東莞市瑞智光電科技有限公司
專注于機器視覺、AI人工智能、激光、視覺檢測設備！
專注于機器視覺、AI人工智能、激光、視覺檢測設備！
2020-11-02 14:50:30 責任編輯： 瑞智光電 0
機器視覺是利用計算機來模擬人類視覺作用，以讓機器設備得到有關視覺信息內容和進行理解。可分為“視”和“覺”兩部分基本原理。
“視”是將外界信息內容利用成像來顯示成數字信號反饋給計算機，必須依靠一整套的硬件解決方案，主要包括燈源、照相機、圖像收集卡、視覺傳感器等。“覺”則是計算機對數字信號進行處理和分析，要緊是軟件算法。
機器視覺在工業上運用行業寬闊，關鍵作用主要包括：檢測、檢驗、識別、定位等。
產業鏈能夠分為上游部件級市場、中游系統一體式/整機設備市場和下游運用市場。
機器視覺上游有燈源、鏡頭、工業鏡頭、圖像收集卡、數字圖像處理軟件等軟硬件帶來商，中游有一體式和整機設備帶來商，行業領域下游運用較廣，要緊下游市場主要包括電子制造行業領域、汽車、印刷包裝、煙草、農業、醫藥、紡織和交通等行業。
機器視覺全球市場要緊分布在北美、歐洲、日本、中國等地區，依照統計數據，2014年，全球機器視覺系統及部件市場規模是36.7億美金，2015年全球機器視覺系統及部件市場規模是42億美金，2016年全球機器視覺系統及部件市場規模是62億美金，2002-2016年市場年均復合增長率為12%左右。而機器視覺系統一體式，依照北美市場數據估算，大約是機器視覺及部件市場的6倍。
中國機器視覺起步于80年代的技術引入，伴隨著98年半導體工廠的整線引入，也帶入機器視覺系統，06年往常國產機器視覺商品要緊集中在外資制造企業，規模都較小，06年開始，工業機器視覺運用的用戶群開始擴大到印刷、食品等檢驗行業，2011年市場開始高速增長，伴隨著人力成本的提升和加工制造業的升級要求，加上計算機視覺技術的快速進展，越來越多機器視覺方案滲透到各行業，到2016年我國機器視覺市場規模已達近70億元。
機器視覺中，缺陷檢測功能，是機器視覺運用得最多的作用之一，主要檢驗商品表面的各類信息內容。在現代工控自動化生產制造中，連續大大批量生產制造中每個制程都有一定的次品率，單獨看盡管比率很小，但相乘后卻成為企業難以提升良率的瓶頸，同時在利用完整制程后再剔除次品成本會高很多（例如，如果錫膏印刷工序存在定位偏差，且該咨詢題直到芯片貼裝后的在線檢驗才被發現，那么返修的成本將會是原成本的100倍之上），因而及時檢驗及次品剔除對品質控制和成本控制是特別關鍵的，也是加工制造業進一步升級的關鍵基石。
一、在檢測行業領域，與人類視覺相比，機器視覺優勢明顯
1、精確度高：人類視覺是64灰度級，且對微小目標分辨力弱；機器視覺可顯著提升灰度級，同時可觀測微米級的目標；
2、速度快：人類是無法看清快速運動的目標的，機器設備快門時刻則可以達到微秒級不；
3、穩定性高：機器視覺解決了人類一個特別嚴峻的咨詢題，不穩定，人工目檢是勞動特別枯燥和辛苦的行業領域，無論你設計怎么樣的獎懲制度，都會發生較為高的漏檢率。然而機器視覺檢測機則沒有疲勞咨詢題，沒有情緒波動，只要是你在算法中寫好的東西，每一次都會認真執行。在質控中大大提高效果可控性。
4、信息內容的一體式與留存：機器視覺得到的信息內容量是全面且可追朔的，有關信息內容能夠很便捷的一體式和留存。
二、機器視覺技術近年進展迅速
1、圖像收集技術進展迅猛
CCD、CMOS等固件越來越成熟，圖像敏感器件規格不斷縮小，像元數量和數據率不斷提升，分辨率和幀率的提高速度能夠講日新月異，商品系列也越來越豐富，在增益、快門和信噪比等參數上不斷優化，利用關鍵檢驗指標（MTF、畸變、信噪比、燈源亮度、均勻性、色溫、系統成像能力綜合評估等）來對燈源、鏡頭和照相機進行綜合選擇，使得很多往常成像上的難點咨詢題得以不斷突破。
2、數字圖像處理和模式識別進展迅速
數字圖像處理上，伴隨著圖像高精密的邊緣信息內容的提取，很多原本混合在背景噪聲中難以直截了當檢驗的低對比度缺陷開始得到分辨。
模式識別上，本身能夠看作一個標記過程，在一定量度或觀測的基礎上，把待識模式劃分到各自的模式中去。圖像識別中應用得較多的要緊是決策理論和結構方法。決策理論方法的基礎是決策函數，利用它對模式向量進行分類識別，是以定時描述（如統計紋理）為基礎的；結構方法的關鍵是將物體分解成了模式或模式基元，而不同的物體結構有不同的基元串（或稱字符串），利用對未知物體利用給定的模式基元求出編碼邊界，得到字符串，再依照字符串推斷它的屬類。在特征生成上，很多新算法不斷浮現，主要包括基于小波、小波包、分形的特征，和獨二重量分析；還有關子支持向量機，變形模板匹配，線性和非線性分類器的設計等都在不斷延展。
3、深度學習帶來的突破
傳統式的機器設備學習在特征提取上要緊依靠人來分析和建立邏輯，而深度學習則利用多層感知機模擬大腦工作中，構建深度神經網絡（如卷積神經網絡等）來學習簡單特征、建立復雜特征、學習映射并輸出，訓練過程中全部層級都會被不斷優化。在具體的運用上，例如全自動ROI區域分割；標點定位（利用防真視覺可靈活檢驗未知缺陷）；從重噪聲圖像重檢驗無法描述或量化的缺陷如橘皮缺陷；分辨玻璃蓋板檢驗中的真假缺陷等。伴隨著越來越多的基于深度學習的機器視覺軟件推向市場（主要包括瑞士的vidi，韓國的SUALAB，香港的應科院等），深度學習給機器視覺的賦能會越來越明顯。
4、3d視覺的進展
三維視覺還處在起步時期，很多運用程序都在使用三維表面重構，主要包括導航、工業檢驗、逆向工程、測繪、物體識別、檢測與分級等，但精密度咨詢題限制了三維視覺在很多場景的運用，目前工程上最先鋪開的運用是物流里的標準件體積檢測，相信將來這塊潛力極大。
三、要全面替代人工目檢，機器視覺還有眾多難點有待攻破
1、燈源與成像：機器視覺中優質的成像是第一步，由于不同材料物體表面反光、折射等咨詢題都會妨礙被測物體特征的提取，因而燈源與成像能夠講是機器視覺檢驗要攻克的第一個難關。比如如今玻璃、反光表面的刮痕檢驗等，很多時候咨詢題都卡在不同缺陷的一體式成像上。
2、重噪音中低對比度圖像中的特征提取：在重噪音環境下，真假缺陷的鑒不很多時候較難，這也是很多場景始終存在一定誤檢率的緣故，但這塊利用成像和邊緣特征提取的快速進展，類似在不斷取得各類突破。
3、對非預期缺陷的識別：在運用中，通常是給定一些具體的缺陷模式，使用機器視覺來識別它們到底有沒有發生。但經常遇到的情況是，很多明顯的缺陷，由于之前沒有發生過，或者發生的模式過分多樣，而被漏檢。如果換做是人，盡管在操作流程文件中沒讓他去檢驗那個缺陷，然而他會留意到，從而有較大幾率抓住它，而機器視覺在這點上的“智慧”目前還較難突破。
1、上游部件級市場
要緊主要包括燈源、鏡頭、工業鏡頭、圖像收集卡、數字圖像處理軟件等帶來商，近幾年智能照相機、工業鏡頭、燈源和板卡都保持了不低于20%的增速。依照中國機器視覺產業聯盟（CMVU）調查統計，如今已進入中國的國外機器視覺牌子已近200多家（如康耐視、達爾薩、堡盟等為代表的關鍵部件制造商，以基恩士、歐姆龍、松下、邦納、NI等為代表的則同時涉足機器視覺關鍵部件和系統一體式），中國自有的機器視覺牌子也已有100多家（如海康、華睿、盟拓光電、神州視覺、東莞燦銳、上海方誠、上海波創電氣設備等），機器視覺各類商品代理商超過300家（如東莞鴻富視覺、微視新紀元、三寶興業、凌云光、太陽視覺等）。很多國產機器視覺的部件市場基礎上從代理海外牌子開始，很多企業均與海外的同行有較好的合作，且這種合作具有一定的排他性，這給潛在進入者帶來了一定的門檻，因而優質商品的代理商也都有不錯的市場競爭能力和利潤表現。同時，以海康、華睿為代表的國內工業視覺關鍵部件正在快速崛起。
2、中游系統一體式和整機設備市場
國產中游的系統一體式和整機設備商有100多家，他們能夠給各行業領域全自動化企業帶來綜合的機器視覺方案，如凌云光、微視新紀元、嘉恒、凌華、太陽視覺、鼎信、大恒圖像等。由于國產商品與國外依然有不小差距，很多中游系統一體式商和整機設備商又是從關鍵零部件的貿易做起來的，因而很多在視覺商品的選擇方面，依然更為青睞海外牌子。國產牌子為推廣自身的軟硬件商品，通常必須進展自身的方案一體式能力，才能更好的面對市場競爭。
3、下游運用市場
機器視覺下游，要緊是給終端用戶帶來非標全自動化綜合解決方案的企業，行業領域屬性特別強，關鍵競爭能力是對行業領域和生產制造的綜合理解和多類技術融合。由于行業領域全自動化的更迭有一定周期性，深受行業領域整體升級速度、出貨量和利潤狀況妨礙，因而近兩年來說，拉動機器視覺運用普及最要緊的依然在電子加工制造業，其次是汽車和制藥。
（1）半導體和電子生產制造行業領域：從國產機器視覺工業上的運用分布來說，46%都集中在電子及半導體制造行業領域，主要包括晶圓加工制造的分類切割、PCB檢驗（底片、內/外層板、成品外型終檢等）、SMT貼裝檢驗、LCD全流程的AOI缺陷檢驗、各類3c組件的表面缺陷檢驗、3c商品外型檢驗等。
（2）汽車：車身裝配檢驗、零部件的幾何規格和誤差檢測、表面和內部缺陷檢驗、間隙檢驗等。
（3）印刷、包裝檢驗：煙草外殼印刷、食品的包裝和印刷、藥品的鋁塑板包裝和印刷等。
（4）農業：對農商品的分級、檢測和分類。
（5）紡織：對異纖、云織、經疵、緯疵等缺陷檢驗、織物表面絨毛鑒定、紗線結構分析這些。
五、機器視覺系統將來進展趨勢
1、嵌入式解決方案進展迅猛，智能照相機性能與成本優勢突出，嵌入式PC會越來越強大。
2、模塊化的通用型軟件平臺和人工智能軟件平臺將落低開發設計人員技術規定和縮短開發設計周期。
3、3d視覺將走向更多運用場景。
