在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
机器视觉一直是工业自动化领域发展最快的部分之一。虽然机器视觉背后的基本原理随着时间的流逝变化并不大，但制造商仍在继续寻找创造性的方法，将这些基本原理延伸到新的创新产品中。机器视觉的创新有多种形式，但下述机器视觉的4项技术进展对该行业的影响最大：智能相机的普及；光学与照明；网络浏览器界面；以及人工智能/机器学习。
1.智能相机的普及
在工业机器视觉应用中，系统获取图像后，对图像执行一些自动检查或分析控制工程网版权所有，然后基于该检查或分析的结果，对系统作出更改。对图像执行检查或分析的处理功能可能分布在很多地方，例如：工厂车间的PC、云端或者相机上。
随着信息技术（IT）和运营技术（OT）的融合，以及OT领域工业网络安全意识的提高，客户已经将厚重的客户端PC资产从生产车间移除，并将这些任务转移到虚拟环境中，无论是内部部署还是部署云端。机器视觉PC也不例外。有些客户的IT部门要求，除非有必要否则不要将PC资产布置在车间。
使用智能相机，无需另一台车间PC，减少了安全风险和IT维护工作。要使应用适用于智能相机而不是PC，其处理器必须足够快以满足需求，这一因素取决于生产线的速度和检测的复杂性。
摩尔定律预测了集成电路中晶体管数量增长的规律。该原理至今仍被引用，影响了现代集成电路中可用的计算能力。在不断变化的新相机型号中，机器视觉行业可靠地利用了这一点，特别是相对于其它工业硬件而言。
可编程逻辑控制器（PLC）或变频器的零件可能保持数年或数十年不变，但智能相机制造商每年或每两年都会推出新的零件编号。这是因为计算能力会直接影响处理图像的能力，制造商必须利用现代的集成电路www.cechina.cn，否则就会落后于竞争对手。
虽然仍有一些应用需要PC的处理能力，但随着智能相机可用功能的不断增长，它们正在吸纳更多的应用。现在，智能相机甚至可以用于3D和人工智能等高级应用。
2.机器视觉光学与照明
俗话说“垃圾进、垃圾出”，机器视觉也是如此。处理结果的品质与提供的图像品质是息息相关的。图像必须以某种方式呈现特征，以便对其进行分析。因此，机器视觉制造商已经设计出令人兴奋的新方法来揭示以前未被发现的特征。除了现代透镜和视觉传感器不断扩展的分辨率能力外，光学和照明领域也取得了引人注目的进步。
适用于不同工作距离的解决方案
机器视觉系统始终面临的一个挑战，是摄像机和检测点之间的距离随应用的不同而不同。例如，一条生产线上生产多个不同尺寸或高度的产品。很多时候，对工作距离范围和景深的要求超出了单个镜头的能力。在过去，需要在转换过程中重新定位摄像头、配置多个摄像头或使用可以机械调整焦距的镜头来解决这些问题。
现代解决方案则是使用液体透镜技术。以前的机械聚焦透镜解决了不同距离的问题，但它们的响应时间很慢，并且由于存在运动部件的原因，会出现可靠性问题。液体透镜，因其缺少运动部件可以解决这个问题。
最近，除了动态焦距调整外，还可以进行机载距离测量的摄像机已经可用。当产品出现在摄像机下时，板载激光距离传感器可以检测工作距离，并通过液体透镜自动调整到适当的焦距。这对于产品可能会在未知高度变化的情况下下线的应用是非常有用的。
机器视觉专用照明
在表面上提取细微的卡位、蚀刻或浮雕字符，可能会给视觉系统带来挑战。传统照明的组合可以提取一些特征，但很少能提取出凹痕或凸起表面的真实形式。现在，制造商不再使用单一光源照明，而是允许从不同方向将多个光源对准同一位置，以交替照射，并在每次照射时捕获图像。然后将这些图像智能地合成在一起，形成一幅图像，该图像可以暴露出均匀表面上的小凹痕或其它偏差。
用于机器视觉的可转向镜
对于旋转镜1D光栅激光扫描仪来说，这可能有点时光倒流的感觉，但转向镜正被用于机器视觉的一个新用途。供应商正在使用可控制的镜子，在更大区域内使用相机并将其重定向到多个位置，从而有效地完成多个摄像头的工作。当然，也有速度方面的考虑，但对于许多应用（如托盘标签条形码扫描）来讲，这使原本无法实现的解决方案变得更经济。
3.用于机器视觉的网络浏览器界面
运营和维护与相机交互的能力，对于及时排除故障和解决问题至关重要。这需要专有硬件或软件来查看图像或更改程序或配置。
然而，较新的智能相机已经有所改变，相机本身内置了一个网络服务器，只需使用网络浏览器即可进行显示和配置。在配置了机器视觉的设备上，典型的人机界面（HMI）需要与摄像头和控制系统（如PLC）连接。现在，相机上的Web界面允许通过简单的网络浏览器组件，将相机界面无缝集成到行业标准的HMI应用中。
如果摄像头未定位或对焦，维护技术人员现在可以从手机、平板电脑或维护笔记本电脑上查看相机界面控制工程网版权所有，而无需生产线上固定的HMI。
4.人工智能/机器学习
随着时间的推移，我们经常被要求检查产品，确认其“良好”且无瑕疵或异物。对于传统的机器视觉工具来说，这始终是一个挑战。我们如何定义“好”和“坏”，标准是什么？我们如何检测出我们没有预料到的、以前没有见过的缺陷？
通过多种工具的组合，用户可以确保某个区域没有碎屑www.cechina.cn，或某个边缘干净，或确认另一个可量化指标控制工程网版权所有，但这需要用户提前知道并定义合格/不合格的指标。
设想一下，试图通过可量化的要求来定义视觉系统，在不断变化的背景下，例如冷冻披萨上的头发，可以是任何长度、卷曲、颜色、弯曲或方向上。这是一项几乎不可能完成的任务。对于机器视觉系统来说，决定什么是头发，什么是奶酪，在过去可能是天方夜谭，但现在它是机器视觉应用中真正可得的解决方案。
我们可以捕获一些“好”和“坏”的图像，然后将它们提供给机器视觉系统，而不是由组合视觉工具来定义离散的通过/失败指标。使用这些图像和一些以缺陷分类形式进行的初始监督，系统创建了一个神经网络模型，以用于未来的检查。
人工智能（AI）分析图像的概念并不新鲜。事实上，许多最大的技术公司为AI图像分析和其他AI产品提供商业解决方案。它们可以利用自己在云端的计算能力来创建复杂的神经网络算法，这些算法可以被工厂的边缘设备利用。这项技术的应用范围远远超出了制造业，但随着工业4.0的兴起，科技巨头正开发专门针对制造业的应用。
另一个复杂的应用，是生产线上按需打印的光学字符验证（OCV）检查。该应用通常是制造商用于确认打印清晰准确的代码日期。按需打印系统（如喷墨打印、激光打印）的质量会有所不同，而且不同的打印字体并不总是一致的，这对机器视觉系统来说是一个挑战。
尤其是当印刷在产品背景不断变化的透明表面上时，将更具挑战性，因为这会在字符轮廓处产生对比度问题。在AI摄像头的帮助下，神经网络模型现在可以更好地区分字符和背景。（作者：Andrew Abramson, Grantek）
.jpg)
AVEVA InTouch Unlimited试用版下载
福禄克三大“法宝”帮您搞定过程仪表校准难题
2024年度最佳产品奖颁奖典礼会后报道
2024全球自动化和制造主题峰会会后报道
阿自倍尔液体检测产品有奖试用
