机器人视觉系统

机器人视觉系统

在现代工业自动化生产中，涉及到各种各样的检验、生产监视及零件识别应用，例如零配件批量加工的尺寸检查，自动装配的完整性检查，电子装配线的元件自动定位，IC 上的字符识别等。通常人眼无法连续、稳定地完成这些带有高度重复性和智能性的工作，其它物理量传感器也难有用武之地。由此人们开始考虑利用光电成像系统采集被控目标的图像，而后经计算机或专用的图像处理模块进行数字化处理，根据图像的像素分布、亮度和颜色等信息，来进行尺寸、形状、颜色等的判别。这样，就把计算机的快速性、可重复性，与人眼视觉的高度智能化和抽象能力相结合，由此产生了机器视觉的概念。

一个成功的机器视觉系统是一个经过细致工程处理来满足一系列明确要求的系统。当这些要求完全确定后，这个系统就设计并建立来满足这些精确的要求。机器视觉的优点包括以下几点：

■精度高

作为一个精确的测量仪器，设计优秀的视觉系统能够对一千个或更多部件的一个进行空间测量。因为此种测量不需要接触，所以对脆弱部件没有磨损和危险。

■连续性

视觉系统可以使人们免受疲劳之苦。因为没有人工操作者，也就没有了人为造成的操作变化。多个系统可以设定单独运行。

■成本效率高

随着计算机处理器价格的急剧下降，机器视觉系统成本效率也变得越来越高。一个价值10000美元的视觉系统可以轻松取代三个人工探测者，而每个探测者每年需要20000美元的工资。另外，视觉系统的操作和维持费用非常低。

■灵活性

视觉系统能够进行各种不同的测量。当应用变化以后，只需软件做相应变化或者升级以适应新的需求即可。

许多应用满意过程控制（SPC ）的公司正在考虑应用机器视觉系统来传递持续的、协调的和精确的测量SPC 命令。在SPC 中，制造参数是被持续监控的。整个过程的控制就是要保证这些参数在一定的范围内。这使制造者在生产过程失去控制或出现坏部件时能够调节过程参数。

机器视觉系统比光学或机器传感器有更好的可适应性。它们使自动机器具有了多样性、灵活性和可重组性。当需要改变生产过程时，对机器视觉来说“工具更换”仅仅是软件的变换而不是更换昂贵的硬件。当生产线重组后，视觉系统往往可以重复使用

机器视觉系统的构成

机器视觉技术用计算机来分析一个图像，并根据分析得出结论。现今机器视觉有两种应用。机器视觉系统可以探测部件，在此光学器件允许处理器更精确的观察目标并对哪些部件可以通过哪些需要废弃做出有效的决定；机器视觉也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。

尽管机器视觉应用各异，但都包括以下几个过程；

■图像采集

光学系统采集图像，图像转换成模拟格式并传入计算机存储器。

■图像处理

处理器运用不同的算法来提高对结论有重要影响的图像要素。

■特性提取

处理器识别并量化图像的关键特性，例如印刷电路板上洞的位置或者连接器上引脚的个数。然后这些数据传送到控制程序。

■判决和控制

处理器的控制程序根据收到的数据做出结论。例如：这些数据包括印刷电路板上的洞是否在要求规格以内或者一个自动机器如何必须移动去拾取某一部件。

机器视觉系统解析

典型的视觉系统一般包括：光源、光学系统，相机、图像处理单元（或图像采集卡）、图像分析处理软件、监视器、通讯/输入输出单元等。

图像采集

图像的获取实际上是将被测物体的可视化图像和内在特征转换成能被计算机处理的数据，它直接影响到系统的稳定性及可靠性。一般利用光源、光学系统，相机、图像处理单元（或图像捕获卡）获取被测物体的图像。

■光源

光源和影响机器视觉系统输入的重要因素，因为它直接影响输入数据的质量和至少30%的应用效果。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，以达到最佳效果。许多工业用的机器视觉系统用可见光作为光源，这主要是因为可见光容易获得，价格低，并且便于操作。常用的几种可见光源是白帜灯、日光灯、水银灯和钠光灯。但是，这些光源的一个最大缺点是光能不能保持稳定。以日光灯为例，在使用的第一个100小时内，光能将下降15%，随着使用时间的增加，光能将不断下降。因此，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。另一个方面，环境光将改变这些光源照射到物体上的总光能，使输出的图像数据存在噪声，一般采用加防护屏的方法，减少环境光的影响。由于存在上述问题，在现今的工业应用中，对于某些要求高的检测任务，常采用X 射线、超声波等不可见光作为光源。

由光源构成的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相机之间，它的优点是能获得高对比度的图像；前向照明是光源和相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，要求相机的扫描速度与光源的频闪速度同步。

■光学系统

对于机器视觉系统来说, 图像是唯一的信息来源，而图像的质量是由光学系统的恰当选择来决定。通常，由于图像质量差引起的误差不能用软件纠正。机器视觉技术把光学部件和成像电子结合在一起，并通过计算机控制系统来分辨、测量、分类和探测正在通过自动处理系统的部件。机器视觉系统通常能快到100%的探测所处理的产品而不会降低生产线的速度。由于越来越多的制造商正需要“6-sigma “（小于百万分之三的有效单位）结果，以便能够在当今质量意识很强的市场中更有竞争力，这种能力显得非常重要。另外，这些系统能够与满意过程控制（SPC ）非常理想的配合。

光学系统的主要参数与图像传感器的光敏面的格式有关，一般包括：光圈、视场、焦距、F 数等。

■相机

相机是实际上是一个光电转换装置，即将图像传感器所接收到的光学图像，转化为计算机所能处理的电信号。光电转换器件是构成相机的核心器件。目前，典型的光电转换器件为真空摄像管、CCD 、CMOS 图像传感器等。

真空电视摄像管由密封在玻璃管罩内的摄像靶、电子枪两部分组成。摄像靶将输入光学图像的光照度分布转换为靶面相应象素电荷的二维空间分布，主要完成光电转换和电荷存贮任务；电子枪则完成图像信号的扫描拾取过程。电视摄像管型成像系统具有高清晰度、高灵敏度、宽光谱和高帧速成像等特点。但由于电视摄像管属于真空管器件，其重量、体积及功耗均较大。

CCD 是目前机器视觉最为常用的图像传感器。它集光电转换及电荷存贮、电荷转移、信号读取于一体，是典型的固体成像器件。CCD 的突出特点是以电荷作为信号，而不同于其器件是以电流或者电压为信号。这类成像器件通过光电转换形成电荷包，而后在驱动脉冲的作用下转移、放大输出图像信号。典型的CCD 相机由光学镜头、时序及同步信号发生器、垂直驱动器、模拟/数字信号处理电路组成。下图为CCD 相机的原理框图。CCD 作为一种功能器件，与真空管相比，具有无灼伤、无滞后、低电压工作、低功耗等优点。 CMOS （Complementary Metal Oxide Semiconductor）图像传感器的开发最早出现在20世纪70 年代初。90 年代初期，随着超大规模集成电路 (VLSI) 制造工艺技术的发展，CMOS 图像传感器得到迅速发展。CMOS 图像传感器将光敏元阵列、图像信号放大器、信号读取电路、模数转换电路、图像信号处理器及控制器集成在一块芯片上，还具有局部象素的编程随机访问的优点。目前，CMOS 图像传感器以其良好的集成性、低功耗、宽动态范围和输出图像几乎无拖影等特点而得到广泛应用。

图像的处理和分析

在机器视觉系统中，相机的主要功能光敏元所接收到的光信号转换为电压的幅值信号输出。若要得到被计算机处理与识别的数字信号，还需对视频信息进行量化处理。图像采集卡是进行视频信息量化处理的重要工具。

■图像采集／处理卡

图像采集卡主要完成对模拟视频信号的数字化过程。视频信号首先经低通滤波器滤波，转换为在时间上连续的模拟信号；按照应用系统对图像分辨率的要求，得用采样/保持电路对边疆的视频信号在时间上进行间隔采样，把视频信号转换为离散的模拟信号；然后再由A/D转换器转变为数字信号输出。而图像采集／处

理卡在具有模数转换功能的同时，还具有对视频图像分析、处理功能，并同时可对相机进行有效的控制。

■图像处理处理软件

机器视觉系统中，视觉信息的处理技术主要依赖于图像处理方法，它包括图像增强、数据编码和传输、平滑、边缘锐化、分割、特征抽取、图像识别与理解等内容。经过这些处理后，输出图像的质量得到相当程度的改善，既改善了图像的视觉效果，又便于计算机对图像进行分析、处理和识别。

机器视觉系统的应用

机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”。其最大优点为：

（１）实现非接触测量。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性；

（２）具有较宽的光谱响应范围。机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围。

（３）长时间工作。人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务, 并可应用于恶劣的工作环境。

机器人视觉目前存在的主要问题：

1.如何准确、高速（实时）地识别出目标。

2.如何有效地构造和组织出可靠的识别算法，并且顺利地实现。这期待着高速的阵列处理单元，以及算法（如神经网络法、小波变换等算法）的新突破，这样就可以用极少的计算量高度地并行实现功能。

3.实时性是一个难以解决的重要问题。图像采集速度较低以及图像处理需要较长时间给系统带来明显的时滞，此外视觉信息的引入也明显增大了系统的计算量，例如计算图像雅可比矩阵、估计深度信息等等。图像处理速度是影响视觉系统实时性的主要瓶颈之一。

4.稳定性是所有控制系统首先考虑的问题，对于视觉控制系统，无论是基于位置、基于图像或者混合的视觉伺服方法都面临着如下问题：当初始点远离目标点时，如何保证系统的稳定性，即增大稳定区域和保证全局收敛；为了避免伺服失败，如何保证特征点始终处在视场内。

机器人视觉应当进一步研究的问题：

1.图像特征的选择问题。视觉伺服的性能密切依赖于所用的图像特征，特征的选择不仅要考虑识别的指标，还要考虑控制指标。从控制的观点看，用冗余特征可抑制噪声的影响，提高视觉 伺服的性能，但又会给图像处理增加难度。因此如何选择性能最优的特征，如何处理特征以及如何评价特征，都是需要进一步研究的问题。针对任务有时可能需要从 一套特征切换到另一套，可以考虑把全局特征与局部特征结合起来。

2.结合计算机视觉及图像处理的研究成果，建立机器人视觉系统的专用软件库。

3.加强系统的动态性能研究。目前的研究多集中于根据图像信息确定期望的机器人运动这一环节上，而对整个视觉伺服系统的动态性能缺乏研究。

4.利用智能技术的成果。

5.利用主动视觉的成果。主动视觉是当今计算机视觉和机器人视觉研究领域中的一个热门课题。它强调的是视觉系统与其所处环境之间的交互作用能力。与传统的通用视觉不同，主动视觉 强调两点，一是认为视觉系统应具有主动感知的能力，二是认为视觉系统应基于一定的任务（TaskDirected ）或目的，主动视觉认为在视觉信息获取过 程中，应更主动地调整摄像机的参数，如方向、焦距、孔径等并能使摄像机迅速对准感兴趣的物体。

更一般地，它强调注视机制，强调对分布于不同空间范围和时间 段上的信号采用不同的分辨率有选择性地感知，这种主动感知既可在硬件层上通过摄像机物理参数的调整实现，也可以在基于被动摄像机的前提下，在算法和表示层 上通过对已获得的数据有选择性地处理实现。同时，主动视觉认为不基于任何目的的视觉过程是毫无意义的，必须将视觉系统与具有的目的（如导航、识别、操作 等）相联系，从而形成感知／作用环。

6.多传感器融合问题。视觉传感器具有一定的使用范围，如能有效地结合其它传感器，利用它们之间性能互补的优势，便可以消除不确定性，取得更加可靠、准确的结果。