机器视觉中的3D传感器的工作原理

作者:Tigervs    发布时间:2019-08-24    浏览量:

近年来,机器视觉中使用的技术变得更加复杂,同时质量检查的应用程序也很容易解决。工业图像处理似乎专注于3D传感器的挑战,并且越来越多的方法被改进并随时可用。因此,机器视觉已转向3D。因此,可以更经济地解决许多应用,包括检查粘合剂珠或焊缝,以及在生产过程中对未分类部件进行料仓拾取或精确测量金属板。

在过去几年中,用于评估和测量点云的软件也得到了很大发展:从仅将图像数据转换为点云,到点云中的测量,计数和匹配。那么获取3D图像数据的方法呢?

机器视觉获取3D图像数据

正如图像处理行业的大多数玩家所知,有几种不同的方式可以获得3D图像。可能最传统的是激光三角测量方法,其可用于垂直市场,例如木材和木材,橡胶和轮胎,汽车和轴,金属和铸铁工业的测量,或其他应用,例如道路表面的测量。

对于激光三角测量,需要在结构光源(例如激光线投影)上精确校准相机,以确保在甚至高的环境温度下高于1kHz的高采样率。通常,测试对象在3D传感器下移动以捕获3D点云。这意味着摄像机会检查投影到物体上的激光线,并根据线轮廓计算高度信息。在相机下移动物体时,会创建几个配置文件,用于完成三维图像。典型设置包含一个直接位于测试对象上方的激光器和一个与激光器成30°角安装的摄像头。但激光和相机的其他几何组合也是可能的。例如,为了获得更精确的高度分辨率,可以扩大相机和激光之间的角度。但必须注意的是,角度越小,摄像机的光线越多,评估越稳定。

激光三角测量

如今有越来越多的软件可以处理3D图像数据。该软件可以将捕获的数据转换为点云,可以直接比较,使分析更容易。

除了激光三角测量方法之外,还有一种称为“条纹投影”的方法。基本原理也是三角测量,但测试对象的整个表面都是一次拍摄的。激光以条纹图案投射光,因此物体不必在传感器下方移动。光线以30°的角度投射到物体上,相机直视着物体。

从具有正弦强度级数的快速连续的至少三个条纹投影中,确定表面的所有点的精确侧向条纹位置。

测量区域可以从小于1毫米缩放到超过1米,但分辨率也分别缩放。简而言之,由于其测量速度和高分辨率的精确测量,条纹投影可用于小型和大型测试对象。条纹投影用于工业检查任务,例如形状偏差的检查,完整性,零件的位置或体积测量等。但是必须记住,条纹投影对环境光敏感。

3D立体相机是另一种方法。它已经存在多年,并且越来越多地用于机器人或调试应用。立体图像处理使用与人眼相同的原理,即立体偏移。为了获得3D图像,该方法基于两个相机的校准。但由于测试对象并不总是具有相同的特定特征,因此经常使用随机图案投影。两个相机之间的图案的扭曲和偏移允许成本有效的解决方案,在边缘投影和飞行时间方法之间具有精确度。

机器视觉条纹投影

除了激光三角测量方法之外,还有一种称为“条纹投影”的方法。基本原理也是三角测量,但测试对象的整个表面都是一次拍摄的。激光以条纹图案投射光,因此物体不必在传感器下方移动。光线以30°的角度投射到物体上,相机直视着物体。

然后有一种培训软件的方式,包括好的和坏的部分的图像。在连接器的情况下,弯曲销的图像可以训练系统识别缺陷连接器。通过继续向系统提供图像,可以扩展此培训过程。

机器视觉3D成像原理

几年前,据说所有方法中的飞行时间(ToF)方法由于分辨率有限而最不适合工业用途。大多数ToF相机的分辨率低于VGA,z分辨率相对较低,重复精度为厘米。但市场上已经有一些百万像素分辨率的相机。飞行时间相机使用类似于雷达工程的技术。集成照明发送IR脉冲,传感器测量反射光所需的时间。

目前,它越来越多地用于3D物体检测,但不能用于精确测量。不断增长的应用领域是用机器人装载和卸载托盘。

机器视觉3D图像数据

如前所述,处理机器视觉的软件(例如点云中的测量)在3D视觉中起着重要作用。所以3D的大脑存在。但它是否像人脑一样学习?以及如何训练它?

传统方式当然是以检查程序检测到不良部件的方式对软件进行编程,例如带有弯曲销的连接器。用户编程引脚应具有的高度,位置,摆动圆等,并且每次偏离编程特性都是不好的部分。

然后有一种培训软件的方式,包括好的和坏的部分的图像。对于弯针的连接器图像,您可以训练系统识别缺陷连接器。通过继续向系统提供图像,可以扩展此培训过程。

机器视觉深度学习功能

深度学习只是人工神经网络(简称ANN)的另一个名称,但它更精致,更容易化身。它们已经存在了40多年。

人工神经网络通常表示为互连的“神经元”系统,它们在彼此之间交换消息。连接具有可以根据经验调整的数字权重,使得神经网络适应输入并且能够学习。

这是一个优势吗?由于目标函数非常复杂且数据集很大的应用程序中的一些有利结果,这是机器学习的一种增长趋势。

在深度学习中,人工神经网络在特征工程中自动提取特征而不是手动提取。以图像为例输入。我们只需要在ANN中提供原始图像,而不是我们拍摄图像和手工计算功能,如颜色分布,图像直方图,不同的颜色计数等。

深度学习有助于自动化世界,其中流程不是完全可预测的,或者在没有事先计划的情况下更有效地运行。此外,深度学习创造了条件,使植物和机器人能够做出独立可靠的决策。

机器学习用例例如是:图像分类,物体检测,定位,医学成像和解释,地震成像和解释等。

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 © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1