智能制造結合了人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代智能信息技術，貫穿產(chǎn)品全生命周期，實現(xiàn)從了工廠到市場的聯(lián)動。隨著機械裝備生產(chǎn)過程的進一步智能化，生產(chǎn)信息的采集和處理過程顯得尤為重要。本文介紹了機器視覺技術的工作原理和關鍵技術，以及機器視覺在智能制造中的應用，并對機器視覺的應用前景做出了分析和展望。

隨著制造業(yè)的發(fā)展，智能制造技術日漸成為實現(xiàn)制造的知識化、自動化、柔性化以實現(xiàn)對市場的快速響應的關鍵技術。其主要應用包括基于神經(jīng)網(wǎng)絡的智能檢測、故障診斷、識別、設計、優(yōu)化，基于遺傳算法的優(yōu)化設計，基于規(guī)則、基于框架的專家系統(tǒng)，基于類比推理、歸納學習與基于實例推理的知識系統(tǒng)，基于Agent技術的分布式智能制造系統(tǒng)等等［1］。智能制造主要關注于高端裝備制造，在制造過程中進行分析推理、判斷、思考、決策等活動。智能制造系統(tǒng)從原始的能量驅動轉變?yōu)樾畔Ⅱ寗樱@對于制造系統(tǒng)的靈活性和數(shù)字化提出了很高的要求。在智能制造系統(tǒng)中，原始信息的采集是最基礎的工作，原始信息推動著整個系統(tǒng)的決策和工作。機器視覺技術作為當前的熱門技術之一，具有高度的靈活性，能適應各種生產(chǎn)環(huán)境，擁有強大的理論支持，在智能制造領域得到了廣泛的應用。本文針對于智能制造，介紹了現(xiàn)有文獻中機器視覺的相關關鍵以及其在制造過程中的相關應用，并基于此探討機器視覺在未來先進制造、智能制造中的應用前景。

1

機器視覺中的關鍵技術

機器視覺在智能制造中主要用于視覺檢測，關鍵技術包括圖像獲取、圖像預處理、圖像分割、圖像識別、檢測［2］。

1.1 成像系統(tǒng)

視覺信息是機器視覺技術的基礎，一般而言，視覺信息采集系統(tǒng)主要包括了光源、成像、處理等數(shù)個環(huán)節(jié)。智能制造中典型的視覺信息采集系統(tǒng)如圖1所示：由光控電路控制的光學鏡頭在光源下獲取目標圖像，經(jīng)傳感器于信號存儲電路之中保存，之后通過信號放大電路以及計算機的圖像處理，最終獲得目標的視覺信息。

1.2 圖像預處理

由于獲取條件的不同和外界的各種干擾，經(jīng)過成像系統(tǒng)采集到的原始圖像往往存在著大量的噪聲和失真，這種數(shù)據(jù)無法直接用于視覺系統(tǒng)。為了消除外界環(huán)境對圖像采集的干擾，需要對圖像進行預處理，例如通過圖像分析和識別等手段，消除使圖像質(zhì)量惡化的因素，使采集到的圖像能夠更有效的用于有效信息的提取。圖像預處理的降噪手段主要有以下幾種：

（1）均值濾波：其是一種線性濾波算法，用圖片中目標像素周圍8個像素的平均值來代替該像素自身，從而達到降噪效果。但是該算法自身存在一定的缺陷，會破環(huán)圖像的細節(jié)部分，使其變得模糊，不能有效的去除噪點［3］。

（2）中值濾波：是一種基于統(tǒng)計排序理論的非線性濾波算法，其將待處理的像素點用周圍的8個或者24個像素點中的中值進行替換，從而達到降噪的目的［3］。

（3）高斯濾波：其為一種線性平滑濾波算法，用于處理高斯噪聲，將待處理的像素點用周圍其他像素點的加權平均值代替。高斯濾波處理對于服從正態(tài)分布的噪聲特別有效［4］。

1.3 圖像分割

圖像分割是圖像處理和計算機視覺領域的基本工作，按照圖像的灰度、顏色、紋理、形狀等特征，將圖像分割成若干區(qū)域，區(qū)域內(nèi)部具有高度的相似性，不同的區(qū)域呈現(xiàn)互異的特征。圖像分割的算法主要有全局能量最小化方法，例如模擬退火方法、動態(tài)規(guī)劃方法、圖論方法等，以及局部能量最小化方法，如變分方法、ICM方法等［5］。其中，模擬退火方法盡管要求高，但是能夠適用較多類型的能量函數(shù)；動態(tài)規(guī)劃方法主要的問題是無法有效求解高維的能量函數(shù)；圖論法則可以拓展到多種能量函數(shù)，實現(xiàn)最優(yōu)解的逼近，求解效率很高，因此采用范圍更為廣泛。

1.4 圖像識別

圖像識別基于圖像特征分析、運動分析、模式匹配等，主要的途徑包括：基于圖像分割，序列圖像識別方式，以及基于模式學習和和形狀匹配的識別方式等［6-8］。

2

機器視覺在智能制造中的應用

機器視覺的應用優(yōu)勢在于無需與被測物體進行接觸，因此被測物體和測量裝置操作過程中都不會產(chǎn)生損壞，是一種相對于而言更安全可靠的檢測手段。此外，測量裝置的適用范圍和互換性都非常的廣泛，不僅僅局限于某一類物體。理論而言，機器視覺技術甚至可以用來探測人眼無法觀察到的部分，例如紅外線、微波、超聲波等，通過傳感器可以將這些信息進行捕獲和處理，從而拓展了人類的視覺范圍。相對機器視覺而言，人類視覺容易受到個體狀態(tài)的影響，難以進行長時間的觀測，在惡劣下表現(xiàn)不理想，因此，機器視覺技術常常用于長時間檢測工作和在線處理，以及人類無法工作的極端環(huán)境下。

正是因為這些特性，機器視覺技術被廣泛應用于工業(yè)生產(chǎn)的各個步驟。在智能制造體系中，機器視覺的應用主要可以歸納為四個方向：尺寸測量、物體定位、零件檢測、圖像識別［9］。

2.1 尺寸測量

隨著制造工藝的不斷提高，工業(yè)產(chǎn)品尤其是大型構件的外形設計日趨復雜。同時，由于大型構件的體積和重量限制，不便于經(jīng)常移動，給傳統(tǒng)的測量方式帶來了巨大的困擾。機器視覺測量技術是一種基于光學成像、數(shù)字圖像處理、計算機圖形學的無接觸的測量方式，擁有嚴密的理論基礎，測量范圍更廣，而且相對于傳統(tǒng)測量方式而言，擁有更高的測量精度和效率。

根據(jù)不同的光照方式和幾何關系，視覺檢測方法可以分為兩種：被動視覺探測和主動視覺檢查。被動視覺探測直接采用了原始圖像，這些在工業(yè)環(huán)境中獲取的原始圖像并沒有明顯的特征信息；而主動檢測方式能夠主動的去產(chǎn)生所需的特征信息，從而避免立體特征匹配困難，所以在工業(yè)檢測中應用范圍更廣。

主動視覺檢測方式包括激光測距、云紋干涉法、簡單三角形法，結構光法與時差法等方法。例如魏振忠［10］提出了一種基于結構光視覺傳感器的物體測量方法，可用于提高大型工件的結構光三維視覺的檢測精度。在結構光方法的測量過程中，由于靶標上的基準坐標點很難準確落在結構光平面上，導致空間坐標的準確獲取難以實現(xiàn)。在此測量方法中，通過一種基于雙重交比不變的結構光視覺傳感器的標定方法，并配合相應的標定靶標，從根本上解決了此問題。

2.2 物體定位

傳統(tǒng)制造業(yè)中的焊接、搬運、裝配等固定流程正在逐步被工業(yè)機器人取代，這些步驟對于工業(yè)機器人來說，只需要生成指定的程序，然后按照程序依次執(zhí)行即可。在機器人的操作過程中，零件的初始狀態(tài)（如位置和姿態(tài)等）與機器人的相對位置并不是固定的。這導致工件的實際擺放位置和理想加工位置存在差距，機器人難以按照原定的程序進行加工［11］。隨著機器視覺技術以及更靈活的機器手臂的出現(xiàn)，這個問題得到了很好的解決，為智能制造的迅速發(fā)展提供了動力。

2.3零件檢測

零件檢測是機器視覺技術在工業(yè)生產(chǎn)中最重要的應用之一，在制造生產(chǎn)的過程中，幾乎所有的產(chǎn)品都面臨著質(zhì)量檢測。傳統(tǒng)的手工檢測存在著許多不足：首先，人工檢測的準確性依賴于工人的狀態(tài)和熟練程度；其次，人工操作效率相對較低，不能很好的滿足大量生產(chǎn)檢測的要求；近年來人工成本也在逐步上升。所以，機器視覺技術被廣泛用于產(chǎn)品檢測中，主要的應用包括：存在性檢測和缺陷檢測。

2.3.1存在性檢測

存在性檢測的對象包括某個部件、某個圖案或者是整個物體的存在性。在制造環(huán)節(jié)中，某些步驟的缺失或者加工缺陷會導致零部件的丟失，影響產(chǎn)品的品質(zhì)，需要在進行下一步工序或出廠前分揀出來待進一步處理。通過前期的圖像采集和處理后，需要依靠顯著目標檢測算法來進行識別，從而得出顯著目標是否存在的結論。

例如李牧等［12］提出了一種顯著目標存在性檢測算法，利用中心周邊直方圖計算出的顯著圖，提取目標區(qū)域與圖像中心點距離、目標區(qū)域位置分布方差、目標區(qū)域在圖像邊緣的分布、目標區(qū) 域分布熵、圖像顯著圖的直方圖等5種特征進行分類，并利用投票的方式最終確定輸入圖片是否包含顯著目標。通過數(shù)據(jù)集驗證，能夠有效識別出指定目標的存在性。

2.3.2表面缺陷檢測

表面缺陷檢測的對象為二維平面上的元素，包括孔洞、污漬、劃痕、裂紋、亮點、暗點等常見的表面缺陷，這些缺陷特別是孔洞和裂紋等，可能嚴重影響產(chǎn)品質(zhì)量和使用的安全性，準確識別缺陷產(chǎn)品非常重要。這方面的研究如岳文輝［13］提出了一種CCD （Charge Coupled Device）圖像獲取系統(tǒng)，利用使用最普遍的電荷耦合器件CCD，在熒光磁粉無損檢測技術的基礎上，使用CCD進行圖像采集，然后使用相關算法進行圖像處理和模式識別，來檢測表面缺陷的類型和程度。

圖2 系統(tǒng)圖像處理和識別流程圖

零件檢測相關的工作流程一般大致如圖2所示。盡管系統(tǒng)針對于不同的對象和目的，但是其圖像處理和圖像識別內(nèi)核差異不大。圖像處理和識別都是從采集的圖像出發(fā)，經(jīng)過單色化處理、閾值處理，圖像膨脹處理，孤點濾波等預處理之后，對圖像的特征進行提取并描述，最終輸出結果。

2.4 圖像識別

圖像識別利用機器視覺技術中的圖像處理、分析和理解功能，準確識別出一類預先設定的目標或者物體的模型。在工業(yè)領域中的主要應用有條形碼讀取、二維碼掃描識別等，以往多用NFC標簽等載體進行信息讀取，需要與產(chǎn)品進行近距離接觸。而隨著工業(yè)攝像機等硬件設備的更新?lián)Q代，二維碼等標識可以被遠距離讀取和識別，而且攜帶的信息更豐富，可以將所有產(chǎn)品信息寫入二維碼，而無需聯(lián)網(wǎng)查詢信息［14］。

3

機器視覺的發(fā)展和問題

盡管機器視覺在智能制造中已經(jīng)得到的長足的發(fā)展，但是就目前的應用現(xiàn)狀而言，還存在一些發(fā)展的瓶頸。

最為首先的就是精度問題。傳統(tǒng)制造測量尺寸都具有一個標準化的測量精度，而機器視覺中則主要采用基于像素的分辨率來衡量。盡管目前就鏡頭和感光原件如CCD和CMOS的制造工藝已經(jīng)獲得了很大的進展，分辨率6000x4000pixel已經(jīng)比較常見，甚至還有20000x14000pixel也已實現(xiàn)，但是測量精度仍未實現(xiàn)標準化。

另一個則可能是機器視覺輸出結果的可靠性問題。一般而言，產(chǎn)品位置，光照強度，外部環(huán)境等都會都最終基于機器視覺所輸出的結果產(chǎn)生影響，尤其是在精度要求比較高的時候。隨著測量條件、環(huán)境、被測物表面特性等改變，尤其是在一些強光或溫度的干擾下，機器視覺的應用會受到很大的限制。然而，這種測量環(huán)境的普適性很難通過一種標準化的的方法實現(xiàn)解決。

算法上的可靠性也會對機器視覺的廣泛應用產(chǎn)生影響。目前，針對于不對場景下的機器視覺應用，各類算法層出不窮，其精度和應用范圍也存在差異。不同算法之間的差異，不僅會得到不同的測量結果，而且整合于一個系統(tǒng)之內(nèi)的難度也會加大。

同時，機器視覺與生產(chǎn)系統(tǒng)一體化也是一個需要考慮的方面［15］。由于產(chǎn)品位置對于測量精度和可靠性都具有一定的影響，因此，在生產(chǎn)設備中嵌入機器視覺系統(tǒng)是最為適合的方法。然而，設備機器的再設計和制造會對這種應用產(chǎn)生一定的壁壘，其需要保證產(chǎn)量和應用價值的基礎上才能解決。目前中國的機器視覺市場相較成熟的自動化產(chǎn)品應用水平偏低，市場也遠未飽和，未來還需要更多的研究者和實踐者的關注和參與。

伴隨著制造業(yè)的進一步發(fā)展以及“中國制造2025”的提出，制造業(yè)迎來了新一輪的產(chǎn)業(yè)升級，智能制造技術、智能數(shù)字化工程成為了制造業(yè)發(fā)展的重點。作為智能制造領域采集和處理生產(chǎn)信息的關鍵技術，機器視覺表現(xiàn)出了巨大的優(yōu)勢。一方面，用智能裝備替代人工操作，避免了一切依賴人工而存在的弊端；同時，這極大的拓展了生產(chǎn)環(huán)境和生產(chǎn)條件，無需近距離接觸危險的工作環(huán)境；最后，隨著機器視覺裝備和算法的不斷革新和改進，機器視覺系統(tǒng)的準確性和效率會得到進一步的提升。