视觉技术在产品检验中的最新进展

在许多行业中，在许多行业中，人工检查由机器视觉检查技术取代以其更高的速度和更高的精度从而提高产品的质量并降低生产成本。这种采用的另一个优点是归档图像的能力，为每个单独的产品提供一个永久性的质量记录。增加机器视觉的一个关键因素是技术的进步，提高精度和减少应用程序开发时间的各种应用。这些进步之一，涉及使用更高分辨率的相机，可以检查更大的领域，在更高的水平的准确性。三维视觉技术，可以测量高度，深度和体积的产品，有可能将机器视觉应用到许多新的应用。最后，自学习模式匹配的视觉工具更快，更一致的识别对象，同时减少应用程序开发时间。本文将探讨这些进步和他们的机器视觉检测应用的影响。

  

高分辨率的传感器

更高分辨率的视觉传感器的价格点下降的结果，更高分辨率的传感器被更频繁地使用在检查应用。高分辨率视觉传感器是高精度缺陷检测的理想选择，并提供了一个更大的视野，这使得它更容易的视觉工具，以准确地找到感兴趣的功能，即使在大部件，产品和包装。高分辨率视觉传感器的典型应用包括在消费电子行业的微小电子元件的对准和在汽车车身覆盖件上的胶珠的检查，这需要一个大的视野。更高分辨率的视觉传感器的使用，反过来驱动需要更快的处理周期，以保持在可接受的范围内的检查时间。视觉系统中的处理能力的量是由封装的热约束的约束。机器视觉供应商是克服这个限制，使用新的，更有效的算法，如一个模式查找工具，运行四到六倍的速度比以前的版本。围绕这一障碍的另一种方式是将视觉算法在具有较高的热预算的独立包装工业视觉控制器。

高分辨率视觉应用的一个典型的例子是一个医疗设备，提出了一个自动化测试系统的主要检查挑战。两个气缸的校准需要测量公差范围内太接近，与传统的视觉系统。在系统开发过程中，手动检查，每一部分约一分钟，这样会导致生产很慢。试验表明，常规640x480或1200x1600像素视觉系统会产生太多的不准确的读数。升级到5像素和5像素的远心镜头视觉系统提供准确的读数，同时减少检查时间约200毫秒。自动测试机，确保非常高的质量水平，同时最大限度地降低生产成本。在装配点实施检查，提高了供应链的质量，同时降低了下游检测的影响。

 

三维视觉系统

快速的改进也被视为在该领域的应用程序，更适合于3D视觉，如测量高度，体积和倾斜的部件或读取提出的字符对一个类似的彩色背景，并在可变光照条件下进行检查。新一代的三维视觉系统是解决这些挑战，通过使用激光三角测量从零件中提取的三维信息。激光位移传感器将一束束投射到待测量的物体上。光束被物体的三维形状所取代。图像传感器捕获一个三维图像的三维拓扑表示，其中的目标的足迹表示的图像的程度和Z高度数据存储。一个完整的三维图像是由一系列获得剖面的每一行对应一个配置文件生成图像，产生一个16位的灰度图像。所得到的三维图像的对象可以被用于两个定位的对象，并准确地注册的视觉工具，用于测量的三维和二维的功能，如长度，宽度和高度。它可以用来很容易地确定一个对象的存在或不存在，无论颜色或照明，并产生一个高对比度的图像从非常微妙的变化高度。

考虑在X和Y尺寸中看起来不错的图中所示的链轮齿轮。但一个三维检查显示，一颗牙齿被打破前10毫米的高度丢失。也可以想象一个情况下，只有牙齿的顶表面丢失，而不是整个牙齿，一个应用程序的三维检查，以确定这种类型的缺陷。另一个典型的三维检查应用涉及测量的关键部件，如印刷电路板（印刷电路板）或在一个载体的基板的平整度。扭曲或翘曲的成分不能与二维检查。然而，三维机器视觉可以很容易地确定的零件表面的完整的地形轮廓。检测颜色是相似的区域的组件的存在或不存在的地方，他们被认为是安装是另一个非常常见的三维检查应用。也有许多机器人的指导应用，其中的三维视觉是必需的，如从一个垃圾桶或引导一个机器人手臂周围的一部分的多个表面。

 

自学习复合模式匹配

传统的模式匹配工作，通过训练一个模式的基础上发现的一个代表或“好”的形象的部分。在某些应用中，它可能是不可能获得一个部分图像，不受噪声，杂波，闭塞，或其他缺陷。试图从这样一个退化的图像训练的传统模式常常产生无法使用的模式，因为模式包括许多功能，是不是在其他运行部分图像。

机器视觉检测的另一个最新进展涉及使用智能自学习复合模式匹配工具。匹配工具简化了应用程序的设置，通过学习区分重要的图像特征，有时被称为信号，或什么使得一个好的部分不同的坏的一部分，随机和不一致的差异是不显着，有时被称为噪声。

新的自学习模式匹配工具可以使用的任何地方，传统的模式匹配工具今天使用。一个典型的例子是在其安装检测分析仪芯片对准。芯片上刻有与安装在支座上的开口的圆圈。如果芯片是不一致的，圆圈看起来不是圆的。模式匹配的视觉工具确定芯片的形状是圆的，在一定的公差范围内，为好的部分，那些椭圆形为坏的部分。自学习模式匹配工具，难以用常规的模式匹配算法如应用中的部分不具有代表性的图像存在应用程序特别有用，需要忽略某些特征的不同部分的应用，以及应用中的一部分出现在不同的背景。

可以训练一个几乎理想的模式匹配的复合模型，使用多个退化的训练图像。自学习算法从每个图像中收集共同的功能，并将其统一成一个理想的模型。这种方法从训练图像中滤除噪声或其他随机错误，否则会出现在最终的复合模型中。

在某些应用中，您需要能够定位和对齐部分，其中某些功能可能是不同的在不同的部分。例如，在一个产品包装线的情况下，包装盖可能有一些共同的特点，如产品名称，而其他功能是不同的一部分，如产品的味道。复合模式匹配训练可以用来创建一个模式，包括所有部分相同的功能，而不包括不同的功能，从一部分到一部分。

复合建模也可以用来过滤背景的变化。例如，它可以建立一个模式，可以用来定位在印刷电路板上的不同位置的一个组成部分，其中的背景，由电气连接的轨道和焊料在每个位置不同。

机器视觉解决方案，帮助企业提高产品质量，消除生产误差，降低制造成本，并超过消费者的期望，高品质的产品在一个负担得起的价格。机器视觉技术的最新发展，使有可能获得这些好处在更广泛的应用，同时在同一时间提高检查精度和减少应用程序开发时间。