机器视觉作业

机器视觉结课作业机器视觉系统的组成，及各组成局部的作用。机器视觉就是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〕将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，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，进而根据判别的结果来控制现场的设备动作。一个典型的机器视觉系统包括以下五大块：〔1〕照明照明是影响机器视觉系统输入的重要因素，它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备，所以针对每个特定的应用实例，要选择相应的照明装置，以到达最正确效果。光源可分为可见光和不可见光。常用的几种可见光源是白炽灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定，是实用化过程中急需要解决的问题。另一方面，环境光有可能影响图像的质量，所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为：背向照明、前向照明、结构光和频闪光照明等。其中，背向照明是被测物放在光源和摄像机之间，它的优点是能获得高比照度的图像。前向照明是光源和摄像机位于被测物的同侧，这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上，根据它们产生的畸变，解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上，摄像机拍摄要求与光源同步。〔2〕镜头FOV〔FieldOfVision〕=所需分辨率*亚象素*相机尺寸/PRTM〔零件测量公差比〕镜头选择应注意：①焦距②目标高度③影像高度④放大倍数⑤影像至目标的距离⑥中心点/节点⑦畸变。勿将工作距离与物体到像的距离混淆。工作距离是从工业镜头前部到被观察物体之间的距离。而物体到像的距离是CCD传感器到物体之间的距离。计算要求的工业镜头焦距时，必须使用工作距离〔3〕相机按照不同标准可分为：标准分辨率数字相机和模拟相机等。要根据不同的实际应用场合选不同的相机和高分辨率相机：线扫描CCD和面阵CCD；单色相机和彩色相机。〔4〕图像采集卡图像采集卡只是完整的机器视觉系统的一个部件，但是它扮演一个非常重要的角色。图像采集卡直接决定了摄像头的接口：黑白、彩色、模拟、数字等等。比拟典型的是PCI或AGP兼容的捕获卡，可以将图像迅速地传送到计算机存储器进行处理。有些采集卡有内置的多路开关。例如，可以连接8个不同的摄像机,然后告诉采集卡采用那一个相机抓拍到的信息。有些采集卡有内置的数字输入以触发采集卡进行捕捉，当采集卡抓拍图像时数字输出口就触发闸门。〔5〕视觉处理器视觉处理器集采集卡与处理器于一体。以往计算机速度较慢时，采用视觉处理器加快视觉处理任务。采集卡传输图像到存储器，进而计算分析。当前主流配置的PLC，且配置较高，视觉处理器已经几乎退出市场。机器视觉应用的调研〔目前现状、开展趋势等〕。目前现状：在国外，机器视觉的应用普及主要表达在半导体及电子行业，其中大概40%-50%都集中在半导体行业。具体如PCB印刷电路：各类生产印刷电路板组装技术、设备；单、双面、多层线路板，覆铜板及所需的材料及辅料；辅助设施以及耗材、油墨、药水药剂、配件；电子封装技术与设备；丝网印刷设备及丝网周边材料等。SMT外表贴装：SMT工艺与设备、焊接设备、测试仪器、返修设备及各种辅助工具及配件、SMT材料、贴片剂、胶粘剂、焊剂、焊料及防氧化油、焊膏、清洗剂等；再流焊机、波峰焊机及自动化生产线设备。电子生产加工设备：电子元件制造设备、半导体及集成电路制造设备、元器件成型设备、电子工模具。机器视觉系统还在质量检测的各个方面已经得到了广泛的应用，并且其产品在应用中占据着举足轻重的地位。除此之外，机器视觉还用于其他各个领域。而在中国，视觉技术的应用开始于90年代，因为行业本身就属于新兴的领域，再加之机器视觉产品技术的普及不够，导致以上各行业的应用几乎空白。目前国内机器视觉大多为国外品牌。国内大多机器视觉公司根本上是靠代理国外各种机器视觉品牌起家，随着机器视觉的不断应用，公司规模慢慢做大，技术上已经逐渐成熟。随着经济水平的提高，3D机器视觉也开始进入人们的视野。3D机器视觉大多用于水果和蔬菜、木材、化装品、烘焙食品、电子组件和医药产品的评级。它可以提高合格产品的生产能力，在生产过程的早期就报废劣质产品，从而减少了浪费节约本钱。这种功能非常适合用于高度、形状、数量甚至色彩等产品属性的成像。在行业应用方面，主要有制药、包装、电子、汽车制造、半导体、纺织、烟草、交通、物流等行业，用机器视觉技术取代人工，可以提供生产效率和产品质量。例如在物流行业，可以使用机器视觉技术进行快递的分拣分类，不会出现大多快递公司人工进行分拣，减少物品的损坏率，可以提高分拣效率，减少人工劳动。开展趋势：由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。但是机器视觉技术比拟复杂，最大的困难在于人的视觉机制尚不清楚。人可以用内省法描述对某一问题的解题过程，从而用计算机加以模拟。但尽管每一个正常人都是“视觉专家”，却不可能用内省法来描述自己的视觉过程。因此建立机器视觉系统是十分困难的任务。可以预计的是，随着机器视觉技术自身的成熟和开展，它将在现代和未来制造企业中得到越来越广泛的应用。分析一个具体的机器视觉案例。本案例主要是用HALCON软件实现对电子元器件的分割。HALCON是德国MVtec公司开发的一套完善的标准的机器视觉算法包，拥有应用广泛的机器视觉集成开发环境维视图像开发定制软件。它节约了产品本钱，缩短了软件开发周期——HALCON灵活的架构便于机器视觉，医学图像和图像分析应用的快速开发。在欧洲以及日本的工业界已经是公认具有最正确效能的MachineVision软件。这个例子讨论使用不同的分割方法的结合。它的操作对象是具有多个电子元件的图像，它们在外形，大小以及排列上都不相同。图1的左边图显示了输入图像。图1带有电子原件的电路板〔左〕和在HSV空间的相应得灰度值〔右〕首先，你要提取电阻与电容。这相当容易，因为彩色图像中它的元件具有不同的颜色。输入图像具有三种颜色通道，包括红，绿和蓝。因为在RGB空间中进行分割是相对困难得的，你需要将图像转化到HSV空间。在这里颜色信息储存在单一的信道。图1的右边图显示图像在单一信道的代替物。太小的元件可以通过selectshape来去除。程序显示如下：read_image(ICs,’ic’)decompose3(ICs,Red,Green,Blue)trans_from_rgb(Red,Green,Blue,Hue,Saturation,Intensity)threshold(Saturation,Colored,100,255)reduce_domain(Hue,Colored,HueColored)threshold(HueColored,Blue,114,137)connection(Blue,BlueConnect)select_shape(BlueConnect,BlueLarge,’area’,’and’,150,100000)shape_trans(BlueLarge,Condensators,’rectangle2’)threshold(HueColored,Red,10,19)connection(Red,RedConnect)select_shape(RedConnect,RedLarge,’area’,’and’,150,100000)shape_trans(RedLarge,Resistors,’rectangle2’)如果你更仔细的观察一下程序，你就会结果有了显著的提高。其中之一是因为颜色模型，彩色图形的门限在所有的像素间选择一个固定的颜色，选择在颜色浸透局部时独立的。这有可能造成非常亮或者非常暗的像素与电子元件有相同的灰度。，但你只寻找非常强烈的颜色。所以你选择的像素点都是色彩强烈的点，例如具有色才饱和度的像素点。第二个加强的是对象的形状，因为所有的元件都是矩形的，你可以指定所有相连的元件最小的矩形来加强分割效果。图2的左边图是结果元件的标注。图2电阻和电容〔左〕和ic元件〔右〕第二步我们寻找所有的ic元件。这看起来很容易，因为它相当的大而且暗，但是由于明亮的标记被打印在IC元件的周围会出现一些问题。所以一个简单的门限处理并不是有效的。除此之外你还有联合所有属于一个IC元件的片断，这可以通过检查片断的连接部位。可以使用膨胀来扩展区域直道它们相互交替，但又不能太大以致IC元件都重叠。标记之间的空白一定要比IC元件之间的小。现在你可以别离IC元件从它们的相连的元件中。可惜它们太大以致不能分割。另一个对相连的元件的门限将会探测每个IC元件的暗的像素。最终你可以用闭合的矩形里指定电阻和电容。threshold(Intensity,Dark,0,50)dilation_rectangle1(Dark,DarkDilate,15,15)connection(DarkDilate,ICLarge)add_channels(ICLarge,Intensity,ICLargeGray)threshold(ICLargeGray,ICsDark,0,50)shape_trans(ICsDark,IC,’rectangle2’)图2的右边图显示了IC的结果图。关于上面的程序我们要提及两点。这里操作符addchannels被reducedomain代替。这是必须的因为一些区域必须用灰色像素值来填充。前面程序的处理是相当不同的，一幅图有效的像素点四有限的。这就有了第二点，操作符threshold有一些图片作为输入，门限处理每幅图都有，因此，你提供的尽可能多的区域作为输入图像。最终IC的分割必需进行，它们明亮且非常小。使用动态门限处理它们是相当容易的。然而电路板上的锡元件依然是一个问题，它们必须从IC中提取出来。这可以通过限定在特定的区域寻找。IC接触可能只出现在IC的元件的左边或者右边。感兴趣的区域的界定可以通过扩大IC区域，可以通过另一种膨胀来实现结果。图3左边图显示了操作结果。图3寻找相关区域〔左〕和IC相关区域〔右〕现在你只需要对感兴趣的区域使用门限处理即可。dilation_rectangle1(IC,ICWidth,5,1)difference(ICWidth,IC,SearchingArea)dilation_rectangle1(SearchingArea,SearchingAreaWidth,14,1)union1(SearchingAreaWidth,SearchingAreaUnion)reduce_domain(Intensity,SearchingAreaUnion,SearchGray)mean_image(SearchGray,Mean,15,15)dyn_threshold(SearchG