深度学习和超光谱成像终究成就机器视觉技术的

作者:Tigervs    发布时间:2019-08-26    浏览量:

最近机器视觉行业的创纪录增长部分得益于机器视觉技术和组件的不断进步。机器视觉应用的整体成功始终无可争议地与有能力的系统集成相关联 - 分析,规范,设计和对任务至关重要的组件的实施。在本次讨论中,我们将回顾机器视觉系统集成,并介绍一些重要技术,如3D成像,彩色成像,深度学习和线扫描成像仪以及一些实用信息,以帮助您在检测,计量和指导应用中成功地将其整合并应用到生产制造中。

3D成像

机器视觉3D成像技术

许多应用程序可以从3D空间中出现的对象和特征的识别或表示中受益。在过去几年中,用于关键机器视觉应用(如检查,缺陷分析,计量和机器人引导)的3D成像系统的可用性和种类显着增长。实际上,使用3D技术成功地实现了使用灰度成像无法可靠地解决的某些应用。

3D成像的关键价值在于,所有图像信息都代表空间中的实际点,而不是像2D成像那样的灰度或颜色强度值。这些点可以校准到一些已知的世界坐标系(例如,当信息用于指导时),或者简单地相对于彼此进行分析以提取特征,缺陷和执行3D测量。请注意,3D系统提供相机查看的表面轮廓。

计量和缺陷检测

许多用于计量和缺陷检测的3D成像系统使用扫描和激光三角测量(有时称为距离或深度传感器)来构成图像。这些系统可以提供比其他3D成像技术更高的精度,尽管这些组件具有稍微有限的视野,并且确实需要传感器或部件处于运动中以捕获图像。通常提供的成像工具和算法旨在评估3D特征,并提供包括深度和有时位置的测量。

指导和对象定位或识别

其他3D系统主要关注指导,定位和/或识别的应用。此类别中的某些组件也使用3D激光扫描,而其他组件使用涉及结构化照明的各种技术来收集3D点。对于后者,优点是成像器在没有相机或部件运动的情况下拍摄单个快照。这些系统返回的图像可以是像距离传感器一样的深度图像,也可以是称为点云的3D映射点的集合。这些系统中的软件通过组合相邻点以各种方式定位指导和位置任务并提取几何特征。这些特征可能是简单的定位点,甚至是用CAD数据定义的对象的3D空间匹配。

深度学习

机器视觉深度学习

也许机器视觉行业最热门的流行词现在是深度学习。用称为神经网络的软件算法方法实现的机器学习已存在多年。深度学习是该技术的最新扩展,专门结合了称为卷积神经网络或CNN的网络层。该技术的简单描述是它通过示例对图像进行分类,学习这些分类。就像谷歌的图像搜索功能;你可以上传一张猫的照片,而人工智能会将它归类为猫,甚至可能知道该品种。

理解神经网络和最基本的深度学习是大多数计算机编程爱好者所能及的。然而,机器视觉集成商寻求使用不断增长的产品和库提供机器视觉深度学习功能来实现技术,因此理解深度学习的工作并不是必需的。深度学习机器视觉的整合几乎只是一个展示和走向的过程。

尽管如此,深度学习并不适合所有应用。此外,集成中的关键细节仍然是纯粹的成像任务。深度学习非常有用的应用是那些需要主观分类的应用,例如检测不合格的部分,其中缺陷或不合格的特征在某种程度上是主观的,并且标称的好的部分可以很好地定义(即使好的部分有一些固有的变化)。通常不能很好地指出深度学习的是需要离散分析,计量或定位的应用。有些应用可以通过标准机器视觉,3D成像,彩色成像或深度学习来胜任解决,在这些情况下,必须权衡集成和配置成本和技术。

许多考虑深度学习的错误是认为该技术自动克服了照明,零件展示和光学等集成考虑因素。从这个意义上说,深度学习的成像与所有机器视觉应用相同:对象,缺陷或其他感兴趣的特征必须在对比度和足够的像素分辨率方面与其他部分区分开来,并且必须控制演示确保正确成像。

彩色,多光谱和超光谱成像

彩色,多光谱和超光谱成像

机器视觉的彩色成像集成对于需要识别,区分或验证对象或特征颜色的应用程序非常有用。具有彩色图像数据可以在灰度图像不能的某些情况下增强特征对比度并隔离特征。标准彩色摄像机和工具在基本机器视觉系统中广泛使用,并且是一种可在适当时轻松考虑和集成的成像选项。最常见的彩色摄像机采用三个宽带色彩平面拍摄图像; 红色,绿色和蓝色,并组合这些颜色平面以创建全彩色图像。

一种更强大的彩色成像技术,近年来已经变得更加广泛,但并不是新的,而是高光谱成像技术。这种类型的相机在许多(有时100或更多)非常窄的颜色带宽上获取图像,这些带宽通常从紫外线到近波或短波红外线。这种增强的功能允许集成商为对象或特征定义复杂的颜色轮廓,其精度在基本RGB彩色成像中是不可用的。即使是人眼也可能无法辨别或可见的特征,缺陷和颜色有时可通过高光谱成像轻松检测到。与高光谱成像密切相关的是多光谱成像。多光谱相机在图像中提供较少的色彩平面(通常小于10),并且通常选择颜色带宽并调整到特定应用。超光谱和多光谱相机的规范和集成可能很复杂。大多数高光谱系统必须具有对象。选择带宽和调整颜色配置文件可能需要一些专业技术。

在所有颜色应用中,关键的集成挑战是照明。如果没有为所有感兴趣的颜色提供照明的光源,则无法对颜色内容进行成像。第一直觉是使用白色灯,但我们如何定义白色?不幸的是,流行的机器视觉光源(如LED)可能不是白色,因为光源不能提供均匀的照明而没有丢失或某些波长的强峰。对于给定的应用,可用的白色可能是足够的,只要知道需要更接近颜色区分的应用通常需要更均匀的白光源。通常解决方案是使用像卤素或氙这样的白炽光源。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2020 Tigervs.Com All Rights Reserved 粤ICP备19029139号