机器视觉是人工智能的重要前沿技术,也是制造业升级的重要利器。通过模拟人类的视觉系统,赋予机器“看”和“认知”的能力,机器视觉具备识别、测量、定位、检测四大基础功能。以远超人类视觉的性能,助力传统自动化向智能化方向发展。

目前,机器视觉设备的应用如火如荼,随着国内制造升级,全球高端制造产能向国内转移,将同步提高对高端精密机器视觉的需求。从纵向来看,机器视觉的发展继续朝着高端精密的方向发展;从横向看,机器视觉的应用领域,也会慢慢的拓展到制造业的各个产业。为此,本文盘点这个拥有千亿市场的产业,在制造业的应用情况。

开端:汽车制造的应用

在汽车制造中,机器视觉应用非接触测量技术,逐步发展成固定式在线测量站与机器人柔性在线测量站等在线测量系统,可严格监控车身尺寸波动,提供数据支持。除传统三坐标测量、激光在线测量外,蓝光扫描测量、表面缺陷测量等视觉测量方法,可进行更加精细地测量,对车身基本特征尺寸、车体装配效果、缺陷等提供高精度监控。

三坐标测量:将被测物体至于三坐标测量机的测量空间,可获得被测物体各测点的坐标位置,根据这些点的空间坐标值,经过数学运算,求出被测的几何尺寸、形状和位置。

激光在线测量:基于三角测量原理,利用线状激光构造被测特征,结合有效照明获得被测特征的表面信息。通过图像处理技术得到被测特征在图像上的二维坐标,在通过三角测量模型,将二维坐标转换为传感器坐标下的三维空间坐标。

蓝光扫描测量:由3D扫描仪,多轴机器人、机器人动作及测量步骤编程软件、检查分析软件及安全系统构成,扫描仪采用蓝光投影技术,测量头由左右两个高分辨率工业CCD相机和条纹投影单元组成,采用结构光测量方式,投影单元将包含不同间隔和相位信息的条纹投影到被测工件表面,左右两个高分辨率工业相机同步采集条纹图像,利用双目立体视觉测量原理,在极短时间内获取高密度电云的三维数据。利用标记点拼接技术,实现不同角度和位置下测量数据的自动对齐,最终获得完整的测量数据。

表面缺陷测量:由机器人、显示器、计算机与相机构成。基于反射式条纹偏折法,测量时首先通过计算机控制显示器投影正弦条纹到被测曲面上,经反射后由相机采集,被测曲面上的面型变化会使条纹发生变形,利用相位提取算法对条纹的相位信息进行提取,即可实现对被测曲面面型的测量。

兴盛:消费电子行业的应用

机器视觉在消费电子领域,以PCB/FPCAOI检测、零部件及整机外观检测、装配引导等应用为主,并呈现出越来越多的新应用场景。可以说,消费类电子制造业的兴起,带动了机器视觉的市场。

 

PCB缺陷检测主要是焊点缺陷检测和元器件检测两大部分。传统的人工目视检测法容易漏检,并且效率不高,成本低下。机器视觉PCB的优势在于能够保证操作者在加上PCB以前能够及时处理相关问题。此外,发现缺陷时可以有效避免返修或废弃的情况,操作者能够及时得到反馈,明确处于操作中的印刷工艺操作是否良好,达到预防缺陷生产的目的。


康耐视机器视觉产品

AOI光学检测是工业生产中执行测量、检测、识别和引导等任务的新兴科学技术,广泛应用于PCB缺陷检测过程。其采用光学照明与图像传感技术,获取被测量物体信息,通过数字图像处理增强目标特征,利用模式识别、机器学习、深度学习等算法提取特征信息,并进行分类与表征,最后反馈给执行控制机构,实现产品分类、分组分选、质量控制等生产目标。基本原理就是用各种光学成像技术与系统模拟人眼的视觉成像功能,用计算机处理系统代替人脑执行实时图像处理、特征识别与分类,用执行机构代替人手完成操作。

消费类电子的元器件尺寸小,质量标准高,机器视觉能够很好解决生产过程中的问题。加上消费类电子生命周期短,需求量大,极大的拉动了机器视觉市场的需求。据研究报告显示,机器视觉在消费电子、半导体领域的市场规模在2019年接近30亿的水平。

未来:机器视觉应用不断扩宽

从大趋势来看,机器视觉未来的商机几乎是无限的。一方面,制造业向高端方向发展,机器视觉有人眼无可比拟的优势。另一方面,把生产任务交给机器,服务给人是未来经济模式。机器视觉代替人眼,不仅能够提高生产效率,而且有效降低人力成本。

从应用来看,除了传统的汽车制造以及新兴的电子行业,食品包装与制药行业外,仓储物流等领域,对视觉技术应用的探索不断深化。

机器视觉在食品包装领域适用范围广泛,可用于检测瓶子的分类和液体测量、标签、外包装检测等等。食品包装是食品质量的重要保障,可以保护食品在流通过程中免受污染。同时,食品包装的观赏性也会刺激消费者购买欲望。为此,食品包装检测是控制不合格食品流入市场的关键环节。

制药企业在生产过程中,药品关系到人的生命健康。即使微小的缺陷,都可能引发医疗事故。目前,在数粒、打码、泡罩版却粒、药名残缺和短片、编码识别等检测环节上,机器视觉的检测内容丰富、稳定、精确,满足了企业生产质量把控要求。

在物流仓储行业,QR-code、射频识别(RFID)、定位系统等技术,广泛应用於物流业运输、仓储、配送、包装、装卸等环节。AI、机器学习等先进技术,还可让物流系统拥有推理判断和自行解决物流中某些问题的能力。

结语

机器视觉的应用领域会越来越广泛,那么应用领域拓宽的推动力,除了市场因素外,技术的推动力在哪里?专业人士指出,深度学习技术是机器视觉拓宽应用场景的推力。目前,主流的机器视觉技术,仍采用传统的方式,即将数据表示为一组特征,分析特征或输入模型后,输出得到预测结果,在结构化场景下定量检测具有高速、高准确率、可重复等优势。但随着机器视觉应用领域扩大,传统方式显示出通用性低,难以复制。深度学习对原始数据通过多步特征转换,得到更高层次、更加抽象的特征表示,并输入预测函数得到最终结果,同时将机器视觉的效率和鲁棒性与人类视觉的灵活性相结合,完成复杂环境的检测。