[拼音]：gongye shijue xitong

[外文]：industrial vision systems

用于自动检验、工件加工和装配自动化以及生产过程的控制和监视的图像识别机器。工业视觉系统的图像识别过程是按任务需要从原始图像数据中提取有关信息、高度概括地描述图像内容，以便对图像的某些内容加以解释和判断。工业视觉系统可看作是针对任务作了简化的初级机器视觉系统。几乎所有的工业生产领域都需要应用机器视觉代替人的视觉,特别是那些对速度、精度或可靠性要求高的视觉任务更需要采用工业视觉系统。用工业视觉系统实现的自动检验可以衔接计算机辅助设计和计算机辅助制造，是实现计算机集成设计和制造中心(CIDMAC)的必要手段。而CIDMAC能显著提高小批量加工生产的效率和产品质量。

一般结构

按照现有技术水平，实用工业视觉系统的性能远未达到实验室中的机器视觉系统。对工业视觉系统的要求是成本低、可靠性高和速度快。因此通常针对已知现场条件对系统进行简化，例如安排摄像机和照明之间的一定布局、对视觉对象的数目和特性加以限制等。下图是工业视觉系统的一般结构，包括照明、摄像机、图像预处理和数据压缩、图像存储以及图像解释等部分。从摄像机来的数据存储在计算机的存储器中以供数据压缩和解释使用。图像预处理的作用是增强图像和抑制噪声。由于需要对序贯出现的图像进行快速的解释，通常在前级设置数据压缩装置。

在现代技术条件下照明部分是视觉系统的关键。为了使系统能有效地工作,人们力图在目标和背景之间产生清晰的对比。有人甚至把工业视觉系统称为“受控照明计算机视觉”。照明的布局大致可分为 4种：

（1）背光，可产生强反差，常用于二值图像识别技术。例如，用于对传送带上的部件分类。

（2）漫射顶光，适用于识别分离的部件或表面方向未知的部件，例如混装于箱中的扁平物件。

（3）直射顶光，它能在目标表面稳定时产生可靠的高反差图像，适用于二值图像识别。对表面略为粗糙的扁平部件能产生光亮稳定的图像区域。对弯曲表面或平面抛光表面可设置强光。

（4）结构光，即用激光点、束或网照明景物，用于景物三维信息的三角测量。例如，用激光束照明焊槽以测量关于焊槽位置和形状的三维信息。

常采用阴极射线管式或固体式摄像机获取图像数据。对于高精度测量可采用线扫描摄像机。固体摄像机用于工业视觉系统有很大优越性，它的优点是可靠性高、寿命长和成像较稳定等。固体摄像机在价格方面已能与真空管摄像机相匹敌。

其作用是改进图像质量，以便进行图像识别。典型的图像预处理有4个步骤：

（1）阴影校正,即对景物上不均匀的照明进行平滑补偿。

（2）灰度校正，即将输入的灰度值进行线性或非线性的变换以求改进图像质量。

（3）噪声过滤，通常采用低（频）通（过）运算器抑制噪声。

（4）图像增强，即图像轮廓增强，采用高(频)通（过）运算器。

最简单的数据压缩技术是取图像灰度的阈值，产生二值图像。二值图像还可进一步压缩。按区域压缩和按轮廓压缩是两种基本的数据压缩方法，它们既可用于二值图像也可用于灰度图像。但在工业视觉系统中，按区域压缩的方法常用于二值图像，按轮廓压缩的方法则常用于灰度图像。这是因为早期的工业视觉系统多采用二值图像，所处理的部件可用整体区域特征加以识别，而从灰度图像获取可靠的区域型特征则比较困难。二值图像按区域的压缩是将图像分为若干连通区域。通过连通程序来完成这项工作，同时为每个区域编号。对每个区域计算面积、重心、惯量矩、空洞数目、轮廓线长度、最小外切矩形等典型特征参数。这些特征参数就作为下一步图像解释的输入。灰度图像按轮廓的压缩是从经过增强处理的图像上抽取直线、拐角、圆弧等轮廓特征或求出代表轮廓线方向斜率的一组线段。这后一种方法常出现线段丢失、破碎以及重合等误差，需要用关于景物的先验知识加以判断。数据压缩有时被当作图像分割（见模式识别），但实际上比把图像分为有意义单元的图像分割简单。

即按照任务对图像内容进行高度概括的描述。它基于图像的模型匹配。模型是对所要识别的理想模式外形的描述，包括所有可能的部分畸变、平移或旋转的模式的集合。将其中一个模式当作原型，那么解释就是寻找与经压缩后的数据匹配得最好的原型，并用描述模型的参数给出解释。最简单的模型匹配方法是样板匹配，它仅适用于原型很少的场合，而且计算量也很大。在一般情况下需要考虑大量原型，此时可采用搜索法、松弛法和聚类法，但对于工业视觉系统都不太理想。已经用这些方法初步解决重叠工件的识别问题。虽然松弛法和聚类法已经是实验室中用于图像解释的极普通的方法，但由于成本昂贵尚未被普遍采用到工业视觉系统的设计中去。

建模

设计工业视觉系统的首要指标是灵活性。而在目前技术水平下设计通用工业视觉系统的成本又过于昂贵。所以实现软件和硬件的模块化是解决这个问题的可能途径。其关键是规定一类问题，针对它建立硬件和软件结构，在该类问题中可直接改变模型参数使系统适应所处理的问题。采用人机交互的方式来找出系统的参照景物和从该景物导出的可供选择的参数。这种做法实际上是在识别程序中隐含了人的经验，即人关于什么是图像的可靠和有意义特征的看法。完全自动化的“示教式”方法尚待进一步发展。

应用

工业视觉系统可用于种类繁多的任务。按用途可列举如下例子：用于CIDMAC中的目标定位、定向和识别；缺陷检查（如金属元件的裂痕）；分拣（如从果壳中挑果仁）；分级（如计算肉的肥瘦率）；测定瓶或罐内的液面;在线测量食品、布料或机加工件的尺寸;检验组装的正确性；检验食物、化妆品、药品的污染；检测化学物质的泄漏；仪表校准；工具磨损检测以及产品包装检验等。工业视觉系统按被测景物的特点和复杂性以及所处理的特定任务又大致可分为自动检验、部件加工和装配、生产过程控制三类。

自动检验是工业视觉系统最重要的应用领域。它的优点是可提供快速无接触测量，对部件的检验率几乎可达100％,而且视觉检验机器装入现有生产系统比机器人视觉系统方便。在很多工业生产领域中，自动检验是实现生产自动化的必要条件。在自动输送部件的系统中，甚至像螺钉这样简单的零件也必须 100％地加以检验，否则会降低机器的效率，甚至引起严重事故。自动检验的任务主要包括完备性检验、形状检验和表面检验：

（1）完备性检验　对部件上的零件是否完备、缺失进行检验。部件上丢失零件可能导致严重后果。例如，如果丢失发动机阀门弹簧的帽卡，则有可能使发动机毁坏。

（2）形状检验　这方面的例子有检验螺杆或螺钉这样的简单部件、检验小圆片的圆度、检验包装上或瓶子上的标签的尺寸、形状和位置等。形状检验的一个最重要的应用是检验印刷电路板，包括检测板上的导线破裂、短路、突出物以及相邻两线的距离等。

（3）表面检验　这是质量控制的一个重要步骤。例如，检验钢板、轴承部件、搪瓷或玻璃的表面。通常必须检验一批序贯通过的不同形状的表面，并能对缺陷损伤加以区分。

这类应用的主要视觉任务是确定部件的位置和方向。部件通常装在容器中运输或存储，在此过程中原始位置被打乱。包括从托板对部件位置的微小干扰到把部件装箱这样的过程都会使原始位置混乱。对此尚无通用解决办法。针对机器人随机抓取传送带上的定向部件已研制了数种视觉系统。但这类应用场合在生产过程中不具普遍性。在芯片焊接过程中需用视觉系统导引焊接位置，并辅助振动传送带对元件的机械分类。在用机器人安装摩托车轮时也需用视觉系统确定轮毂的位置和方向。大多数装配任务需要用视觉和触觉配合才行，例如把针插入洞中这样的任务还可用特制的机械系统配合完成。

工业视觉系统在生产过程控制中的最重要的应用领域是焊接控制。在自动焊接过程中，由于存在焊件连接准备工作的差异以及焊接期间发生的不准确定位和热畸变，因此常常需要采用视觉系统跟踪焊缝。在弧焊中，强光和焊花四溅给图像分析带来困难。为此研制了特殊的快门，仅在过程的短路期间打开。在浸入弧焊中，焊接过程对视觉系统的干扰不大。工业视觉系统还用于读出部件的特征或贴于其上的条码以协助生产过程中部件的分配。

参考书目

1. B.G.Batchelor(ed.)， Pattern Recognition:Ideas in Practice, Plenum, New York,1978.
2. B.G.Batchelor,D.A.Hill,D.C.Hodgson， Automated Visual Inspection, IFS, Bedford, UK, 1958.