计算机视觉

在今天的博客中，我们将讨论与工业 4.0 相关的工业领域中应用最多的技术之一：计算机视觉。这是一项具有多种可能性的技术，通过应用它可以解决生产工厂中常见的各种问题。

计算机视觉技术正在不断发展和发展，这要归功于它们所采用的新的、更强大的传感器以及新的图像处理技术。

接下来，我们将更详细地解释什么是计算机视觉、它的应用、计算机视觉类型、深度学习、图像处理是什么、照明的重要性以及它可以为流程或公司带来的好处。

什么是计算机视觉？

计算机视觉是 工厂越来越多地使用的技术之一。计算机视觉系统以图像的形式从环境中获取信息 ，可以有多种类型，对其进行处理和分析 .要理解它，您可以考虑一下我们如何通过感官来理解我们的环境。在这种情况下，眼睛帮助我们从周围的世界中获取信息，而视觉系统执行相同的任务来将这些信息数字化，以便机器可以对其进行处理。

为了获得这些图像，传感器被放置。它们可以是不同的类型：2D 相机、高光谱相机、3D 相机等。它们都为我们提供了有关环境的信息，这些信息随后被处理以获得我们需要的信息。

计算机视觉系统并不是一个孤立的系统，与工厂的其他元素没有关系，而是与接收和发送信息的其他过程集成在一起。

计算机视觉应用

（您可能还对我们的帖子感兴趣“计算机视觉的七种应用” )
您可以想到许多可以使用计算机视觉的领域、非常多样化的应用程序和不同的目的。这是因为计算机视觉中使用了许多类型的传感器，并且可以覆盖许多工作区域和许多工业部门。使用计算机视觉系统的一些最杰出的应用包括：计量学、零件缺陷检测、侵入性元素检测、读取不同类型的代码或作为质量系统。

用于缺陷检测的计算机视觉

它是计算机视觉最著名的应用之一。计算机视觉系统一旦经过训练就能够检测缺陷。缺陷的范围包括金属裂纹、油漆缺陷、毛刺、不正确的打印以及许多其他选项。他们能够检测到的缺陷可以达到小于 0.05 毫米。通过向系统图像输入有缺陷和没有缺陷的图像进行训练。

用于计量的计算机视觉

借助计算机视觉，可以进行精度高达微米的测量。这些是使用激光计量设备或探头进行的应用。

计算机视觉设备和传感器的进步使得每次都能获得更高质量的图像。因此，这些类型的系统用于高精度计量 .借助视觉系统，可以测量高达微米的尺寸来检测特定部件中的缺陷。

用于入侵检测的计算机视觉

另一方面，传感器的多样性也允许使用其他类型的图像，而不是通常的 RGB 图像。例如，使用高光谱相机，您可以区分材料的成分，在许多情况下，这些成分可以提供相关信息。这种技术作为一种质量体系被广泛用于农业食品领域。多亏了它们，我们才能区分水果和石头，或者检测塑料残留物或其他不受欢迎的入侵者。

用于代码阅读的计算机视觉

视觉系统最著名的应用之一是识别或代码阅读 .
今天，有许多系统可以识别各种代码，例如，在许多过程中具有可追溯性。

用于装配验证的计算机视觉

每天制造越来越复杂的组件，具有更多的部件或连接。计算机视觉允许我们逐步检查每个部件是否到位，或者在流程结束时，最终组装是否正确。此应用程序对于非常复杂的机械、设备、电子板或预组装件的组装非常有用。这些系统大大减少了非常复杂的操作周期时间和重新操作时间。

计算机视觉 + 机器人拣选

最后，我们最需要的应用之一是将协作机器人技术与计算机视觉相结合，以便能够在混乱中执行垃圾箱拣选。这些碎片是乱序的，因此我们需要优化轨迹并检测抓地力坐标。机器人需要帮助来告诉你碎片是什么以及它在哪里，以便它可以决定获得碎片的最佳方式。

关于机器人技术，我们将讨论自适应机器人技术，它适应环境并能够智能地行动。这是通过添加传感器来实现的，这些传感器与机器人进行通信并为其提供有关其环境的信息，以便能够在不同的情况下采取行动。视觉系统将此类信息提供给机器人以采取行动，例如，在位置变化、障碍物、混乱拾取碎片等情况下。

如您所见，计算机视觉的可能性是无穷无尽的，在 ATRIA 我们已经成功开展了许多项目 在这个区域。

计算机视觉的好处

最后，我们想谈谈计算机视觉为生产流程带来的一些好处。

• 借助计算机视觉系统，您可以自动执行重复性检查任务 .
• 视觉系统不会疲劳并消除检查中的主观因素 .
• 在许多情况下， 100% 生产检验 可以在没有身体接触的情况下进行，在没有它的情况下是不可行的。
• 降低了维修和报废成本 能够在生产过程的早期检测出状况不佳的零件或元件。
• 自动化允许缩短周期时间 操作次数。
• 计算机视觉提供额外的操作和安全性 减少人类参与制造过程的好处。
• 保护工人免受危险环境的影响 .

l深度学习和标记图像

计算机视觉与深度学习相结合，可以开发更智能的应用程序，在高度可变的情况下采取行动并从环境中学习。深度学习算法从从环境中获取的数据中学习并学习它们的特征，以便能够在不同的情况下采取行动、进行分类或检测对象。在许多情况下，这些数据是相机获得的图像。不要忘记创建这些算法需要训练的数据集。用于创建这些数据样本的传感器非常重要。在这种情况下，数据将是图像，其质量捕获以及随后的标记和过滤对于深度学习应用程序的正常运行至关重要。

计算机视觉类型

我们已经提出了计算机视觉系统中使用了不同类型的传感器。这里我们要说最重要的：

二维视觉

首先，我们找到 2D 矩阵相机 以 RGB 格式获取图像，即我们所知的彩色或灰度图像。这些相机获得的图像，翻译后，是划分为像素的矩阵，其中包含颜色信息。这些相机具有多种可能性，可用于字符识别、计量、代码读取或缺陷检测等不同应用。

高光谱视觉

另一方面，有 高光谱相机 ，可以通过测量波长来了解材料的成分。通过这种方式，可以检测出石头、塑料等入侵者。它们广泛用于食品领域。

热成像

另一种存在的计算机视觉技术是热成像 .从这些传感器中，以图像的形式获得有关样品或物体温度的信息。它们由提供温度信息的色标表示。它用于泄漏检测或负载不平衡等应用。

3D 视觉

最后，我们将讨论 3D 相机 .这些类型的传感器提供深度信息。还有不同类型的 3D 相机，可以覆盖非常广泛的应用。它们用于拾取零件或检测其他应用中的缺陷。

计算机视觉中的图像处理包括什么？

从我们谈到的传感器获得的图像的处理是从数字图像中提取必要信息的机制。为此，有必要使用特定的软件来为图像的每种应用类型执行必要的处理。

目前有不同的商业系统或智能相机，它们具有图像处理工具。很多时候，这些工具对于特定的应用程序来说已经足够了，但在其他时候，则需要开发提供必要多功能性的特定软件。

处理图像后，一旦获得结果或必要的信息，该信息将作为系统的输出返回到外部（以警告缺陷、返回测量结果或为机器人提供坐标以采取行动）。

光照在计算机视觉中的重要性

除了捕获数据的传感器之外，在视觉系统中，还使用了辅助元素来提高所获得数据的质量，这在很多时候对于它们的正常运行至关重要。

这些最重要的外部元素之一是照明 .在许多情况下，包括外部照明系统可确保正确捕获图像。在这个项目中， 例如，使用特定的照明来正确获取碎片的图像，并且没有反射。

计算机视觉系统有不同的照明系统，具体取决于我们需要照明的材料类型、距离、背光和许多其他参数。一些最常用的照明系统是直接、间接或“背光” 灯光。当然也可以用led灯照明，白色或红色 .这些只是现有的一些示例，必须针对每个特定应用进行研究，这将使我们能够获得对我们的流程有用的图像。

相关项目：

• 使用协作机器人进行终端功能测试
• 自动比色皿清洗系统
• 远程过程监控的感应