系统可再分为
一个典型的机器视觉系统包括以下五大块
照明是影响机器视觉系统输入的重要因素,它直接影响输入数据的质量和应用效果。由于没有通用的机器视觉照明设备,所以针对每个特定的应用实例,要选择相应的照明装置,以达到效果。光源可分为可见光和不可见光。常用的几种可见光源是白炽灯、日光灯、水银灯和钠光灯。可见光的缺点是光能不能保持稳定。如何使光能在一定的程度上保持稳定,是实用化过程中急需要解决的问题。另一方面,环境光有可能影响图像的质量,所以可采用加防护屏的方法来减少环境光的影响。照明系统按其照射方法可分为:背向照明、前向照明、结构光和频闪光照明等。其中,背向照明是被测物放在光源和摄像机之间,它的优点是能获得高对比度的图像。前向照明是光源和摄像机位于被测物的同侧,这种方式便于安装。结构光照明是将光栅或线光源等投射到被测物上,根据它们产生的畸变,解调出被测物的三维信息。频闪光照明是将高频率的光脉冲照射到物体上,摄像机拍摄要求与光源同步。
FOV(Field of Vision)=所需分辨率*亚象素*相机尺寸/PRTM(零件测量公差比)
镜头选择应注意:
①焦距②目标高度 ③影像高度 ④放大倍数 ⑤影像至目标的距离 ⑥中心点 /节点⑦畸变
视觉检测中如何确定镜头的焦距
为特定的应用场合选择合适的工业镜头时必须考虑以下因素:·视野 - 被成像区域的大小。
工作距离 (WD) - 摄像机镜头与被观察物体或区域之间的距离。
CCD - 摄像机成像传感器装置的尺寸。
·这些因素必须采取一致的方式对待。如果在测量物体的宽度,则需要使用水平方向的 CCD 规格,等等。如果以英寸为单位进行测量,则以英尺进行计算,再转换为毫米。
按照不同标准可分为:标准分辨率数字相机和模拟相机等。要根据不同的实际应用场合选不同的相机和高分辨率相机:
按成像色彩划分,可分为彩色相机和黑白相机;
按分辨率划分,像素数在38万以下的为普通型,像素数在38万以上的高分辨率型;
按光敏面尺寸大小划分,可分为1/4、1/3、1/2、1英寸相机;
按扫描方式划分,可分为行扫描相机(线阵相机)和面扫描相机(面阵相机)两种方式;(面扫描相机又可分为隔行扫描相机和逐行扫描相机);
按同步方式划分,可分为普通相机(内同步)和具有外同步功能的相机等。
图像采集卡只是完整的机器视觉系统的一个部件,但是它扮演一个非常重要的角色。图像采集卡直接决定了摄像头的接口:黑白、彩色、模拟、数字等等。
比较典型的是PCI或AGP兼容的捕获卡,可以将图像迅速地传送到计算机存储器进行处理。有些采集卡有内置的多路开关。例如,可以连接8个不同的摄像机,然后告诉采集卡采用那一个相机抓拍到的信息。有些采集卡有内置的数字输入以触发采集卡进行捕捉,当采集卡抓拍图像时数字输出口就触发闸门。
视觉处理器集采集卡与处理器于一体。以往计算机速度较慢时,采用视觉处理器加快视觉处理任务。采集卡传输图像到存储器,进而计算分析。当前主流配置的PLC,且配置较高,视觉处理器已经几乎退出市场。
下面是一些简单机器视觉系统能够完成的任务示例
1. 图像分类:识别和分类图像中的对象,例如区分照片中是猫还是狗。这是深度学习和机器视觉研究中基本的任务之一。
2. 物体检测:在图像中识别特定物体的位置和大小。例如,监控摄像头可以检测到特定区域内的人员。
3. 质量检测:在制造业中,机器视觉系统可以检测产品的缺陷,如划痕、裂纹或不正确的装配,以确保产品质量。
4. 条码和二维码识别:自动识别和解码产品包装上的条码或二维码,用于物流跟踪和零售管理。
5. 颜色检测:识别图像中的颜色,用于质量控制、分类任务或在图像搜索中找到特定颜色的物体。
6. 简单的面部识别:识别和验证个人的身份,尽管这通常需要更高级的算法,但在一些控制环境下,简单的机器视觉技术也能够进行基本的面部识别。
7. 光学字符识别(OCR):将书面文本(打印或手写)转换为机器编码的文本,用于自动数据录入、文档归档或车牌识别等。
机器视觉怎么学
理解基础概念。首先,理解机器视觉的基础概念,如图像采集、图像处理基本手段(如blob分析、形态学等)。
学习图像处理软件。掌握图像处理软件如HALCON、OpenCV等,这些软件对于机器视觉系统至关重要。学习编程语言。选择一门编程语言,如C++、C#等,并深入学习。对于想要从事机器视觉领域的人来说,Python也是一门非常重要的语言。学习深度学习基础知识。了解深度学习的基础算法原理,如卷积神经网络等
持续学习和实践。机器视觉是一个快速发展的领域,因此持续学习和实践是非常重要的