近年來，機器視覺技術變得越來越復雜，工業領域的圖像處理更多的專注于3D傳感器，而且越來越多的技術已經完善并且投入到實際應用中，包括焊縫的檢測，以及在生產過程中對未分類部件進行倉揀或精確測量金屬板。可以說，機器視覺已經轉向了3D。
        在過去的幾年里，點云評估和測量軟件也得到了快速地的發展：從單一的圖像數據轉換成點云數據，對點云數據進行測量，計數和點云匹配。
        正如圖像處理行業的大多數玩家所知道的，獲得3D圖像有幾種不同的方式。
        最傳統的激光三角測量法，這種方法可用于木材，橡膠和輪胎等垂直領域，以及汽車和軸的測量，金屬和鑄鐵工業或其他應用如道路表面的測量。
        對于激光三角測量，需要在結構化光源（如激光線投影）上精確校準相機，以確保即使在高環境溫度下也能獲得高于1 kHz的高采樣率。通常測試對象在3D傳感器下方移動以捕獲3D點云。這意味著攝像機將檢測投射到物體上的激光線，并根據激光線輪廓計算高度信息。在相機下移動物體時，會創建多個配置文件，用于完成三維圖像。典型的設置包含一個激光器，它直接位于測試對象和相機之間，相機與激光器成30°角安裝。但是激光和相機的其他角度組合也是可以的。例如，為了獲得更準確的高度分辨率，相機和激光之間的角度可以加寬。但必須注意的是，角度越小，進入照相機的光就越多，評估結果就會更穩定。         現在有越來越多的軟件可以處理3D圖像數據。該軟件可以將捕獲的數據轉換為點云，可以直接進行比較，使分析變得更加容易。
        除了激光三角測量方法之外，還有一種稱為“條紋投影”的方法。基本原理也是三角測量，但是測試對象的整個表面都是用一次拍攝捕捉的。激光將光投射到條紋圖案中，因此物體不必在傳感器下方移動。光線從30°角投射到物體上，相機正對下方物體。         測量范圍可以從不到一毫米縮放到一米以上，但分辨率也可以相應地變化。由于其測量速度快，分辨率高，條紋投影可以用于小型和大型測試物體，在工業檢查中，應用于包括形狀偏差檢查，完整性檢測，組件部件位置或體積測量等。但需要注意的是，條紋投影對周圍的光很敏感。
       3D立體相機是另一種方法。它已經存在多年，越來越多地用于機器人或調試應用。立體圖像處理使用與人眼相同的原理即立體偏移。為了獲得3D圖像，該方法采用兩臺相機的。但由于測試對象并不總是具有相同的特定特征，因此經常使用隨機模式投影。
       幾年前，據說在所有的方法中，ToF（time-of-flight）方法由于其分辨率有限而不適用于工業用途。大多數ToF相機的分辨率低于VGA，z分辨率相對較低，重復精度以厘米為單位。但是市場上已經有一些像素為百萬像素的相機。 ToF（time-of-flight）相機使用類似于雷達工程的技術。集成照明發送一個紅外脈沖，傳感器測量反射光所需的時間。近來越來越多的用于3D物體檢測，但不能用于精確的測量。越來越多的應用領域是裝載和卸載機器人托盤。
       如前所述，處理機器視覺的軟件（如點云中的測量）在3D視覺中扮演著重要角色。它就像3D的“大腦”一樣，但它是否像人腦一樣學習？如何訓練它？
       傳統的方法當然是以這樣的方式對軟件進行編程，即檢查程序檢測不良部件，每個偏離編程的特點是一個壞的部分，然后就是用軟件對好壞部分的圖像進行訓練。
       我們也可以用深度學習的方式來處理。深度學習只是人工神經網絡（簡稱ANN）的另一個名稱，但卻是一個更精致，更簡單的化身。他們已經存在了40多年。       人工神經網絡通常表示為互相交換信息的相互連接的“神經元”系統。這些連接具有可根據經驗進行調整的數字權重，使神經網絡適應輸入并能夠學習。
      由于它在目標函數非常復雜且數據集很大的應用程序中的表現令人滿意，它已經成為機器學習的一個發展趨勢。
      在深度學習中，人工神經網絡可以自動提取特征。我們不需要拍攝圖像和手動計算如顏色分布，圖像直方圖，不同的顏色計數等，我們只需要在ANN中提供原始圖像。
      深度學習有助于推進自動化進程。此外，深度學習使機器人能夠獨立做出可靠的決策。
      機器學習可用于圖像分類，對象檢測，定位，醫學成像和解釋，地震成像和解釋等。
      機器視覺行業對3D成像以及人工神經網絡和深度學習的新可能性寄予厚望。讓我們拭目以待。


原文鏈接：http://www.china-vision.org/news/hotpointsub/31335.html

返回列表