加快机器视觉应用的开发与部署

机器视觉对工业自动化至关重要

制造业和工业界正在经历巨大的变化，工业物联网（IIoT）等新兴技术有望大幅提升工厂运营效率。因此，各种传感器正以前所未有的速度进行部署，让IIoT应用能够感知和洞察生产过程、工业自动化和质量控制等现实场景所发生的一切。虽然环境传感器、液体流量传感器和压力传感器可以提供许多方面的信息，但在一个持续的过程中，IIoT系统需要全面管理的最重要人类感官之一是视觉。提供计算机视觉（或称机器视觉）需要依赖图像和视频快速处理技术以及人工神经网络平台。
机器视觉无处不在

将视觉能力引入工业制造或装配流程后，机器视觉的潜在应用就变得近乎无限。因此，机器视觉系统在整个工业领域无处不在，可满足广泛的需求。例如，机器视觉可以检测一瓶沐浴露有没有装满，或者标签有没有被直接贴在正确的位置。如果标签没贴好，或者瓶子出现破裂、破碎或变形，它还会促使执行器将瓶子推入废品箱。另一个例子是工业机器人可以自动装配复杂的机械零件。机器视觉的任务可能包括确认零件正确对齐以进行装配，然后检查在进入下一个流程之前零件是否已牢固安装。

机器视觉实现的注意事项

在实现机器视觉应用时，需要考虑多种因素。首先，开发团队必须确定是否可以通过简单的图像处理技术来满足他们的系统需求，或者这个任务是否比较复杂，需要使用深度学习神经网络才能更好地完成。

• 简单的图像处理技术包括边缘检测算法、阈值化技术，以及对相机拍摄的图像使用低通、带通或高通滤波器。使用这些技术的好处是只需要低到中等的计算资源，这意味着作业吞吐量不会受到影响。前面所列的技术在许多制造和过程自动化场景中都很有用。例如，可以用来检查工业机器人是否将瓶盖正确盖在了瓶子上。机器视觉可以使用边缘检测算法和高通滤波器来执行此任务。如果瓶盖没盖上，高通滤波器将显示暗像素。阈值化技术将颜色与背景分开，这样就可以对吸塑包装中的药片进行识别和计数。此外，机器视觉系统还可以使用类似的方法来确定每颗药丸在制造过程中的大小是否正确。

• 如果机器视觉的任务比较复杂，例如，读取产品的零件号，开发人员可以实现人工神经网络来推断文本字符和数字。这样，设计工作就会变得更加复杂，需要训练一个神经网络模型来快速、可靠、正确地识别字母和数字。

不过也许设计师最需要考虑的还是受制于生产线处理速度的图像处理速度和计算任务延迟。为了确保设计和实现的灵活性，机器视觉平台还应采用不同的图像和视频协议以及帧速率，以使平台具有可扩展性，能够灵活支持多种应用。