在檢測行業，與人類視覺相比，機器視覺優勢明顯
         1、精確度高：人類視覺是64灰度級，且對微小目標分辨力弱；機器視覺可顯著提高灰度級，同時可觀測微米級的目標；
         2、速度快：人類是無法看清快速運動的目標的，機器快門時間則可達微秒級別；
         3、穩定性高：機器視覺解決了人類一個非常嚴重的問題，不穩定，人工目檢是勞動非常枯燥和辛苦的行業，無論你設計怎樣的獎懲制度，都會發生比較高的漏檢率。但是機器視覺檢測設備則沒有疲勞問題，沒有情緒波動，只要是你在算法中寫好的東西，每一次都會認真執行。在質控中大大提升效果可控性。
         4、信息的集成與留存：機器視覺獲得的信息量是全面且可追溯的，相關信息可以很方便的集成和留存。
         機器視覺技術近年發展迅速
         1、圖像采集技術發展迅猛
         CCD、CMOS等固件越來越成熟，圖像敏感器件尺寸不斷縮小，像元數量和數據率不斷提高，分辨率和幀率的提升速度可以說日新月異，產品系列也越來越豐富，在增益、快門和信噪比等參數上不斷優化，通過核心測試指標(MTF、畸變、信噪比、光源亮度、均勻性、色溫、系統成像能力綜合評估等)來對光源、鏡頭和相機進行綜合選擇，使得很多以前成像上的難點問題得以不斷突破。
         2、圖像處理和模式識別發展迅速
         圖像處理上，隨著圖像高精度的邊緣信息的提取，很多原本混合在背景噪聲中難以直接檢測的低對比度瑕疵開始得到分辨。
         模式識別上，本身可以看作一個標記過程，在一定量度或觀測的基礎上，把待識模式劃分到各自的模式中去。圖像識別中運用得較多的主要是決策理論和結構方法。決策理論方法的基礎是決策函數，利用它對模式向量進行分類識別，是以定時描述(如統計紋理)為基礎的；結構方法的核心是將物體分解成了模式或模式基元，而不同的物體結構有不同的基元串(或稱字符串)，通過對未知物體利用給定的模式基元求出編碼邊界，得到字符串，再根據字符串判斷它的屬類。在特征生成上，很多新算法不斷出現，包括基于小波、小波包、分形的特征，以及獨二分量分析；還有關子支持向量機，變形模板匹配，線性以及非線性分類器的設計等都在不斷延展。
         3、深度學習帶來的突破
         傳統的機器學習在特征提取上主要依靠人來分析和建立邏輯，而深度學習則通過多層感知機模擬大腦工作，構建深度神經網絡(如卷積神經網絡等)來學習簡單特征、建立復雜特征、學習映射并輸出，訓練過程中所有層級都會被不斷優化。在具體的應用上，例如自動ROI區域分割；標點定位(通過防真視覺可靈活檢測未知瑕疵)；從重噪聲圖像重檢測無法描述或量化的瑕疵如橘皮瑕疵；分辨玻璃蓋板檢測中的真假瑕疵等。隨著越來越多的基于深度學習的機器視覺軟件推向市場(包括瑞士的vidi，韓國的SUALAB，香港的應科院等)，深度學習給機器視覺的賦能會越來越明顯。
         4、3D視覺的發展
         3D視覺還處于起步階段，許多應用程序都在使用3D表面重構，包括導航、工業檢測、逆向工程、測繪、物體識別、測量與分級等，但精度問題限制了3D視覺在很多場景的應用，目前工程上最先鋪開的應用是物流里的標準件體積測量，相信未來這塊潛力巨大。

返回列表