视觉应用案例解析

连接器尺寸测量系统

检测项目：

连接器端子Gap尺寸检测；

连接器端子脚位平整度检测；

技术参数：

全自动非接触检测；

检测精度<0.01mm；

检测说明：

本系统采用200万像素高速智能相机每个产品的检测时间加上处理时间可控制在100个毫秒之内。当检测出不良时，输出不良信号，可做OK/NG产品的自动分料。

芯片表面高精度检测系统

检测项目：

表面外观检测（包括灰尘、污点、刮伤等）

技术参数：

全自动非接触检测;用户可通过对检测特征值的面积值大小来自行定义OK\NG分料界限采用冷光源技术，功耗低、寿命长;缺陷能以照片形式显示，直观清晰

检测说明：

本系统采用50万彩色CCD取像，通过与标准品的比对直接判断OK\NG。能检测分别出直径

0.1mm-2.0mm以下的孔洞、疵点、脏 /污点\皱折、刮痕、暗斑、亮斑、边缘破损、黑点、尘埃等常见表面缺陷。根据表面缺陷的特征，工人可以及时发现导致该表面缺陷的设备、工艺问题所在，及时采取处理。

电子元件表面文字及方向判别系统

检测项目：

表面文字OCR,OCV,方向判别

技术参数：

系统自带的字元辨识工具（OCR）能辨识资料码，大量的编码与有限期限；而字元检测工具能检测大多数表面与在不同亮度条件下包装的印刷品质；可检测独特的印刷处理，类似点状油墨，热转印等等。通过IC表面的特征值可直接做方向判别

检测说明：

在IC元件封装之前，要先对它们的外观做最终确认，通过该系统可以将表面印字和放置方向有问题的IC做剔除，从而提高产能，减少报废率。

键盘外观检测

检测项目：

各种手机、电脑键盘的装配错误，印刷不良及表面缺陷

技术参数：

全自动非接触检测；

采用线阵系统快速扫描；

运用强大的检测及分析软件工具对被检测产品进行定位、测量、分析；

针对不同的用户需求，可以提供快速定制服务；

检测说明：

任意路径规划，适应不同产品的检测要求。 LED光源可根据产品进行定制或调整。不受工人生理、心理因数的影响，检测结果具有一致性，实时显示。喷墨标记不良产品。不受外界因素（如日光灯等）的干扰，检测结果具有稳定性。

定位系统

靶标定位

技术参数：

可依据检测物的大小和材质选择面阵系统或线阵系统来对应，具有灵活性定位精度可到0.003mm 检测说明：

目前市面上需要定位的产品囊括各个领域。类似电路板印刷前的定位，曝光机的定位，激光切割前段，FPD模块制造过程中的定位等等；本软件编排上自由灵活，可通过点选来适应各行业不同产品的定位需求。

饮料瓶外观检测系统

检测项目：

饮料瓶液位、断带及瓶盖位置度的检测

技术参数：

全自动非接触检测系统；

采用面阵系统快速扫描； 配合自动化产线，检测速度可达最低400瓶/分钟

检测说明：

PET饮料瓶自动灌装技术已广泛用于食品饮料行业。PET瓶装饮料生产的优点是速度可以很快，可达400—900瓶/分钟，但同时PET饮料瓶在自动灌装、自动旋盖和喷码过程后会出现封盖不良（俗称断带），液位偏离和喷码缺失等问题，从而产生不良品。我司的这套检测系统就是侧重这一点，在源头上解决问题，提高厂家的合格率，铲除产品质量问题的巨大隐患。

彩色识别检测系统

各行业产品的颜色识别

技术参数：

全自动非接触检测系统；

采用面阵智能系统可快速出检测结果并做相应分析；

检测说明：

提供对于各种部件种类的精准可靠的颜色检测，用于颜色校验。如食品、包装、消费品、药品、电子产品等等的标签颜色，通过对生产和包装流水线上的颜色来分类组件，并校验组件部件的优先性和安装位置等。

如示意图，通过电缆线的颜色来完成正确的接线。

二维码识别系统

检测项目：

各行业产品二维码标签的识别

技术参数：

全自动非接触检测系统；

采用面阵智能系统可快速出检测结果并做相应分析；

检测说明：

通过对标签或工件标记上的2D编码，能够处理因加工和标记技术带来的低对比度、模糊、旋转、褪色、间距不均匀、外观较差的编码，提供高读取率，如食品、包装、药品、消费品、电子部件的2D编码读取，从而了解产品的详细信息。

紧固件在线检测系统

紧固件（螺丝、螺帽、油封、链条等相关产品）外形、尺寸检测

技术参数：

全自动非接触检测系统；检测精度可达0.01mm之内；可将检测结果告知机械部分，实现OK\NG 的实时分料。

检测说明：

通过CCD对紧固件取像，针对螺丝，可检测其长度、针孔同心度、头部文字形状、裂痕、搓牙不良、牙距等特征值；针对螺帽，可检测其多段高度、多段宽度、内外径、表面瑕疵、同心度、对边对角尺寸、有无浪花、轮裂等特征值，从而提高良率。

注塑工件出模在线检测系统

检测项目：

用于注塑模具在注塑过程中对工件残缺或残留的检测。

技术参数：

工作温度为0——80度

采用130万像素CCD取像

检测速度：80个/分钟

最小工件尺寸：≥0.5mm

检测说明：

该产品目前被广泛使用于手机、电脑等接插件的注塑生产过程中由于这些都是电子产品，尺寸都比较小，所以一旦发生产品的粘连几乎所有的插针都会被打断，付出的成本是非常高的。在使用了这套系统之后完全可以避免这种情况的发生。而且每次更换模具生产新

的产品时，只要按一下键学习一次后，即可以安全生产了。一旦发横粘连，检测系统会控制机器停机并且报警，由人工取下粘连的产品回复生产即可。大大提高了生产效率和延长模具的使用寿命。

玻璃瓶质量在线检测系统

检测项目：

玻璃瓶尺寸检测(包括瓶高、瓶身外径、瓶口外径等等）

瓶身外观缺陷（包括气泡、杂质、褶皱、条纹、粘连、结石、裂纹、刻痕、擦伤、油污、手印等等）

瓶肩部缺陷（包括斜肩、歪瓶等等）

技术参数：

可适用最高300个/分钟的机器运行速度，最高检测精度为0.015mm，可实现对每个瓶子的360度全面检测。

可根据不同产品设置不同的检测检测精度和检测范围，方便适应不同规格瓶子的检测功能。 采用专门研发的剔废控制系统，可准确无误剔除缺陷产品。

系统可记录检测的总数量、废品的数量、剔废率和各种缺陷类型数据统计信息等，为工艺调整提供了很好的数据参考。

对不合格品能实时显示缺陷图像、位置等信息，以便及时发现问题，采取相应措施，统一品质要求。

本系统具有普通和高级两种用户模式，只有高级用户才能设置系统检测相关的参数信息，防止普通用户误操作。

机器视觉检测的分析简答作业及答案要点学习资料

2012研究生机器视觉课程检测及课程设计内容 一、回答下列问题： 1、什么是机器视觉，它的目标是什么？能否画出机器视觉检测系统的结构方 块图，并说出它们的工作过程原理和与人类视觉的关系？ 机器视觉是机器（通常指计算机）对图像进行自动处理并报告“图像中有什么”的过程，也就是说它识别图像中的内容。图像中的内容往往是某些机器零件，而处理的目标不仅要能对机器零件定位，还要能对其进行检验。 原始数据特征向量类别标识 特征度量模式分类器 机器视觉系统的组成框图 2、在机器视觉检测技术中：什么是点视觉技术、一维视觉技术、二维视觉技 术、三维视觉技术、运动视觉技术、彩色视觉技术、非可见光视觉技术等？ 能否说出他们的应用领域病句、案例？能否描述它们的技术特点？ 答：点视觉：用一个独立变量表示的视觉称之为点视觉。如应用位移传感器测量物体的移动速度。 一维视觉：普通的CCD。 两维视觉：用两个独立变量表示的视觉称之为两维视觉。比如普通的CCD。 三维视觉：用三个独立变量表示的视觉称之为三维视觉。比如用两个相机拍摄（双目视觉）；或者使用一个相机和一个辅助光源。 彩色视觉：用颜色作为变量的视觉称之为彩色视觉。物体的颜色是由照 射光源的光谱成分、光线在物体上反射和吸收的情况决定的。比如，一 个蓝色物体在日光下观察呈现蓝色，是由于这个物体将日光中的蓝光 反射出来，而吸收了光谱中的其他部分的光谱，而同样的蓝色物体， 在红色的光源照射下，则呈现红紫色， 非可见光视觉技术：用非可见光作为光源的视觉技术。比如非可见光成像技术。

3、机器视觉检测技术中：光源的种类有哪些？不同光源的特点是什么？光照 方式有几种？不同光照方式的用途是什么？又和技术特点和要求？ 机器视觉检测技术中光源有以下几种：荧光灯，卤素灯+光纤导管，LED 光源，激光，紫外光等。几种光源的特点如下： 成本亮度稳定度使用寿命复杂设计温度影响种类名 称 荧光灯低差差一般低一般 卤素灯+光纤导管高好一般差一般差LED光源一般一般好好高低光照方式有以下几种： 背景光法（背光照射）是将被测物置于相机和光源之间。这种照明方式的优点是可将被测物的边缘轮廓清晰地勾勒出来。由于在图像中，被测物所遮挡的部分为黑色，而未遮挡的部分为白色，因此形成“黑白分明”的易于系统分析的图像。此方法被应用于90%的测量系统中。 前景光法（正面照射）是将灯源置于被测物和相机之前。又可分为明场照射和暗场照射。明场照射是为了获得物体的几乎全部信息，照射物体的光在视野范围之内几乎全部反射回去；暗场照射是为了获取物体表面的凹凸，照射物体的光在视野范围之外有部分光反射回去。 同轴光法是将灯源置于被测物和相机之间。 4、机器视觉检测系统中，光学系统的作用是什么？光学器件有哪几种，它们 各自的作用是什么？光学镜头有几种类型，它们各自有何用途？光学镜头有哪些技术参数，各自对测量有什么影响？ 答：机器视觉检测系统中，光学系统用来采集物体的轮廓、色彩等信息。 光学器件主要有：镜头、成像器件（CCD和CMOS)、光圈、快门等。 镜头的作用是对成像光线进行调焦等处理，使成像更清晰；成像器件的作用是将光学图像转换成模拟电信号；光圈的作用如同人得瞳孔， 控制入射光的入射量，实现曝光平衡；快门的作用是将想要获取的光学

机器视觉基础知识详解模板

机器视觉基础知识详解 随着工业4.0时代的到来，机器视觉在智能制造业领域的作用越来越重要，为了能让更多用户获取机器视觉的相关基础知识，包括机器视觉技术是如何工作的、它为什么是实现流程自动化和质量改进的正确选择等。小编为你准备了这篇机器视觉入门学习资料。 机器视觉是一门学科技术，广泛应用于生产制造检测等工业领域，用来保证产品质量，控制生产流程，感知环境等。机器视觉系统是将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉优势：机器视觉系统具有高效率、高度自动化的特点，可以实现很高的分辨率精度与速度。机器视觉系统与被检测对象无接触，安全可靠。人工检测与机器视觉自动检测的主要区别有：

为了更好地理解机器视觉，下面，我们来介绍在具体应用中的几种案例。 案例一：机器人+视觉自动上下料定位的应用： 现场有两个振动盘，振动盘1作用是把玩偶振动到振动盘2中，振动盘2作用是把玩偶从反面振动为正面。该应用采用了深圳视觉龙公司VD200视觉定位系统，该系统通过判断玩偶正反面，把玩偶处于正面的坐标值通过串口发送给机器人，机器人收到坐标后运动抓取产品，当振动盘中有很多玩偶处于反面时，VD200视觉定位系统需判断反面玩偶数量，当反面玩偶数量过多时，VD200视觉系统发送指令给振动盘2把反面玩偶振成正面。 该定位系统通过玩偶表面的小孔来判断玩偶是否处于正面，计算出玩偶中心点坐标，发送给机器人。通过VD200视觉定位系统实现自动上料，大大减少人工成本，大幅提高生产效率。 案例二：视觉检测在电子元件的应用： 此产品为电子产品的按钮部件，产品来料为料带模式，料带上面为双排产品。通过对每个元器件定位后，使用斑点工具检测产品固定区域的灰度值，来判断此区域有无缺胶情况。 该应用采用了深圳视觉龙公司的DragonVision视觉系统方案，使用两个相机及光源配合机械设备，达到每次检测双面8个产品，每分钟检测大约1500个。当出现产品不良时，立刻报警停机，保证了产品的合格率和设备的正常运行，提高生产效率。

机器视觉检测讲解

研究背景： 产品表面质量是产品质量的重要组成部分，也是产品商业价值的重要保障。产品表面缺陷检测技术从最初的依靠人工目视检测到现在以CCD 和数字图像处理技术为代表的计算机视觉检测技术，大致经历了三个阶段，分别是传统检测技术阶段、无损检测技术阶段、计算机视觉检测技术阶段。[] 传统检测技术 （1）人工目视检测法 （2）频闪检测法 无损检测技术 （1）涡流检测法 （2）红外检测法 （3）漏磁检测法 计算机视觉检测技术 （1）激光扫描检测法 （2）CCD 检测法 采用荧光管等照明设备，以一定方向照射到物体表面上，使用CCD摄像机来扫描物体表面，并将获得的图像信号输入计算机，通过图像预处理、缺陷区域的边缘检测、缺陷图像二值化等图像处理后，提取图像中的表面缺陷的相关特征参数，再进行缺陷图像识别，从而判断出是否存在缺陷及缺陷的种类信息等。 优点：实时性好，精确度高，灵活性好，用途易于扩充，非接触式无损检测。 基于机器视觉的缺陷检测系统优点： 集成化生产缩短产品进入市场时间改进生产流程100%质量保证实时过程监控提高产量精确检测100%检测 由于经济和技术原因国内绝大多数图像处理技术公司都以代理国外产品为主，没有或者很少涉足拥有自主知识产权的机器视觉在线检测设备，对视觉技术的开发应用停留在比较低端的小系统集成上，对需要进行大数据量的实时在线检测的研究很少也很少有成功案例，但是随着国内经济发展和技术手段不断提高对产品质量检测要求就更高，对在线检测设备的需求也就更大具有巨大的市场潜力。 机器视觉图像处理技术是视觉检测的核心技术 铸件常见缺陷：砂眼气孔缩孔披缝粘砂冷隔掉砂毛刺浇不足缺陷变形 问题的提出： 1.水渍、污迹等不属于铸件缺陷，但由于其外观形貌与缺陷非常类似, 因此易被检测系统误识为缺陷。从目前发表的文献来看，对于伪缺陷的识别率较低。 2.不同种缺陷之间可能存在形状、纹理等方面的相似性，造成缺陷误判。 国外研究发展现状： 20 世纪90 年代后，基于机器视觉检测系统的自动化功能和实用化水平得到了进一步的提高。 1990 年芬兰Rautaruukki New Technology公司研制了Smartivis表面检测系统[]，该系统具有自学习分类功能，应用机器学习方法对决策树结构进行自动设计优化。 1996 年美国Cognex公司研发了一套iLearn自学习分类器软件系统并应用于其研制了iS-2000 自动检测系统。通过这两套系统的无缝衔接，极大地提高了检测系统实时的运算速度，有效的改进了传统自学习分类方法在算法执行速度、数据实时吞吐量、样本训练集规模及模式特征自动选择等方面的不足之处[]。 2004 年Parsytec公司发布了新一代表面质量检测产品Parsytec5i，该系统运用了自学习神经

机器视觉检测的基础知识[大全]

机器视觉检测的基础知识~相机 容来源网络，由“机械展（11万㎡，1100多家展商，超10万观众）”收集整理！ 更多cnc加工中心、车铣磨钻床、线切割、数控刀具工具、工业机器人、非标自动化、数字化无人工厂、精密测量、3D打印、激光切割、钣金冲压折弯、精密零件加工等展示，就在机械展. 相机都有哪些种类？我们常说的CCD就是相机么？除了2D平面相机，是否还有其他种类的相机，原理又是什么？下面这篇文章给您一一道来。 一，相机就是CCD么？ 通常，我们把所有相机都叫作CCD，CCD已经成了相机的代名词。正在使用被叫做CCD的很可能就是CMOS。其实CCD和CMOS都称为感光元件，都是将光学图像转换为电子信号的半导体元件。他们在检测光时都采用光电二极管，但是在信号的读取和制造方法上存在不同。两者的区别如下： 二，像素。 所谓像素，是指图像的最小构成单位。电脑中的图像，是通过像素（或者称为PIXEL）这一规则排列的点的集合进行表现的。每一个点都拥有色调和阶调等色彩信息，由此就可以描绘出彩色的图像。 ▼例如：液晶显示器上会显示「分辨率：1280×1024」等。这表示横向的像素数为1280，纵向的像素数为1024。这样的显示器的像素总数即为1280×1024＝1,310,720。由于像素数越多，则越可以表现出图像的细节，因此也可以说「清晰度更高」。

三，像素直径。 所谓像素直径，是指每个CCD元件的大小，通常使用μm作为单位。严谨的说，这个大小中包含了受光元件与信号传送通路。（＝像素间距，即某个像素的中心到邻近一个像素的中心的距离。）。也就是说，像素直径与像素间距的值是一样的。如果像素直径较小，则图像将通过较小的像素进行描绘，因此可以获得更加精细的图像。可以通过像素直径和有效像素数，求出CCD元件的受光部的大小。 假设某个 CCD 元件的条件如下所示： ·有效像素数…768 × 484 ·像素直径…8.4 μm× 9.8μm 则受光部的大小为 ·横向768 × 8.4μm＝ 6.4512 mm ·纵向484 × 9.8μm＝ 4.7432 mm 四，CCD的大小。 ▼CCD感光元件的大小，一般分为采用英寸单位表示和采用APS-C大小等规格表示这2种方式。采用英寸表示时，该尺寸并不是拍摄的实际尺寸，而是相当于摄像管的对角长度。例如，1/2英寸的CCD表示「拥有相当于1/2英寸的摄像管的拍摄围」。为什么如此计算呢，这是由于当初制造CCD的目的就是用来代替电视机录像机的摄像管的。当时，由于想要继续使用镜头等光学用品的需求比较强烈，由此就诞生了这种奇怪的规格。主要的英寸规格的尺寸如下表所示。

人类智能的特性表现在4个方面

：人类智能的特性表现在 4 个方面 。 A：聪明、灵活、学习、运用。 B：能感知客观世界的信息、能对通过思维对获得的知识进行加工处理、能通过学习积累知识 增长才干和适应环境变化、能对外界的刺激作出反应传递信息。 C：感觉、适应、学习、创新。 D：能捕捉外界环境信息、能够利用利用外界的有利因素、能够传递外界信息、能够综合外界 信息进行创新思维。 2：人工智能的目的是让机器能够 ，以实现某些脑力劳动的机械化。 A：具有智能 B：和人一样工作 C：完全代替人的大脑 D：模拟、延伸和扩展人的智能 3：下列关于人工智能的叙述不正确的有： 。 A：人工智能技术它与其他科学技术相结合极大地提高了应用技术的智能化水平。 B：人工智能是科学技术发展的趋势。 C：因为人工智能的系统研究是从上世纪五十年代才开始的，非常新，所以十分重要。 D：人工智能有力地促进了社会的发展。 4：人工智能研究的一项基本内容是机器感知。以下列举中的 不属于机器感知 的领域。 A：使机器具有视觉、听觉、触觉、味觉、嗅觉等感知能力。 B：让机器具有理解文字的能力。 C：使机器具有能够获取新知识、学习新技巧的能力。 D：使机器具有听懂人类语言的能力 5：自然语言理解是人工智能的重要应用领域，下面列举中的 不是它要实现的 目标。 A：理解别人讲的话。 B：对自然语言表示的信息进行分析概括或编辑。 C：欣赏音乐。 D：机器翻译。 6：为了解决如何模拟人类的感性思维，例如视觉理解、直觉思维、悟性等，研究者找到一个 重要的信息处理的机制是： 。 A：专家系统 B：人工神经网络 C：模式识别 D：智能代理 7: 根据下列选项来判断可以用指纹来鉴定的是： ①证件 ②签字 ③照片 ④ 密码 ⑤钥 匙 ⑥印签（ ） Ａ ： ① ② Ｂ ： ① ② ③ Ｃ：①②③④ Ｄ：①②③④⑤⑥ 8：下列选项错误的是（ ） Ａ：研究人工智能成为当前信息化社会的迫切需求 Ｂ：智能化是自动化发展的必要趋势 Ｃ：人工智能的研究方法：结构模拟、功能模拟和行为模拟 Ｄ：人工智能的实质是人造的智能 9：机器人之父是指： （ ） A：阿兰.图灵 B：伯纳斯.李 C：莎佩克 D：英格伯格和德沃尔 10：下列哪个应用领域不属于人工智能应用？（ ）
1/5

基于机器视觉的表面缺陷检测系统设计

编号 本科生毕业设计 基于机器视觉的表面缺陷检测系统设计 Surface defect detection system design based on machine vision 学生姓名 专业电子信息工程 学号 指导教师 学院电子信息工程学院 二〇一三年六月

毕业设计（论文）原创承诺书 1．本人承诺：所呈交的毕业设计（论文）《基于机器视觉的表面缺陷检测系统设计》，是认真学习理解学校的《长春理工大学本科毕业设计（论文）工作条例》后，在教师的指导下，保质保量独立地完成了任务书中规定容，不弄虚作假，不抄袭别人的工作内容。 2．本人在毕业设计（论文）中引用他人的观点和研究成果，均在文中加以注释或以参考文献形式列出，对本文的研究工作做出重要贡献的个人和集体均已在文中注明。 3．在毕业设计（论文）中对侵犯任何方面知识产权的行为，由本人承担相应的法律责任。 4．本人完全了解学校关于保存、使用毕业设计（论文）的规定，即：按照学校要求提交论文和相关材料的印刷本和电子版本；同意学校保留毕业设计（论文）的复印件和电子版本，允许被查阅和借阅；学校可以采用影印、缩印或其他复制手段保存毕业设计（论文），可以公布其中的全部或部分内容。 以上承诺的法律结果将完全由本人承担！ 作者签名：年月日

中文摘要 为了不断提高产品质量和生产效率，金属工件表面缺陷在线自动检测技术在生产过程中显得日益重要。针对金属工件表面的多种缺陷，本文设计了一套基于机器视觉能够实现对金属工件表面缺陷进行实时在线、无损伤的自动检测系统。该系统采用面阵CCD和多通道图像采集卡作为图像采集部分，提高了检测系统的速度并降低了对CCD的性能要求，使系统在现有的条件下比较容易实现实时在线检测；采用自动选取图像分割阈值，根据实际应用的阈值把工件信息从图像中提取出来并扫描工件图像中的信息，实现了系统的自动测量；根据扫描得到的工件信息去除掉工件边缘的光圈，利用自动选取的阈值对金属工件表面的图像进行二值化分割，从而实现各种缺陷的自动提取及识别。 关键词：机器视觉表面缺陷CCD 图像处理缺陷检测

机器视觉及工程应用matlab实例分析

clear all; clc; %RGB分量显示（如图1所示） I=imread('C:\Users\bjut\Desktop\机器视觉\北工大.jpg');%读取图片R=I(:,:,1);%图片中的红色元素存在R中 G=I(:,:,2);%图片中的绿色元素存在G中 B=I(:,:,3);%图片中的蓝色元素存在H中 figure(1) subplot(2,2,1);%生成2*2个子图，当前激活第1个子图 imshow(I);%显示图片 title('原始图像');%图片标题 subplot(2,2,2);%生成2*2个子图，当前激活第2个子图 imshow(R);%显示图片 title('R分量图像');%图片标题 subplot(2,2,3);%生成2*2个子图，当前激活第3个子图 imshow(G);%显示图片 title('G分量图像');%图片标题 subplot(2,2,4);%生成2*2个子图，当前激活第4个子图 imshow(B);%显示图片 title('B分量图像');%图片标题 图1 RGB分量显示

%彩色直方图均衡化（如图2） R1=histeq(R);%对各分量直方图均衡化，得到各分量均衡化图像 G1=histeq(G); B1=histeq(B); I1=cat(3,R,G,B);%创建三维矩阵，R为第一页，G为第二页，B为第三页HSV=rgb2hsv(I);%RGB转换成HSV V=HSV(:,:,3); V=histeq(V);%直方图均衡化 HSV(:,:,3)=V;%明亮度调节 I2=hsv2rgb(HSV); %HSV转换成RGB figure(2);%显示图像 subplot(1,2,1); imshow(I1); title('RGB各分量均衡化'); subplot(1,2,2); imshow(I2); title('V分量均衡化'); 图2 彩色直方图均衡化 %灰度图像伪彩色处理（如图3（a）） I=imread('C:\Users\bjut\Desktop\机器视觉\北工大灰度.jpg'); figure(3); imshow(I); title('灰度图像'); I=im2double(I);%图像数据转换成double型 [W,H]=size(I); R=zeros(W,H); G=zeros(W,H); B=zeros(W,H); L=1; %设置色彩变换函数

机器视觉入门知识详解

机器视觉入门知识详解 随着工业4.0时代的到来，机器视觉在智能制造业领域的作用越来越重要，为了能让更多用户获取机器视觉的相关基础知识，包括机器视觉技术是如何工作的、它为什么是实现流程自动化和质量改进的正确选择等。小编为你准备了这篇机器视觉入门学习资料。 机器视觉是一门学科技术，广泛应用于生产制造检测等工业领域，用来保证产品质量，控制生产流程，感知环境等。机器视觉系统是将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。 机器视觉优势：机器视觉系统具有高效率、高度自动化的特点，可以实现很高的分辨率精度与速度。机器视觉系统与被检测对象无接触，安全可靠。人工检测与机器视觉自动检测的主要区别有：

为了更好地理解机器视觉，下面，我们来介绍在具体应用中的几种案例。 啤酒厂采用的填充液位检测系统为例来进行说明： 当每个啤酒瓶移动经过检测传感器时，检测传感器将会触发视觉系统发出频闪光，拍下啤酒瓶的照片。采集到啤酒瓶的图像并将图像保存到内存后，视觉软件将会处理或分析该图像，并根据啤酒瓶的实际填充液位发出通过-未通过响应。如果视觉系统检测到一个啤酒瓶未填充到位，即未通过检测，视觉系统将会向转向器发出信号，将该啤酒瓶从生产线上剔除。操作员可以在显示屏上查看被剔除的啤酒 瓶和持续的流程统计数据。

机器人视觉引导玩偶定位应用： 现场有两个振动盘，振动盘1作用是把玩偶振动到振动盘2中，振动盘2作用是把玩偶从反面振动为正面。该应用采用了深圳视觉龙公司VD200视觉定位系统，该系统通过判断玩偶正反面，把玩偶处于正面的坐标值通过串口发送给机器人，机器人收到坐标后运动抓取产品，当振动盘中有很多玩偶处于反面时，VD200视觉定位系统需判断反面玩偶数量，当反面玩偶数量过多时，VD200视觉系统发送指令给振动盘2把反面玩偶振成正面。 该定位系统通过玩偶表面的小孔来判断玩偶是否处于正面，计算出玩偶中心点坐标，发送给机器人。通过VD200视觉定位系统实现自动上料，大大减少人工成本，大幅提高生产效率。 视觉检测在电子元件的应用：

视觉媒体特性(精)

视觉媒体特性 作者：佚名转贴自：本站原创点击数：64 人类信息交流中，最丰富的信息流是视觉媒体。凡是通过视觉传递信息的媒体，都属于视觉类媒体。它包括图形、图像、文字以及一切形象化的视觉信息形式。视觉类媒体特性研究，涉及光度学、色度学、图形学、数字信号处理和人类视觉生理心理特性等，认识和运用其基本特征，是视觉媒体处理的各种技术之基础。作为一名专业的图形设计员来说，了解视觉媒体特性是必不可缺的。下面我们将从几个不同的侧面来分析和说明视觉类媒体的主要特性。 一、可见光谱与光度学参量 人眼所看到的客观存在的世界，通常称之为景象。客观物体所发出的光线或是物体受光源照射后所反射、透射的光，在人的视网膜上成象，是一种自然的生理功能，它使人能借助视媒体去认识世界。近代科学的发展，特别是光电转换技术进步，使人类能够以各种方法来记录、处理、传输客观景象，如各类图片、照片、绘画、文稿、X光胶片等：不仅是获取和记录那些人眼可见的图像信息还可利用非可见光和其它手段成象，或利用适当转换装置将其变为人眼可视图像，例如红外成象、超声成象、微波成象等；科学技术使人的视觉能力逐步增强和延伸。从‘物理上讲，光线是电磁波的一种能量辐射形式。电磁波的主要参数包括：传播方向，所具能量，极化情况和波长。电磁波的频率范围很宽，根据波长不同，具有不同性质，包括无线电波、红外线、可见光谱、紫外线、X射线、’宇宙射线等。可见光谱在电磁波中仅是很窄的一段，其波长在380至780毫微米之间，波长不同呈现不同的颜色，从紫、蓝、绿、黄到橙、红，连续地变化。描述方法使用如下物理量：光源发光强度、光通量、照度、亮度，还使用视敏曲线反映人眼的感觉特性。 二、三基色原理 不同波长的单色光会引起不同的彩色感觉，然而同样的彩色感觉却可以来源于不同的光谱成分的组合，这个事实说明，光谱分布与彩色感觉之间的关系是多对一的，也说明在彩色重现过程中并不要求客观景物反射光的光谱成分，而重要的是人眼应获得原景物的相同的彩色视觉。实验证实，大自然中几乎所有颜色都可以用几种基色按不同比例混合而得到。三基色原理包括如下内容： 1．选择三种相互独立的颜色，即不能以其中两种混合而得到第三种作为基色，将这三基色按不同比例进行组合，可获得自然界各种彩色感觉。如彩色电视技术中选用红(R)、绿(G)和蓝(B)作为基色，印染技术中选用黄、品红、青作为基色。 2．任意两种非基色的彩色相混合也可以得到一种新的彩色，但它应该等于把两种彩色各自分解为三基色，然后将基色分量分别相加后再相混合而得到的颜色。 3．三基色的大小决定彩色光的亮度，混合色的亮度等于各基色分量亮度之和。

基于视觉的缺陷检测概述

基于视觉的缺陷检测 在机器视觉的应用中,表面缺陷检测占据非常重要的位置,因为其可有效地提高产品质量、降低成本,并可提高用户满意度。 根据表面图像的特点可以将基于视觉的缺陷检测技术分为两类：一类为不具备明显纹理特征材质的缺陷检测，如光学元件，金属类器件等；一类为纹理类材质的缺陷检测，如木材、布匹等。 根据缺陷的形状可以分为两类：广义线类，包括裂纹，刻痕等；广义点类，包括凸块，凹陷，孔穴，污物等。 基于视觉的缺陷检测的主要步骤为： 特征提取为其中的关键，缺陷特征提取的好坏直接影响检测的效果。 预处理的目的是减少图像的噪声，提高目标与背景的对比度，突出图像中的缺陷特征。 小波技术在预处理中的应用： 1.小波去噪 2.小波融合 可以将不同角度拍摄的图像进行融合 采用小波融合方法既能够很好地保留几幅源图像基本信息，又能够突出图像中的缺陷边缘、结构等高频信息，使融合后的图像信息更加全面、准确，图像质量效果更加优良，全方位地表达了缺陷特征，可以为缺陷的进一步分类识别提供充足的数据支持。 不具备明显纹理特征的图像检测 此类图像的特点为缺陷目标和背景对比度低，瑕疵目标的形状比较复杂，整个瑕疵目标占整幅图像的比例非常小，受噪声影响大，图像没有纹理。 由于图像中无纹理，缺陷特征一般先用边缘检测算子提取缺陷区域的边缘，在将其从目标图像中分割出来，提取其特征参数如周长，面积，质心，圆形度，伸长度等，以此来进行缺陷检测和分类。 边缘检测算子： 1.梯度算子 2.LoG算子 3.canny算子 边缘检测算子需要准确的提取瑕疵边缘，又能抑制噪声的干扰，同时该算法还要具备快速、自适应性。需要寻找一种新或改进的算法。 为了辩识缺陷目标，需要将其与源图像的背景中分离出来，在此基础上进行进一步的处理和分析。 图像分割的算法： 1.阈值分割

(完整版)机器视觉思考题及其答案

什么是机器视觉技术？试论述其基本概念和目的。 答：机器视觉技术是是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。机器视觉技术最大的特点是速度快、信息量大、功能多。 机器视觉是用机器代替人眼来完成观测和判断，常用于大批量生产过程汇总的产品质量检测，不适合人的危险环境和人眼视觉难以满足的场合。机器视觉可以大大提高检测精度和速度，从而提高生产效率，并且可以避免人眼视觉检测所带来的偏差和误差。 机器视觉系统一般由哪几部分组成？试详细论述之。 答：机器视觉系统主要包括三大部分：图像获取、图像处理和识别、输出显示或控制。 图像获取：是将被检测物体的可视化图像和内在特征转换成能被计算机处理的一系列数据。该部分主要包括，照明系统、图像聚焦光学系统、图像敏感元件（主要是CCD和CMOS）采集物体影像。 图像处理和识别：视觉信息的处理主要包括滤波去噪、图像增强、平滑、边缘锐化、分割、图像识别与理解等内容。经过图像处理后，图像的质量得到提高，既改善了图像的视觉效果又便于计算机对图像进行分析、处理和识别。 输出显示或控制：主要是将分析结果输出到显示器或控制机构等输出设备。 试论述机器视觉技术的现状和发展前景。 答：。机器视觉技术的现状：机器视觉是近20～30年出现的新技术，由于其固有的柔性好、非接触、快速等特点，在各个领域得到很广泛的应用，如航空航天、工业、军事、民用等等领域。 发展前景：随着光学传感器、信息技术、信号处理、人工智能、模式识别研究的不断深入和计算机性价比的不断提高，机器视觉技术越来越成熟，特别是市面上已经有针对机器视觉系统开发的企业提供配套的软硬件服务，相信越来越多的客户会选择机器视觉系统代替人力进行工作，既便于管理又节省了成本。价格持续下降、功能逐渐增多、成品小型化、集成产品增多。 机器视觉技术在很多领域已得到广泛的应用。请给出机器视觉技术应用的三个实例并叙述之。答：一、在激光焊接中的应用。通过机器视觉系统，实时跟踪焊缝位置，实现实时控制，防止偏离焊缝，造成产品报废。 二、在火车轮对检测中的应用，通过机器视觉系统抓拍轮对图像，找出轮对中有缺陷的轮对，提高检测精度和速度，提高效率。 三、大批量生产过程中的质量检查，通过机器视觉系统，对生产过程中的产品进行质量检查跟踪，提高生产效率和准确度。 什么是傅里叶变换，分别绘出一维和二维的连续及离散傅里叶变换的数学表达式。论述图像傅立叶变换的基本概念、作用和目的。 答：傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。 一维连续函数的傅里叶变换为： 一维离散傅里叶变换为： 二维连续函数的傅里叶变换为： 二维离散傅里叶变换为： 图像傅立叶变换的基本概念：傅立叶变换是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被喻为描述图

机器视觉技术的发展及其应用

机器视觉技术的发展及其应用 秦亚航1，苏建欢2，余荣川1 ( 1.广西科技大学电气与信息工程学院，广西柳州545006;2.河池学院，广西宜州643006) 【摘要】机器视觉系统的特点是提高生产的柔性和自动化程度。随着信号处理理论和计算机技术的发展，该技术迅速发展。本文介绍了机器视觉的关键技术的发展现状，其中包括光源照明技术、光学镜头、摄像机及图像采集卡、图像信号处理、执行机构等，并论述了其主要的应用领域以及存在的一些问题。 【关键词】机器视觉；图像采集；图像处理 Development of Machine Vision and Applications QIN Ya-hang1，QIN Wei-nian，SU Jian-huan2，YU Rong-chuan1 （College of Electrical and Information Engineering ，Guangxi University of Science and Technology，Liuzhou 545006，China；He Chi Universiry，Yizhou643006，China） 【Abstract】The characteristics of the machine vision system is to improve the flexibility and automation of production. With the development of signal processing theory and computer technology, the technology is developing rapidly. This paper introduces the development status of the key technology of machine vision, including lighting technology, optical lens, camera and image acquisition card, image signal processing, actuators, etc,and discusses its main application field and some problems. 【Keywords】Machine vision; Image acquisition; The image processing 0前言 机器视觉可以理解为基于视觉技术的机器系统或学科。美国制造工程协会机器视觉分会 和美国机器人工业协会的自动化视觉分会对机器视觉下的定义为：“机器视觉是通过光学装 置和非接触的传感器自动地接受和处理一个真实物体的图像，通过分析图像获得所需信息或 用于控制机器运动的装置”[1]。机器视觉是计算机学科的一个重要分支，它综合了光学、机 械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、 信号处理、光机电一体化等多个领域。图像处理和模式识别等技术的快速发展，也大大地推 动了机器视觉的发展。

机器视觉应用案例分析

机器视觉应用案例简析 机器视觉的应用在近年来越加广泛，其中机器视觉检测、机器人视觉两方面的技术成为目前主要的两大技术应用领域，维视图像在此为你介绍机器视觉的部分应用实例，为大家学习提供参考。 一、机器视觉两大主要应用领域 1. 机器视觉检测：机器视觉检测又可分为高精度定量检测（例如显微照片的细胞分类、机械零部件的尺寸和位置测量）和不用量器的定性或半定量检测（例如产品的外观检查、装配线上的零部件识别定位、缺陷性检测与装配完全性检测）。 基于通用视觉系统的角度检测 2. 机器人视觉：用于指引机器人在大范围内的操作和行动，如从料斗送出的杂乱工件堆中拣取工件并按一定的方位放在传输带或其他设备上（即料斗拣取问题）。至于小范围内的操作和行动，还需要借助于触觉传感技术。

基于视觉技术的机器人定位 二、机器视觉10大应用实例分析 1. 基于机器视觉的仪表板总成智能集成测试系统 EQ140-II汽车仪表板总成是我国某汽车公司生产的仪表产品，仪表板上安装有速度里程表、水温表、汽油表、电流表、信号报警灯等，其生产批量大，出厂前需要进行一次质量终检。检测项目包括：检测速度表等五个仪表指针的指示误差；检测24个信号报警灯和若干照明9灯是否损坏或漏装。一般采用人工目测方法检查，误差大、可靠性差，不能满足自动化生产的需要。基于机器视觉的智能集成测试系统，改变了这种现状，实现了对仪表板总成智能化、全自动、高精度、快速化的质量检测，克服了人工检测所造成的各种误差，大大提高了检测效率。 2. 金属板表面自动控伤系统 金属板如大型电力变压器线圈、扁平线收音机朦胧皮等的表面质量都有很高的要求，但原始的采用人工目视或用百分表加控针的检测方法，不仅易受主观因素的影响，而且可能会给被测表面带来新的划伤。金属板表面自动探伤系统利用机器视觉技术对金属表面缺陷进行自动检查，在生产过程中高速、准确地进行检测，同时由于采用非接角式测量，避免了产生新划伤的可能。 3. 汽车车身检测系统 英国ROVER汽车公司800系列汽车车身轮廓尺寸精度的100%在线检测，是机器视觉系

比视觉灵敏度表示人类视觉分光灵敏度特性

比视觉灵敏度表示人类视觉分光灵敏度特性 在光强度的测量方法中有辐射测量与测光法两种不同的方法。辐射测量法指的是对于光谱范围内的整个波长，包括紫外线、可见光和红外线，全部进行测量。测光法测量的仅仅是可见光。 而要将物理辐射量转换为表示人的眼睛所感知的明暗程度的测光量时，需要引入一个比视觉灵敏度的概念。所谓比视觉灵敏度，表示的是人类眼睛的分光灵敏度特性。在图 1.7 中，用虚线补充的就是光敏二极管 BS120 的标准比视觉灵敏度特性。 例如，在测量照度的是偶，可以将照度置换为人们感觉到了许多大程度明亮的数值，因此被纳入比视觉灵敏度之中。为此，就像图 1.7 那样，用于照度测量的光敏二极管 BS120，其分光灵敏度特性就制作得尽可能地与比视觉灵敏度相吻合。 短路电流的表示方法如表 1.1 所示，与照度相对应，约为 0.16μA/100lx。 但是，用于紫外线检测的光敏二极管 G3614 可以检测出人眼看不见的光线，因此表示为无法用比视觉灵敏度表示的辐射强度。从表 1.1 可以看出，光敏二极管 G3614 的辐射强度检测灵敏度为 60mA/W。 将光敏传感器与发光器件组合时的注意点 在红外遥控器中发光器件是与感光器件配对使用的。通常，使用发光二极管（LED）作为发光器件，而且尤其重要的是其发光特性应当与作为感光器件的光敏二极管相匹配。 图 1.9 给出的是与各种发光器件的波长相对应的而检测能力。从中可以找到与光敏二极管 PH302B 相对应的发光二极管。从表 1.1 可以查到，光敏二极管 PH302B 的峰值波长位于940nm；对照图 1.9 可以了解到，适合与之配套使用的发光二极管是 GaAs 红外发光二极管。

表面缺陷检测

对于生产物件的检测，由于科学技术的限制，起初只能采用人工进行检测，这样的方式不仅消耗大量人力，而且浪费时间，效率低下。于是，基于机器视觉技术的表面缺陷检测技术应运而生，我们有必要关注关注，并了解相关注意事项。 当今社会，随着计算机技术，人工智能等科学技术的出现和发展，以及研究的深入，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，大大提高了生产作业的效率，避免了因作业条件、主观判断等影响检测结果的准确性，实现能更好更准确地进行表面缺陷检测，更加快速的识别产品表面瑕疵缺陷。 产品表面缺陷检测属于机器视觉技术的一种，就是利用计算机视觉模拟人类视觉的功能，从具体的实物进行图象的采集处理、计算、进行实际检测、控制和应用。产品的表面缺陷检测是机器视觉检测的一个重要部分，其检测的准确程度直接会影响产品的质量优劣。由于使用人工检测的方法早已不能满足生产和现代工艺生产制造的需求，而利用机器视觉检测很好地克服了这一点，表面缺陷检测系统的广泛应用促进了企业工厂产品高质量的生产与制造业智能自动化的发展。

在进行产品表面检测之前，有几个步骤需要注意。 首先，要利用图像采集系统对图像表面的纹理图像进行采集分析； 其次，对采集过来的图像进行一步步分割处理，使得产品表面缺陷能像能够按照其区域特征进行分类； 再者，在以上分类区域中进一步分析划痕的目标区域，使得范围更加的准确。 通过以上的三步处理之后，产品表面缺陷区域和特征能够进一步确认，这样表面缺陷检测的基本步骤就完成了。 利用机器视觉技术提高了用户生产效率，使得生产更加细致化，分工更加明确，同时，减少了公司的人工成本支出，节省了财力，实现机器智能一体化发展。 南京博克纳自动化系统有限公司总部位于美丽的中国古都南京，是国内专业研制无损检测仪器及设备的高科技企业。公司致力于涡流、漏磁和超声波仪器及各种非标设备的研制，已拥有自主研发的多项国家专利。产品被广泛应用于航天航空、军工、汽车、电力、铁路、冶金机械等行业。产品出口：美国、

人类视觉系统

人类视觉系统，即Human visual system。人类视觉系统只有3种视锥细胞，因此在缤纷的世界中，即使面对似锦的繁花，我们也可能犹如色盲，常常对一些色彩“视而不见”；而鸟类独特的视觉系统，拥有4种视锥细胞，能辨别出更多色彩，看见的世界也更加绚丽多彩，远远超越了人类。 对颜色/亮度的感知 人类对光的感知是依靠视网膜(retina)细胞。cones(圆锥细胞)负责感知光度(较强光)和色彩, rods(杆状细胞)仅能感知光度，不能感知颜色，但其对光的敏感度是cones的一万倍。在微弱光环境下rods起主要作用，因此我们不能在暗环境中分辨颜色。一些数码相机的夜光拍摄模式也模拟了这一特性。 视网膜中三种圆锥细胞(cones) 有重叠的频率响应曲线，但响应强度有所不同，他们分别对红(570nm), 绿(535nm), 蓝(445nm)光有最敏感，共同决定了色彩感觉。光度(luminance) 正比于视网膜细胞接受到的光强度能量，但人类对相同强度不同波长的光具有不同的敏感度。可感知的波长范围380nm~780nm，称为可见光。其中对绿色(550nm)光产生最大的光强敏感度。 视力 眼睛的空间分辨能力，即视力，通常用可分辨视角(degree)的倒

数为单位。正常人的最少可辨视觉阀值约0.5”，最大视觉范围200度(宽)×135度(高)。 空间频率 即影像在空间中的变化速度。用亮度呈空间正弦变化的条纹做测试，亮度Y(x,y) = B(1+mcos2πfx), 给定条纹频率f为一固定值(看作是宽度)，改变振幅m(看作对比度)，测试分辨能力。显然m越大分辨越清楚，测试不同条件下(不同cpd)可分辨的最少m值，定义1/mmin为对比敏感度(contrast sensitivity)。定义人眼的对空间感觉的角度频率：cpd: cycle / degree ，表示眼球每转动一度扫过的黑白条纹周期数。对给定的条纹，这个值与人眼到显示屏的距离有关，对于同样大小的屏幕，离开越远，cpd越大。 通常人眼对空间的感觉相当于一个带通滤波器。最敏感在2~5个cpd ，空间截止频率为30cpd。比如我们看油画和电视机屏幕时，当距离离开一定远，cpd增大，人的眼睛就分辨不了象素点细节，便感觉不到颗粒感了。 当人观察一个静止影像时，眼球不会静止一处(精神病人除外), 通常停留在一处几百毫秒完成取像后，移到别处取像，如此持续不断。这种运动称为跳跃性运动(saccadic eye movement)。研究表明跳跃性运动可以增大对比敏感度，但敏感度峰值却减少。 对时间频率的感知

人类视觉注意力的发展与分析

2012年第12期 吉林省教育学院学报 No.12，2012 第28卷JOURNAL OF EDUCATIONAL INSTITUTE OF JILIN PROVINCE Vol .28（总288期） Total No .296 收稿日期：2012—10—18 作者简介：陈梦泽（1984—），男，吉林长春人，长春师范学院数学学院，助教，硕士。研究方向：图像处理，视频图像水印，计算视觉等。 人类视觉注意力的发展与分析 陈梦泽 （长春师范学院数学学院，吉林长春130000） 摘要：人类视觉在面对复杂场景时，会迅速将注意力集中在显著性区域，从而发现其感兴趣的目标。由于注意力选择机制的存在，这种处理的精确性和速度会超过机器视觉。因此如何设计出能够模拟人类视觉注意力的模型是现在我们亟待解决的问题。 关键词：视觉注意；显著图；视觉特征中图分类号：TP391．41 文献标识码：A 文章编号：1671—1580（2012）12—0139—02 人类进行视觉信息的处理主要通过人类视觉注意这一重要的心理调节机制， 在信息爆炸的社会，有大量视觉信息输入的时候做有机筛选变得非常有必要，视觉注意力提供了这样的功能。人类视觉系统可以帮助我们过滤一些不相关的信息，更加关注感 兴趣的事物， 通过及时分析视频中主要的信息（颜色、亮度、轮廓、运动等），从而快速地提取关键目标对象。将这种机制引入到图像分析领域可以大大提高图像处理的效率。它主要应用在下面几个主要领域：图像和视频的压缩及编码、信息隐藏和数字水 印、 目标分割和检测识别、图像检索、场景分析等 。 一、静态图像影响视觉注意程度的主要因素 图1观察图像 最基本的视觉信息包括：颜色、亮度、轮廓、位置 等。根据人类视觉处理信息的流程， 对于静止的图像，底层视觉特征是影响视觉注意程度的首要因素：物体的亮度越高越容易被关注、物体的边缘有较高的对比度可以得到更多的注意，颜色越鲜艳则在图片中更突出。例如我们在看到图1时，我们会在第 一时间注意到鱼，两只鱼在视觉上是显著的，它们的 颜色和形状都和背景不一样， 在水中很明显。这种明确的视觉特性差异是由物理刺激形成的。同时高层信息对注意力也有较大影响：例如人们会更注意 尺寸大的或者细长条的物体， 位于区域中央25%的区域比其余部分注意度高，例如图1中鱼的位置在图片的中央，就单一物体来说在画面中最大；前景比 背景包含更多的语义信息， 则具有更高的注意程度，例如在包含有人物的图像中，人物尤其是面部及面部器官更容易吸引注意。 对于静态图像的视觉注意力的研究有很多经典的模型。最早的Treisman 提出的特征整合理论，把视觉信息处理过程分为前注意阶段和集中注意阶段，在前注意阶段提出各种视觉特征，并在注意阶段 以串行方式整合为视觉客体。在此基础上， 1990年，Wolfe 提出了指向性搜索理论，对一幅图像，通过滤波得到各个视觉特征的特征图，然后通过不同 的加权方式将其综合成一张特征图， 图像中幅度大的地方就是感兴趣的区域。1998年， Itti 等在Koch 的理论框架基础上提出了显著性的视觉注意模型，它的目标选择是基于自底向上数据驱动的，通过特征提取、显著图生成和注意焦点的转移三个过程来选取目标对象。 二、动态图像影响视觉注意程度的主要因素在视频中除了有静态图像影响视觉注意程度的因素外，最引人注意的是运动特征，高速行驶的汽车总要比静止的路标更吸引人的注意。随着时间的推 9 31

机器视觉的组成及工作原理

1．机器视觉的组成及工作原理 机器视觉系统处理的核心目标是“图像”，一目标物体的“图像”被单帧或多帧采集量化为数字化信息，反之可以说，用一些离散的数字化数值阵列就可以表示一目标物体的“图像”。对于复杂的“图像”或需要进行更高精度的处理来说，采集量化的数字化信息则要求更大。即处理精度与数字化信息量成正比。一般来说，图像用多级亮度来表示并进行量化采集，即所谓灰度法。以灰度来表示图像量化的每一个像元素特征。基于灰度法的机器视系统框图由图1所示。 机器视觉系统包括：光路系统、面阵摄像机(CCD)、量化存贮单元、模板库、专用高速处理单元、监视单元等大模块。其中光路系统由程控光源、变焦伺服机构、自动光圈、光学镜片组等组成。 对于以灰度进行量化处理的机器视觉系统而言，图像亮度是一个尤为重要的参数，而决定这一重要参数的因素便是光路系统的质量。一般来说机器视觉系统为了避免环境自然光线或灯光对其工作状态的影响，光路设计均采用自足光源，程控光源要求亮度大、亮度可调、均匀性好、稳定性高，以抑制外界环境各种光对图像质量产生较大影响而导致机器视觉系统故障或误判行为。其次，光路系统设计需满足视场需求和图像分辨率要求。它的设计质量决定了图像质量，决定了机器视觉系统的准确率。 工业生产中采用的机器视觉系统，灰度级差异较大，小到二值图像、大到256灰度级，以及特殊需求可更大。采用的灰度级越大，数字化图像越逼真清晰，越接近原视图。一般来说，人眼能分辨的灰度级约为50～60级之问。因此64级灰度足以提供必要的观察信息及辨认需求，这是许多机器视觉系统采用64级灰度级的原因。但是，要使机器视觉系统具有很强的精密区别目标的能力，一般采用的灰度级为256级，但是由于要处理的信息量很大，要求处理单元有足够快的运算能力。例如采用512×512阵列像元图像量化为二值图像，一帧图像信息量为262 144Bit，而按256级灰度时，一帧图像信息量为2 000 000 Bit。因此，实用化的机器视觉系统除尽可能选用专用高速处理单元外，还应根据不同应用需要选取，在识别处理精度、处理时间长短、像元灰度级等因素之间进行综合平衡，以达到高效、实用的目的。 机器视觉系统常用的摄像机一般为固态CCD或线阵摄像机，面阵分辨率可为300～700线或更高，线阵分辨率则可多达4 048像元以至更高。根据需求进行取舍配置。 机器视觉系统的精度取决于摄像机视场和所包含的像元数量，视场越小，每个像元代表的距离也越小，识别精度也越高。标准CCD像元阵列为768×576和512×512二种。另外，为满足某些需要较大视场较小分辨率的要求，可设计多路CCD将视图分割为一个个较小视场，又可提高分辨率。 机器视觉系统的核心是专用高速图像处理单元，如何把存入存贮单元大量离散的数字化信息与模板库信息进行比较处理，并快速得出结论是处理单元软、硬件面对的问题。运算信