机器视觉的发展、应用与案例分析

AI Player

已于 2023-11-16 15:12:12 修改

阅读量604

点赞数 1

分类专栏： Computer Vision 文章标签：机器视觉计算机视觉人工智能

于 2023-03-20 10:30:23 首次发布

本文链接：https://blog.csdn.net/weixin_43603658/article/details/129355176

版权

Computer Vision 专栏收录该内容

17 篇文章 4 订阅

订阅专栏

机器视觉的发展、应用与案例分析

机器视觉的发展历程
机器视觉系统
机器视觉应用
- 案例分析

机器视觉的发展历程

机器视觉是人工智能领域的一个分支，其目标是使机器能够模拟和理解人类视觉系统的功能。机器视觉的发展历史可以追溯到几十年前，经历了多个阶段的演进。

早期阶段（20世纪50年代-60年代）：
1956年，Rosenblatt提出了感知机模型，尝试模拟人脑神经元的结构和功能，这是机器学习和神经网络的早期尝试。
基于特征的方法（20世纪60年代-80年代）：
1960年代末，出现了基于特征的方法，如边缘检测、角点检测等。这一时期主要关注于图像的低级特征提取。
1970年代，David Marr提出了“计算视觉”理论，强调从图像中提取不同层次的特征以实现物体识别。
知识推理方法（20世纪70年代-80年代）：
1980年代初，机器视觉的研究逐渐转向知识推理。系统试图使用先前编程的规则和知识来理解和解释图像。
统计学习方法（20世纪80年代-90年代）：
1980年代末和1990年代初，统计学习方法开始引入机器视觉。支持向量机、随机森林等方法逐渐应用于目标检测和分类。
深度学习时代（21世纪初至今）：
2012年，AlexNet在ImageNet竞赛上获得胜利，标志着深度学习在机器视觉中的崛起。深度学习的卷积神经网络（CNN）取得了在图像分类、目标检测和语义分割等任务上的巨大成功。
2014年，GoogLeNet和VGG等模型的出现进一步推动了深度学习在机器视觉领域的发展。
2017年，Transformer模型在自然语言处理领域的成功，目前也在计算机视觉领域得到逐步推广与广泛使用。

机器视觉系统

机器视觉系统通常使用人眼的光学系统来类比，人眼的光学系统由角膜、玻璃体、晶状体、瞳孔等构成。视网膜将光学图像转换成神经电信号在人脑形成画面。视锥细胞主要用于感受颜色，视杆细胞主要用于感受亮度。

机器视觉是通过光学的装置和非接触的传感器，自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置。机器视觉即用机器代替人眼，模拟眼睛进行图像采集，经过图像识别和处理提取信息，最终通过执行装置完成操作。相比于人类视觉，机器视觉技术具有精确性、可靠性高、环境适应性好、可持续工作、生产效率高等优势，在现代工业生产、智能制造、医药、食品包装等领域都发挥着较大的作用。

机器视觉系统主要包硬件系统和软件系统。其中，硬件系统包括（工业）相机、光源、镜头、光学器件、处理器（CPU）与图像存储及显示设备等。软件系统包括图像处理算法、用户界面（GUI）等。下面简单介绍几个核心设备。

相机

相机的作用： 将通过镜头的光信号转换为电信号。

相机的分类：
按芯片技术：CCD相机、CMOS相机
按靶面类型：面阵相机、线阵相机
按输出模式：模拟相机、数字相机
按颜色：彩色相机、黑白相机
按是否带处理器：智能相机、非智能相机

相机主要特性参数：
芯片类型：CCD、CMOS
分辨率：位于CCD&CMOS芯片上的像素数
速度：line/s、fps
光学接口：C，CS，F等
电气接口：USB、IEEE 1394、GigE

光源

光源的作用： 照亮目标，突出感兴趣的特征，机器视觉从获取一张好的图片开始，光源至关重要。

光源的分类：
按照明部件：普通照明灯、LED灯、激光
按照射方式：前向光、背向光、结构光、频闪照明
按照明方式：平面照明、环形光源、同轴光源、平行光源、电光源、低角度光源、线光源、光栅
按光源波长：白光、单色光、近可见光、X-ray

光源光路技术： 补光、滤光、反射、分光、漫射

镜头

镜头的作用： 实现光束变换、将目标成像在图像传感器的光敏面上，类似于针孔成像的针孔和人眼晶状体的作用。

镜头分类：
按等效焦距：广角镜头、中焦距镜头、长焦距镜头
按功能：变焦距镜头、定焦距镜头、定光圈镜头
特殊镜头：微距镜头、显微镜头、远心镜头、红外线镜头、紫外线镜头

镜头基本参数： 视野（FOV）、景深（DOV）、工作距离（WD）

机器视觉应用

相机作为机器视觉的最核心的传感器设备，已广泛应用于安防、智能制造、汽车、手机等领域，单一相机所涉及到的视觉技术：

全景联动技术：全景对感兴趣的目标检测分析，控制长焦的球机进行联动抓拍获得局部高清图像。
目标自适应快门：根据环境亮度为目标自适应选择合适的快门时间。
场景图像自适应：对场景进行识别根据其类型自动调整色彩配置。
AI-ISP降噪：利用深度学习实现图片降噪。
图像识别、检测与跟踪、图像分割、三维重建、SLAM（即时定位与建图）等

随着机器视觉的发展，单一相机往往获取环境的信息是有限的，为了处理一些复杂的任务，我们常常需要多维感知，多传感器融合的方法。例如雷视融合（获取速度）、热成像可见光融合（获取温度）、偏振成像（获取应力）、短波红外（看穿浓雾）、高光谱（辨认元素）、X光（透视物体）等等。将这种组合的方法转化为产品进行落地，往往能够解决一些仅依靠相机难以解决的棘手问题。