机器视觉在工业生产中的应用及市场趋势

来源: | 作者:PanYunKJ | 发布时间: 2022-08-16 | 559 次浏览 | 分享到:
机器视觉的现况,基于深度学习技术的视觉控制器,集成像、人工智能AI、学习、检测部署于一体,已能够快速对产品缺陷进行图像采集、处理、训练、部署,实现对工业缺陷的检测。

机器视觉在工业生产中的应用功能机器视觉在工业生产中的应用:

识别

在这里所谓识别就是对已知规律的物体进行分辨,包含外形、颜色、图案、数字、条码和二维码等。当然也包含信息量大或者更抽象的,比如人脸、指纹、虹膜等

定位

定位就是在识别出物体的基础上精确给出物体的坐标和角度信息。定位在视觉应用中属于基础应用,一个软件的好坏很大程度取决于定位算法的能力。常见的定义算法有两大类:基于灰度信息和基于几何轮廓

测量

测量在机器视觉中就是把获取的图像像素信息标定成常用的度量衡单位,然后在图像中精确计算出需要知道的几何尺寸。通过图像的方式更容易测量一些组合复杂的尺寸或基准复杂的尺寸

检测

检测在机器视觉中主要是指的各类外观缺陷,一般情况下种类繁杂,这样就注定检测在机器视觉应用中相对难解决。常见的缺陷包括表面装配缺陷(如漏装、混料、错位、错色等)、表面印刷缺陷(如多印、漏印、重印、拉丝、模糊等)、表面形状缺陷(如崩边、披锋、凸起、凹坑、磨损等)

虽说机器视觉在中国已经开展近20年,然而难以实现自动化这个问题始终没有得到有效解决,只能由人工进行目检,其主要原因是传统图像技术壁垒。传统图像技术主要通过模板匹配的方式,采用的二值化、滤波等形式进行检测,依赖人工设定缺陷特征,然而产品的缺陷问题存在随机性、复杂性以及缺陷与背景的相似性等特性,传统视觉方法对其束手无策,检测效果大打折扣。

近几年随着深度学习的快速发展,AI落地场景遍地开花,大家通过深度学习技术逐渐开始解决一些工业缺陷检测问题,然而AI在工业领域却一直处于不温不火的状态,其主要原因:工业离散型特点,工业每个行业都有细分,每个细分产品都有所不同,AI公司需要深入各个细分行业进行了解摸索。从技术角度上说,要将AI落地工业,需要的不仅仅是深度学习及图像处理技术。

深度学习依赖于图像,如何设计成像方案获取适合深度学习使用的图像便是第一道难题,市场上有较多的成像工程师,但大多数的工程师习惯于拍摄出适用于传统的图像处理的,而不是AI学习所需的图像数据。需要既懂AI技术,同时又对相机镜头光源等成像精通的工程师,从而获取适合用于深度学习训练的产品缺陷图像。

另一方面,由于不同行业的产品缺陷大小形状各不相同,复杂无规律,如果没有丰富的视觉设计经验,往往需要耗费大量精力去测试算法模型,如此一来便造成漫长的开发周期,而已经无法满足习惯图像检测周期较短的制造业。在完成获取图像,训练好模型之后,如何将基于AI的缺陷检测系统与工业生产线连接,如何与PLC通讯,形成一套完整的系统架构,将其快速落地部署,亦是挑战之一。

可见,一个AI检测项目的落地,不仅仅要对行业、对客户有足够的理解,技术上从成像、AI训练检测到产线部署,更是需要多方面的技术人才互相配合。

 

机器视觉的主要技术趋势和市场趋势机器视觉的主要技术趋势和市场趋势

1)机器视觉的技术趋势:高速化、高分辨率、全彩色、低功耗、模块化、傻瓜化、先进数字网络化、智能化特殊应用等。

  (2)机器视觉的市场趋势:价格下降、使用方便,用高质量向中低端应用扩展,性能提高、可靠性提高,能解决复杂高端问题,行业应用大量增加且分工精细化,在产业链中重新定位并与相关技术结合更加紧密、更加多元化。

机器视觉的现况,基于深度学习技术的视觉控制器,集成像、人工智能AI、学习、检测部署于一体,已能够快速对产品缺陷进行图像采集、处理、训练、部署,实现对工业缺陷的检测。

而且应用模块成熟,带有相机、光源等接口,只需要在软件上通过对相机(CMOS)、光源、触发传感器等进行简单配置即可使用,无需进行额外的开发设计。

可以一次设置多个相机、多个光源以及触发机制,根据AI学习训练的要求,不断调整触发时间等,从而获取更适用的缺陷图像,极大便捷工程师前期采集图像的使用。大量地应用在表面质量检测、工件尺寸测量和定位、各种标识的识别等。随着全球市场对于生产制造行业的产品质量要求的提高,产品的外观检测已经成为制造商越来越重视的环节之一。