缺陷，在图像处理单元利用图像定位、边缘检测、斑点分析等算法，对各个通道的图像进行分析，以确定产品包装是否存在质量缺陷。

4.1定位配准（Locator）

定位配准是图像与标准模板进行缺陷检测的必要条件，定位准确与否直接关系到整个视觉系统的成败。传统的物体定位技术通过寻找统计模板（参考图像）与物体（产品图像）间的灰度级相关度的方法来决定物体的X、Y坐标，本系统定位采用几何特征匹配，通过设置兴趣域并学习兴趣域内物体的几何特征，然后在图像内寻找相似形状的物体，不依赖于特殊的像素灰度，提高了定位物体的能力，在改变物体角度、尺寸、明暗度等条件的情况下仍能精确定位物体。应用中的特点：

·基于图像中条盒轮廓或边缘找寻和定位条盒；

·设定模板后，所有查找都基于模板操作；

·对于相似的模板进行加权处理，能自动去模糊化（二意性）；

·容许阴影、对比度低、边缘不清或背景噪音；

·定位器返回找到条盒特征的X、Y坐标。

4.2边缘检测（Edge）

边缘是指图像局部亮度变化最显著的部分，主要存在于目标与目标、目标与背景、区域与区域（包括不同色彩）之间。图像中被查找的边缘被标记为从全暗至全亮或从全亮至全暗范围内的灰度值变化，边缘工具从图像中去除常量或变化缓慢的背景，保留作为图像特征的边缘，并计算边缘的幅度和角度。边缘的幅度指穿过边缘时灰度值的变化量；边缘的角度是指边缘与垂直方向的夹角。下图为两个三角形。其中，箭头的方向表示边缘的角度，箭头的大小表示边缘的幅度。每一三角形具有同样的边缘角度，但由于背景的灰度值不同，左边三角形的幅度大于右方三角形。大多数由真实图像产生出的边缘幅度图像包含虚假的或噪声边缘像素，这些边缘像素是视频噪声、反射或其它图像缺陷所造成的。通过在边缘幅度图像中设置阀值，可消除这些虚假像素。设置阀值在消除虚假边缘的同时，还常会消除真正的边缘。因为真正的边缘常由一些邻近像素的集合构成。通过在边缘图像中设置边缘滞后阀值，可在消除虚假边缘的同时，保留真正的边缘。边缘滞后阀值消除了一些像素，这些像素的灰度较那些与其它边缘像素不相邻的像素低一定的幅度，较边缘幅度图像高一定的幅度。这一方法保留了形成真正边缘的连续边缘像素，而消除了由噪声或其它图像缺陷而形成的边缘像素。

系统的设计中通过在边缘工具中设置边缘滞后阀值和幅度范围来检测条盒边缘及透明纸褶皱的缺陷。

4.3斑点分析（Blob Analysis）

Blob分析可为视觉系统提供图像中斑点的数量、位置、形状和方向，还可提供相关斑点间的拓扑结构，其是一种对闭合目标形状进行分析处理的基本方法。

Blob分析从场景的灰度图象着手进行分析，在进行分析以前，利用二值化（Bilinear Interpolation）把图像分割为构成斑点（Blob）和局部背景的像素集合，典型的目标像素被赋值为1，背景像素被赋值为0。分割时设定了两种方法固定阀值分割（Hard Threshold）和动态阀值分割（Soft Threshold）。

当图像被分割为目标像素和背景像素后，进行连通性分析，在图像中寻找一个或多个相似灰度的“斑点”,并将这些“斑点”按照四邻域或者八邻域方式进行连通性分析，将目标像素聚合为目标像素或斑点的连接体，就形成了一个Blob单元。通过对Blob单元进行图形特征分析，可以将单纯的图案灰度信息迅速转化为图案的形状信息，包括图形的质心、面积、周长等。使用Blob分析，通过多级分类器的过滤，在一定程度上可满足对条盒透明纸破损、反包、盒皮印刷等缺陷的检测需求。

5．系统的总体开发

在条盒外包装质量检测系统中，采用的处理方式是基于PC机的检测处理系统。开发时综合考虑了系统与相机、采集卡、外部PLC、以及PC本身外设的连接与通信控制，提供了友好的人机界面和可靠历史记录存储数据库；检测到质量缺陷时，提示缺陷类别，对执行单元给出剔除信号。

执行单元是系统的一个关键环节，其作用就是响应上位机给出的剔除指令，准确无误地剔除不合格的条盒。在生产流水线运行的高峰时期，速度可达到8条/s，为保证系统的稳定性和快速性，设计中电控系统采用西门子的S7-200 PLC，执行机构中应用高速的电磁阀组和喷吹腔体，使其能够对剔除信号给出快速响应。

篇8：机器视觉课后心得体会

基于机器视觉的飞行员疲劳监测技术

航空事故中约有75%与人的失误有关,而飞行疲劳导致的工作能力下降是造成事故的重要原因.经过长时间大规模的研究发现,疲劳产生的主要原因是飞行员睡眠不足和昼夜节律的改变.昼夜节律改变可引起缺眠.长期缺眠能导致工效降,而工效下降在飞行过程中最容易产生人为失误,也最容易发生飞行事故.研究表明.疲劳与飞行计划、睡眠状况和工作负荷密切相关.在民用航空医学研究中,对飞行疲劳的`关注和研究的时间最长,但至今仍没有一种方法能对飞行疲劳进行客观测量和有效预防,因此飞行疲劳仍然是当前航空研究的重点内容.开发一个在飞行实际过程中监控飞行员是否疲劳的系统具有很重要的意义.

作 者：犹轶 作者单位：中国民航飞行学院新津分院,四川新津,611431刊 名：中国科技博览英文刊名：ZHONGGUO BAOZHUANG KEJI BOLAN年，卷(期)：“”(17)分类号：V32关键词：机器视觉 疲劳监测 飞行