工業視覺檢測機的發展歷程
日期：2016/8/29 15:15:27 | 人氣：557 | TAG
全自動檢測機的檢測代替人工檢測是必然發展趨勢，需求越來越多樣原來只是生產線上，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，使用三維來進行包裹尺寸的檢測，與總量參數匹配進行內部追蹤。
-2D到3D：工業界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，什么結構光、ToF、雙目等等技術各家公司也多如牛毛。
-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，而就為了得到這么一個圖片那需要考慮太多太多，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，哪一個部分出了問題都會影響你的圖像質量，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那你的誤檢率會非常之高，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，當你的供應商給你的一個批次和另外的一個批次外表面顏色有不同或者不均勻是，那等著你的必然是要停機從新設置參數，從新驗證產品，而這幾乎是無法避免百分百會發生的現實。
-算法不如硬件發展快：這是我的感覺，而且我覺得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使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。
-公司：國內做集成做代理的很多很多，真正有領先技術的太少，看看凌云、大恒，你就知道什么情況，最近還有視頻監控的老大海康威視，也做機器視覺了。國外的你可以研究一下Cognex和Keyence。還有就是，沒有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，專門的公司做支架，沒有一個公司會全部自己做。
最后我要說一下機器視覺（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，一個是更偏整個系統級應用導向的，一個是專注于算法的半理論半應用結合的。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。
評論
-
管理員剛剛
暫無任何留言！
