機器視覺（Machine Vision）是人工智能領(lǐng)域中發(fā)展迅速的一個重要分支，目前正處于不斷突破、走向成熟的階段。

一般認(rèn)為機器視覺“是通過光學(xué)裝置和非接觸傳感器自動地接受和處理一個真實場景的圖像，通過分析圖像獲得所需信息或用于控制機器運動的裝置”，即可以理解為是通過工業(yè)相機等圖像傳感器采集圖像信息，通過分析處理轉(zhuǎn)化的圖像信息繼而控制后續(xù)的自動化設(shè)備的流程動作。

可以看出智能圖像處理技術(shù)在機器視覺中占有舉足輕重的位置。

那么機器視覺與圖像處理技術(shù)之間的關(guān)系和聯(lián)系是什么呢？圖像處理技術(shù)在機器視覺中有哪些應(yīng)用呢？

01

圖像處理技術(shù)的應(yīng)用

機器視覺的圖像處理系統(tǒng)對現(xiàn)場的數(shù)字圖像信號按照具體的應(yīng)用要求進行運算和分析，根據(jù)獲得的處理結(jié)果來控制現(xiàn)場設(shè)備的動作，其常見應(yīng)用如下：

（1）圖像采集

圖像采集就是從工作現(xiàn)場獲取場景圖像的過程，是機器視覺的第一步，采集工具大多為CCD或CMOS照相機或攝像機。

照相機采集的是單幅的圖像，攝像機可以采集連續(xù)的現(xiàn)場圖像。就一幅圖像而言，它實際上是三維場景在二維圖像平面上的投影，圖像中某一點的彩色（亮度和色度）是場景中對應(yīng)點彩色的反映。這就是我們可以用采集圖像來替代真實場景的根本依據(jù)所在。

如果相機是模擬信號輸出，需要將模擬圖像信號數(shù)字化后送給計算機（包括嵌入式系統(tǒng)）處理。現(xiàn)在大部分相機都可直接輸出數(shù)字圖像信號，可以免除模數(shù)轉(zhuǎn)換這一步驟。不僅如此，現(xiàn)在相機的數(shù)字輸出接口也是標(biāo)準(zhǔn)化的，如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等，可以直接送入計算機進行處理，以免除在圖像輸出和計算機之間加接一塊圖像采集卡的麻煩。后續(xù)的圖像處理工作往往是由計算機或嵌入式系統(tǒng)以軟件的方式進行。

（2）圖像預(yù)處理

對于采集到的數(shù)字化的現(xiàn)場圖像，由于受到設(shè)備和環(huán)境因素的影響，往往會受到不同程度的干擾，如噪聲、幾何形變、彩色失調(diào)等，都會妨礙接下來的處理環(huán)節(jié)。為此，必須對采集圖像進行預(yù)處理。常見的預(yù)處理包括噪聲消除、幾何校正、直方圖均衡等處理。

通常使用時域或頻域濾波的方法來去除圖像中的噪聲；采用幾何變換的辦法來校正圖像的幾何失真；采用直方圖均衡、同態(tài)濾波等方法來減輕圖像的彩色偏離。

總之，通過這一系列的圖像預(yù)處理技術(shù)，對采集圖像進行“加工”，為體機器視覺應(yīng)用提供“更好”、“更有用”的圖像。

（3）圖像分割

圖像分割就是按照應(yīng)用要求，把圖像分成各具特征的區(qū)域，從中提取出感興趣目標(biāo)。在圖像中常見的特征有灰度、彩色、紋理、邊緣、角點等。例如，對汽車裝配流水線圖像進行分割，分成背景區(qū)域和工件區(qū)域，提供給后續(xù)處理單元對工件安裝部分的處理。

圖像分割多年來一直是圖像處理中的難題，至今已有種類繁多的分割算法，但是效果往往并不理想。近來，人們利用基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法進行圖像分割，其性能勝過傳統(tǒng)算法。

（4）目標(biāo)識別和分類

在制造或安防等行業(yè)，機器視覺都離不開對輸入圖像的目標(biāo)進行識別和分類處理，以便在此基礎(chǔ)上完成后續(xù)的判斷和操作。識別和分類技術(shù)有很多相同的地方，常常在目標(biāo)識別完成后，目標(biāo)的類別也就明確了。近來的圖像識別技術(shù)正在跨越傳統(tǒng)方法，形成以神經(jīng)網(wǎng)絡(luò)為主流的智能化圖像識別方法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、回歸神經(jīng)網(wǎng)絡(luò)（RNN）等一類性能優(yōu)越的方法。

（5）目標(biāo)定位和測量

在智能制造中，最常見的工作就是對目標(biāo)工件進行安裝，但是在安裝前往往需要先對目標(biāo)進行定位，安裝后還需對目標(biāo)進行測量。安裝和測量都需要保持較高的精度和速度，如毫米級精度（甚至更?。?，毫秒級速度。

這種高精度、高速度的定位和測量，倚靠通常的機械或人工的方法是難以辦到的。在機器視覺中，采用圖像處理的辦法，對安裝現(xiàn)場圖像進行處理，按照目標(biāo)和圖像之間的復(fù)雜映射關(guān)系進行處理，從而快速精準(zhǔn)地完成定位和測量任務(wù)。

（6）目標(biāo)檢測和跟蹤

圖像處理中的運動目標(biāo)檢測和跟蹤，就是實時檢測攝像機捕獲的場景圖像中是否有運動目標(biāo)，并預(yù)測它下一步的運動方向和趨勢，即跟蹤。并及時將這些運動數(shù)據(jù)提交給后續(xù)的分析和控制處理，形成相應(yīng)的控制動作。圖像采集一般使用單個攝像機，如果需要也可以使用兩個攝像機，模仿人的雙目視覺而獲得場景的立體信息，這樣更加有利于目標(biāo)檢測和跟蹤處理。

02

面臨的挑戰(zhàn)

在機器視覺的圖像處理技術(shù)的發(fā)展中，還存在不少技術(shù)瓶頸，如：

某種處理方法往往在研究和開發(fā)中表現(xiàn)良好，但在復(fù)雜多變的應(yīng)用環(huán)境中，卻不時地出現(xiàn)問題。例如人臉識別系統(tǒng)，在目標(biāo)配合時識別率可高達(dá)95%以上，但在實際監(jiān)控環(huán)境下，識別率就會大大下降。

機器視覺系統(tǒng)要求圖像識別和測量的準(zhǔn)確性接近100%，任何微小的誤差都有可能帶來不可預(yù)測的后果。例如目標(biāo)定位的誤差會使裝配出來的設(shè)備不符合要求。

視覺檢測設(shè)備的實時檢測效率快，圖像采集數(shù)據(jù)量大，如果圖像的采集速度、處理速度較慢，再加上新近引入的深度學(xué)習(xí)類算法，加大了系統(tǒng)實時處理的難度，跟不上機器運行和控制的節(jié)奏，所以提高圖像處理速度非常重要。

03

提高圖像處理速度的主要方法

目前提高圖像處理速度主要有兩種方法。

一是改進和優(yōu)化圖像處理算法。該算法應(yīng)簡單、快速，并考慮到實際效果；二是改進和優(yōu)化實現(xiàn)算法的手段。

那么，機器視覺檢測設(shè)備可以通過哪些方式來提高檢測速度？

1、專用集成電路（ASIC）ASIC是針對于某一固定算法或應(yīng)用而專門設(shè)計的硬件芯片，有很強的實時性。但在實際應(yīng)用中存在開發(fā)周期相對較長、成本高、適應(yīng)性和靈活性差等缺點。2、現(xiàn)場可編程門陣列（FPGA）FPGA由多個可編程的基本邏輯單元組成的一個2維矩陣，邏輯單元之間以及邏輯單元與I/O單元之間通過可編程連線進行連接。FPGA能在設(shè)計上具有很強的靈活性，集成度、工作速度也在不斷提高，可實現(xiàn)的功能也越來越強;同時其開發(fā)周期短，系統(tǒng)易于維護和擴展，能夠大大地提高圖像數(shù)據(jù)的處理速度。3、通用計算機網(wǎng)絡(luò)并行處理這種處理結(jié)構(gòu)采用“多客戶機+服務(wù)器”的方式，一個圖像傳感器對應(yīng)一臺客戶機，服務(wù)器實現(xiàn)信息的合成，圖像處理的大部分工作由軟件來完成。該結(jié)構(gòu)雖然比較龐大，但升級維護方便、實時性較好。4、數(shù)字信號處理器（DSP）DSP是一種獨特的微處理器，是以數(shù)字信號來處理大量信息的器件。其工作原理是將接收到的模擬信號轉(zhuǎn)換為“0”或“1”的數(shù)字信號，再對數(shù)字信號進行修改、刪除和強化，并在其他系統(tǒng)芯片中把數(shù)字?jǐn)?shù)據(jù)解譯回模擬數(shù)據(jù)或?qū)嶋H環(huán)境格式，其實時運行速度遠(yuǎn)遠(yuǎn)超過通用微處理器。但是，DSP的體系仍是串行指令執(zhí)行系統(tǒng)，而且只是對某些固定的運算進行硬件優(yōu)化，故不能滿足眾多的算法要求。

實時圖像處理系統(tǒng)中，底層的信號數(shù)據(jù)量大，對處理速度的要求高，但運算結(jié)構(gòu)相對比較簡單，適合采用FPGA以硬件方式來實現(xiàn);高層處理算法的特點是處理的數(shù)據(jù)量相對較少，但算法和控制結(jié)構(gòu)復(fù)雜，可使用DSP來實現(xiàn)。所以，可以把二者的優(yōu)點結(jié)合在一起以兼顧實時性和靈活性。