登录 用户注册
                返回旧版
                资讯活动

                机器视觉在工业检测中的应用情况

                发布时间:2019-03-13 来源:金属加工
                关键字: 智能制造 人工智能

                  机器视觉是通过计算机来模拟人类视觉功能,以让机器获得相关视觉信息和加以理解。可分为“视”和“觉”两部分原理,“视”?#22681;?#22806;界信息通过?#19978;?#26469;显?#22659;?#25968;?#20013;?#21495;反馈给计算机,需要依靠?#24509;?#22871;的硬件解决方案,包括光源、相机、图像采集、视觉传感器等;“觉”则是计算机对数?#20013;?#21495;进行处理和分析,主要是软件算法。

                机器视觉在工业检测中的应用情况

                  机器视觉在工业上应用领域广阔,核心功能包括:测量、检测、识别、定位等。产业链可以分为上游部件级市场、中游系统集成/整机装备市场和下游应用市场。机器视觉上游有光源、镜头、工业相机、图像采集卡、图像处理软件等软硬件提供商,中游有集成和整机设备提供商,行业下游应用较广,主要下游市场包括电子制造行业、汽车、印刷包装、烟草、农业、医药、纺织和交通等领域。

                  机器视觉全球市场主要分布在北?#39304;⑴分蕖?#26085;本、中国等地区,根据统计数据,2014年,全球机器视觉系统及部件市场规模是36.7亿美元,2015年全球机器视觉系统及部件市场规模是42亿美元,2016年全球机器视觉系统及部件市场规模是62亿美元,2002-2016年市场年均复合增长率为12%左右。而机器视觉系统集成,根据北美市场数据估算,大约是视觉系统及部件市场的6倍。

                  中国机器视觉起步于80年代的技术引进,随着98年半导体工厂的整线引进,也带入机器视觉系统,06年以前国内机器视觉产?#20998;?#35201;集中在外资制造企业,规模都较小,06年开始,工业机器视觉应用的客户群开始扩大?#25509;?#21047;、食品等检测领域,2011年市场开始高速增长,随着人工成本的增加和制造业的升级需求,加上计算机视觉技术的快速发展,越来越多机器视觉方案渗透到各领域,到2016年我国机器视觉市场规模已达近70亿元。

                  机器视觉中,缺陷检测功能,是机器视觉应用得最多的功能之一,主要检测产品表面的各?#20013;?#24687;。在?#25191;?#24037;业自动化生产中,连续大批量生产中每个制程?#21152;?#19968;定的次品率,单独看虽然比率很小,但相乘后却成为企业难以提高良率的瓶?#20445;?#24182;且在经过完整制程后再剔除次品成本会高很多(例如,如果锡膏印刷工序存在定位偏差,且该问题直到芯片贴装后的在线测试才被发现,那么返修的成本将会是原成本的100倍以上),因此及时检测及次品剔除对质量控制和成本控制是非常重要的,也是制造业进一步升级的重要基石。

                  1、在检测行业,与人类视觉相比,机器视觉优势明显

                  1)精确度高:人类视觉是64灰度级,且对微小目标分辨力弱;机器视觉?#19978;灾?#25552;高灰度级,同时可观测微米级的目标;

                  2)速度快:人类是无法看清快速运动的目标的,机器快门时间则可达微秒级别;

                  3)稳定性高:机器视觉解决了人类一个非常?#29616;?#30340;问题,不稳定,人工目检是劳动非常枯燥和?#37327;?#30340;行业,无论你设计怎样的?#32972;?#21046;度,都会发生比较高的漏检率。但是机器视觉检测设备则没有疲劳问题,没有情绪波动,只要是你在算法中写好的东西,每一次都会认真执行。在质控中大大提升效果可控性。

                  4)信息的集成与留存:机器视觉获得的信息量是全面且可追溯的,相关信息可以很方便的集成和留存。

                  2、机器视觉技术近年发展迅速

                  1)图像采集技术发展?#35813;?/p>

                  CCD、CMOS等固件越来越成熟,图像敏感器件尺寸不断缩小,像元数量和数据率不断提高,分辨率和帧率的提升速度可?#36816;等?#26032;月异,产品系列也越来越丰富,在增益、快门和信噪比等参数上不断优化,通过核心测试指标(MTF、畸变、信噪比、光源亮度、均匀性、色温、系统?#19978;?#33021;力综合评估等)来对光源、镜头和相机进行综合选择,使?#29028;?#22810;以前?#19978;?#19978;的?#35757;?#38382;题得以不断突破。

                  2)图像处理和模式识别发展迅速

                  图像处理上,随着图像高精度的边缘信息的提取,很多原本混合在背景噪声中难?#28798;?#25509;检测的低对比度瑕疵开始得到分辨。

                  模式识别上,?#26087;?#21487;以看作一个标记过程,在一定量?#28982;?#35266;测的基础上,把待识模式划分到各自的模式中去。图像识别中运用?#23186;?#22810;的主要是决策理论和结构方法。决策理论方法的基础是决策函数,利用它对模式向量进行分类识别,是?#36828;?#26102;描述(如统计纹理)为基础的;结构方法的核心?#22681;?#29289;体分解成了模式或模式基元,而不同的物体结构有不同的基元串(或称字符串),通过对未知物体利用给定的模式基元求出编码边界,得到字符串,再根据字符串判断它的属类。在特征生成上,很多新算法不断出现,包括基于小波、小波包、?#20013;?#30340;特征,?#32422;?#29420;二分量分析;还有关子支持向量机,变?#25991;?#26495;匹配,线性?#32422;?#38750;线性分类器的设计等都在不断延展。

                  3)深度学习带来的突破

                  传统的机器学习在特征提取上主要依靠人来分析和建立逻辑,而深度学习则通过多层感知机模拟大脑工作,构建深度神经网络(如卷积神经网络等)来学习简单特征、建立复杂特征、学习?#25104;?#24182;输出,训练过程中所有层级都会被不断优化。在具体的应用上,例如自动ROI区域分割;标点定位(通过防真视觉可灵活检测未知瑕疵);从重噪声图像重检测无法描述或量化的瑕疵如橘皮瑕疵;分辨玻璃?#21069;?#26816;测中的真假瑕疵等。随着越来越多的基于深度学习的机器视觉软件推向市场(包括瑞士的vidi,韩国的SUALAB,香港的应科院等),深度学?#26696;?#26426;器视觉的赋能会越来越明显。

                  4)3d视觉的发展

                  3D视觉还处于起步阶段,许多应用程序都在使用3D表面重构,包括导航、工业检测、逆向工程、测绘、物体识别、测量与分级等,但精度问题限制了3D视觉在很多场景的应用,目前工程上最先铺开的应用是物流里的标准件体积测量,相信未来这块潜力巨大。

                  3、要全免替代人工目检,机器视觉还有诸多?#35757;閿写?#25915;?#30130;?/p>

                  1)光源与?#19978;瘢?#26426;器视觉中优质的?#19978;?#26159;第一步,由于不同材料物体表面反光、折射等问题都会影响被测物体特征的提取,因此光源与?#19978;?#21487;?#36816;?#26159;机器视觉检测要攻克的第一个难关。比如现在玻璃、反光表面的划痕检测等,很多时候问题都卡在不同缺陷的集成?#19978;?#19978;。

                  2)重噪音中低对比度图像中的特征提取:在重噪音环境下,真假瑕疵的鉴别很多时候较难,这也是很多场景始终存在一定误检率的原因,但这块通过?#19978;?#21644;边缘特征提取的快速发展,已经在不?#20808;?#24471;各种突破。

                  3)对非预期缺陷的识别:在应用中,往往是给定一些具体的缺陷模式,使用机器视觉?#35789;?#21035;它们到?#23376;?#27809;有发生。但经常遇到的情况是,许多明显的缺陷,因为之前没有发生过,或者发生的模式过分多样,而被漏检。如果换做是人,虽然在操作流程文件中没让他去检测这个缺陷,但是他会注意到,从而有较大几?#39318;?#20303;它,而机器视觉在这点上的“智慧”目前还较难突破。

                  4、机器视觉产业链情况

                  1)上游部件级市场

                  主要包括光源、镜头、工业相机、图像采集卡、图像处理软件等提供商,近?#25913;?#26234;能相机、工业相机、光源和板卡都保持了不低于20%的增速。根据中国机器视觉产业联盟(CMVU)调查统计,现在已进入中国的国际机器视觉品牌已近200多家(如?#30340;?#35270;、达尔萨、堡盟等为代表的核心部件制造商,以基恩士、?#32442;?#40857;、?#19978;隆?#37030;纳、NI等为代表的则同时涉足机器视觉核心部件和系统集成),中国自有的机器视觉品牌也已有100多家(如海康、华睿、盟拓光电、神州视觉、深圳灿锐、上海方诚、上海波创电气等),机器视觉各类产品代理商超过300家(如深圳鸿富视觉、微视新纪元、三宝兴业、凌云光、阳光视觉等)。很多国内机器视觉的部件市场都是从代理国外品牌开始,很多企业均与国外的同行有较好的合作,且这种合作具有一定的排他性,这给潜在进入者带来了一定的门槛,因此优质产品的代理商也?#21152;?#19981;错的市场竞争力和利润表现。同?#20445;?#20197;海康、华睿为代表的国产工业视觉核心部件正在快速崛起。

                  2)中游系统集成和整机装备市场

                  国内中游的系统集成和整机装备商有100多家,他们可以给各行业自动化公司提供综合的机器视觉方案,如凌云光、微视新纪元、嘉恒、凌华、阳光视觉、鼎信、大恒图像等。由于国内产品与国?#23460;?#28982;有不小差距,很多中游系统集成商和整机装备商?#36136;?#20174;核心零部件的贸易做起来的,因此很多在视觉产品的选择方面,依然更为青睐国外品牌。国内品牌为推广?#32422;?#30340;软硬件产品,往往需要发展?#32422;?#30340;方案集成能力,才能更好的面对市场竞争。

                  3)下游应用市场

                  机器视觉下游,主要是给终端用户提供非标自动化综合解决方案的公司,行业属性非常强,核心竞争力是对行业和生产的综合理解和多类技术整合。由于行业自动化的更迭有一定周期性,深受行业整体升?#31471;?#24230;、出货量和利润状况影响,因此近两年来看,拉动机器视觉应用普及最主要的?#25925;?#22312;电子制造业,其次是汽车和制药。

                  i.半导体和电子生产行业:从国内机器视觉工业上的应用分布来看,46%都集中在电子及半导体制造行业,包括晶圆加工制造的分类切割、PCB检测(底片、内/外层板、成品外观终检等)、SMT贴装检测、LCD全流程的AOI缺陷检测、各种3c组件的表面缺陷检测、3c产品外观检测等

                  ii.汽车:车身装配检测、零件的?#36127;?#23610;寸和误差测量、表面和内部缺陷检测、间隙检测等

                  iii.印刷、包装检测:烟草外壳印刷、食品的包装和印刷、药品的?#20102;?#26495;包装和印刷等

                  iv.农业:对农产品的分级、检验和分类

                  v.纺织:对异纤、云织、经疵、纬疵等瑕疵检测、织物表面绒毛鉴定、纱线结构分析等等。

                  5、机器视觉系?#28548;?#26469;发展趋势

                  1)嵌入式解决方案发展?#35813;停?#26234;能相机性能与成本优势突出,嵌入式PC会越来越强大

                  2)模块化的通用型软件平台和人工智能软件平台将?#26723;?#24320;发人员技术要求和缩短开发周期

                  3)3d视觉将走向更多应用场景

                  来源:新机器视觉



                微信公众号

                航天云网

                工业互联网观察

                微博

                工业互联网观察

                关注

                咨询建议
                浙江福利彩票双色球