機器視覺研究與發展綜述

宋春華，彭泫知

（西華大學機械工程學院，四川 成都610039）

機器視覺技術涉及計算機視覺、圖像處理、模式識別、人工智能、信號處理、光機電一體化等多個領域，作為一門新興技術，伴隨著人工智能技術的快速發展推動新一輪產業革命的到來，機器視覺技術系統在工業、農業、交通、醫療等行業得到了廣泛的應用[1]，不僅提高了生產效率，并且在精度、質量和速度都比人工具有巨大的優勢[2]。本文針對國內外機器視覺技術的發展現狀進行了總結，分析了存在的問題，并對機器視覺技術未來的發展趨勢做出展望。

1 機器視覺系統的國內外發展研究情況

1.1 國內的發展研究情況

我國的機器視覺技術研究起步于20世紀80年代，引進初期主要應用于半導體和電子行業，投入發展較少，相關技術人才缺乏，廠商主要為代理國外品牌，缺乏自主研發[3]。最近隨著機器視覺技術在下游行業的廣泛應用和迅速發展、國家政策體系的不斷完善和技術扶持，我國機器視覺技術迎來快速發展，將逐漸成為世界第三大視覺應用市場。但是各方面依然與國外先進技術存在較大差距，存在產品質量較差，技術含量偏低，市場飽和度低等問題。

1.1.1 國內技術發展研究情況

我國對機器視覺相關技術的發展在近幾年得到重視，機器視覺行業發展開始蒸蒸日上。視覺研究已經滲透了產業的各個方面，國內大多研究主要集中在識別、檢測、測量的工業應用領域。2014年廣東工業大學袁清珂等人開發一種基于機器視覺的自動檢測系統[4]，利用CCD相機采集圖像序列和常規的圖像預處理，定位識別，特征提取，測量計算，準確識別目標，實現孔壁彈性接觸點的高度自動檢測并且該研究的測量精度滿足生產要求。2016年Chen Tiejian等人提出了一種用于罐頭檢測的機器視覺裝置和方法[5]，該方法提出一種結合先驗形狀約束的熵率聚類算法來定位罐頭并進行區域劃分，引入多尺度檢測算法沿投影輪廓尋找缺陷，使用該方法對圓形罐頭進行缺陷檢測的精度達到99.48%。深港產學研基地和華南師范大學研究中心在2017年提出了一種基于機器視覺系統的薄膜缺陷檢測與厚度測量的方法[6]，基于透射式光密度厚度測量在保證完成檢測要求的同時能較大范圍地對厚度進行測量，與大多光密度-厚度測量方法不同的是：該研究標定光密度測量系統，減小了測量誤差，能滿足市場需求，有廣闊的應用前景。

1.1.2 國內產品的發展研究情況

目前進入我國機器視覺市場的國外品牌有100多家，我國本土的企業負責銷售代理的企業有200多家，專業的系統集成商超過50家[7]。知名品牌有北京大恒圖像視覺有限公司、凌云光子技術集團、凌華科技有限公司、無錫信捷電氣股份等公司，主要位于廣東、浙江、上海、江蘇、北京等省市。

凌華科技在2016年發布了行業最高效能的小型機器視覺系統EOS-1200，該系統搭載第二代Intel－CoreTM i7四核處理器，由以往的多纜線單數據傳輸整合到一根纜線，極大地減小了纜線的數量和成本。解決了以往視覺系統精度不足，占用空間大，運算速度低的問題，為行業提供更好的解決方案。2017年無錫信捷電氣股份有限公司，研制發布了一款智能相機，該相機內涵CMOS傳感器采集高質量的現場圖像，內嵌DSP/A8數字圖像處理芯片，能夠脫離PC機對圖像進行運算處理，控制或執行單元在接受到相機的圖像處理結果后進行相應的操作，不需要操作者進行編程，大幅降低了操作的難度。大恒圖像在2018年研發設計了針對工業級機器視覺應用的全新一代工業面陣相機MER-U3-L，該裝置主要應用于完成定位、測量、缺陷檢查、目標識別和拾取的工作，具有高可靠性。但與線陣相機相比精度較低，成本更高，而且一般面陣相機每行像素少很難完全滿足工業測量要求。這些產品在運算速度、操作方式、可靠性等方面有較大改進，明顯地擴大了視覺技術在生產工業的應用范圍，增強了我國在視覺技術方面的核心競爭力。

綜上，我國的機器視覺還處于單功能、低效率的一個階段，在發展過程中還存在較多的問題，首先是技術缺失，現在大部分都是靠進口技術來進行獲取，自主化程度低；其次視覺行業技術不集中沒有核心競爭力等問題，導致行業發展受到制約。但是我國機器視覺市場在近幾年發展迅速，增速位居全球首位，具有很大的發展空間。

1.2 國外的發展研究情況

1.2.1 國外技術發展研究情況

從上個世紀80年代中期開始，機器視覺技術在國外獲得了蓬勃發展，并在90年代進入高速發展期，提出了多種新概念、新方法、新理論，至2006年，隨著深度學習概念的提出，卷積神經網絡、循環神經網絡等算法的推廣應用，機器可以通過訓練自主建立識別邏輯，圖像識別準確率大幅提升，機器視覺發展進入一個新的階段。至今機器視覺技術在機器人、3D視覺、工業傳感器、影像處理技術、機器人控制軟件或算法、人工智能等方面領域得到了廣泛的應用。

2016年Diago等人設計了一種基于機器視覺評估葡萄園冠層孔隙度的方法[8]，該方法與傳統的PQA方法對比，間隙百分比之間的回歸確定系數在每個位點超過0.90，可以優化冠層管理，改善果實質量。同年，Sture等人論文中提出了一種應用于鮭魚質量檢測的3D機器視覺系統[9]，該系統從彩色3D點云中提取幾何和顏色特征，使用支持向量機分類器，對存在畸形和傷口的鮭魚分類，完成對鮭魚質量的分類。2017年Ziatdinov等人[10]使用機器視覺讀取和識別表面上復雜的分子組件，構建函數關系，應用于電子和其他微觀測量。L Fernandez-Robles等人在2017年的文章中設計了一種基于機器視覺的邊緣輪廓銑床中破碎刀片的識別方法[11]，在文中指出通過對刀片螺釘定位，應用幾何運算確定刀刃的期望位置和方向，計算從預期刀刃到刀片實際邊緣的偏差，確定刀片是否損壞。該方法識別銑床的破損刀具處理速度快，精確值在0.9143左右。2017年C Kavitha等人提出了一種利用機器視覺系統進行主軸徑向誤差評估的新方法[12]，該方法是用CMOS相機和PC圖像處理系統對車床主軸進行徑向誤差檢測，使用圓形霍夫變換（CHT）在像素級別的主軸旋轉期間的圖像中檢測主缸的中心位置的變化，并使用最小二乘曲線擬合技術計算主缸的中心位置的傅立葉級數來評估主軸的徑向誤差值，所評估的同步和異步徑向誤差的最大標準差在±0.086 603μm和±0.087 492μm，表明該方法能夠用于亞微米級的主軸徑向誤差評估。WS Qureshi等人在2017年的論文中提出了基于紋理的密集分割和基于形狀的水果檢測方法用于計算芒果樹果實的機器視覺算法[13]，該方法實現了準確分割和檢測樹冠圖像中的水果，能夠對水果產量進行現場快速準確預測。J Eadcliffe等人在2018年提出了一種用于果園導航的機器視覺系統[14]，該系統通過多光譜相機實時捕獲果園中果樹的樹冠和背景天空，為地面的無人車提供可用于自主導航的樹的中心行的特征，實驗結果表明該系統在桃樹果園中實現自主導航，其RMS誤差在2.13 cm。2019年H Azarmdel等人設計了一種基于機器視覺的鱒魚加工系統的定位切割點算法[15]，該算法通過RGB、HSV和L*a*b色彩空間，根據鱒魚的尺寸提取合適的頭部和腹部切割點，準確度和特異性為99.87%和99.97%。

此外，機器視覺在目標識別、位置檢測、完整性檢測、形狀和尺寸檢測和表面檢測等方面都得到了廣泛的應用。

1.2.2 國外產品的發展研究情況

目前機器視覺行業已經處于成熟期，2018年全球機器視覺市場規模達到56.33億美元[16]；產業分布主要集中于北美地區，占全球26.22%，其次為歐洲和日本，分別占比9.32%和4.28%。主要在自動駕駛、虛擬現實、圖像自動解釋、物體自動識別、醫學領域、智能安防、人機交互和工業視覺八大領域應用。目前全球機器視覺行業被美國康耐視公司和日本基恩士公司壟斷了全球50%以上的市場份額。

美國康耐視（Congnex）公司是工業自動化領域的機器視覺系統、軟件和傳感器制造商，用于自動化制造、零件檢測和識別、產品裝配驗證等，產品包括In-Sight系列視覺工具、VisionPro軟件和DataMan讀取器等?？的鸵晸碛?Hotbars、PatMax、OCRMax、OCVMax、MatchColor等660項全球專利，其In-Sight視覺工具能夠實現每分鐘6 000個元件的生產線速度需求。在2018年康耐視的銷售收入約為8.06億美元。日本基恩士（Keyence）是開發和制造自動化傳感器、視覺系統、條形碼閱讀器、激光標記和測量儀器等的公司，基恩士公司的CV和XG系列視覺系統搭配其3D Vision系列圖像處理系統，能夠滿足外觀檢查、定位、尺寸檢測、有無辨別和字符識別等功能。

除以上兩大公司外，機器視覺行業還有歐姆龍麥斯肯、菲力爾、巴斯勒、達爾薩、NI、等主要公司。

美國菲力爾公司（Flir）是全球創新成像系統制造領域的領軍企業，2016年完成對Point Grey收購后，菲力爾公司成為brickstream系列相機產品的所有者。2018年研發銷售的blackfly系列相機具有CMOS全局快門、偏振技術和高靈敏度BSI傳感器，被用作機器視覺攝像頭，應用于區域掃描。菲力爾公司以其產品的高性價比、靈活、適用范圍廣和優異的質量占據核心市場并且擁有自主的知識產權完整地掌握了相機的核心技術。美國歐姆龍邁思肯（Microscan）公司擁有全球全面的機器視覺技術專利組合，其2018年推出的基于FPGA的HAWK MV-4000系列CMOS智能相機，具有300IPS的視覺檢測速度，在不借助外部處理的情況下實現每分鐘4000～14000個零件的檢查率，在消費品行業、制藥企業、汽車制造和電子制造等領域得到了應用。歐姆龍麥斯肯推出的Auto VISIONTM和Visionscape機器視覺軟件縮短了用戶的學習時間提高了學習效率，擁有完整的工具套件和直觀的用戶界面，滿足不同的使用需求，提高生產效率。

綜上，從機器視覺產品在全球發展現狀來看，近10年來，全球機器視覺市場規模符合增長率超過10%，并且隨著各行業自動化、智能化程度加深，未來五年全球機器視覺市場將持續增長。國外尤其是美日兩國的機器視覺廠商的自主研發能力強，掌握核心技術，幾乎壟斷了全球機器視覺市場。全球機器視覺產業正處于一個將逐步與人工智能完美協調融合完成工業生產向智能化轉型跨時代改革的新時期。

2 目前存在的問題和解決方案

雖然機器視覺已經成功廣泛應用于工業生產，但仍存在的很多問題是機器視覺在各個行業易用性低的主要原因。所以解決目前還存在的問題是跨越瓶頸期蓬勃發展的關鍵。

2.1 目前存在的問題

機器視覺具有高精度、高效率、大大降低人工成本等特點，提高了生產的靈活性和自動化程度，但是經過幾十年的發展與應用仍然存在很多不足。

（1）人才缺乏，由于我國從事機器視覺的廠商自主研發能力較差，能夠提供的工作崗位較少，使得高校學生對此行業熱度不夠，從而導致專業人才的缺乏。

（2）高性能的CCD或CMOS感光元件還需要進一步發展，硬件精度是機器視覺技術的基礎，在不斷提高測量精度的前提下，降低生產和使用的成本。

（3）準確性不足。在工業實際應用上，機器視覺的準確性遠低于實驗的測試結果，當測量的環境發生改變后，得出的結果會發生較大的偏差，對環境的適應性較差。

（4）通用性較差。一套設備往往只能應用于單一行業，或者一套設備中的配件只能使用單一廠商的產品，致使開發成本和使用維護過高。

2.2 擬解決方案

工業生產對精度的要求越來越高，而機器視覺系統正能夠有效提高生產精度，解放勞動力，針對上面問題提出能改善機器視覺系統的擬解決方案如下：

（1）提高機器視覺底層算法在應用和技術方面的研究的重視程度。從機器視覺的深度學習網絡入手，找到適合機器視覺的深度學習最適合的方式，解決深度學習中出現的無法有效解決的應用問題。

（2）機器視覺大多數都是模仿人眼和大腦的信息處理模式，也可以轉向動物的神經網絡的處理方式。動物僅僅是靠沒有色彩信息的灰度信息就能完成目標的捕捉和識別，可以將神經網絡擴展加入動物的神經系統來降低處理量并且獲得更多更精確的圖像信息。

（3）COMS和CCD圖像傳感器具有廣泛使用和高速度、高精度等特點，可以綜合計算機視覺的算法，研發出更多能滿足我們目前需求的機器視覺系統，降低成本、提高性價比。

（4）機器視覺系統能與語音智能識別相結合。通過簡短的語音識別轉化為設置目標參數信號，能很好地降低使用成本并達到最佳參數設定值，更能推進機器視覺系統在工業方面的應用。

3 未來的發展方向

隨著自動化行業在近年來的飛速發展，機器視覺技術急需更新換代，未來一段時間機器視覺技術的重點發展方向如下：

機器視覺系統與多傳感器相融合。利用多傳感器與機器視覺融合綜合提取的多種信息能糾正機器視覺處理問題時漂移和提高視覺系統的可信度和準確度，解決了單一機器視覺系統的局限性。

機器視覺往嵌入式系統發展。嵌入式系統具有開發周期短、成本低廉、低能耗、容易升級維護等優點，能夠讓機器視覺系統向著智能化的方向發展。嵌入式機器視覺系統的最核心模塊CPU主要使用FPGA或DSP。為了提高處理效率必將帶動硬件的開發和三維成像技術的發展。使用硬件將圖像采集的模擬信號轉換為數字信號，再對數字像信號進行分析和處理，傳送給主機，這樣大大減少了主機的工作負荷，有效提高了計算速度，能夠更適合及時對反饋回來的信息進行處理。隨著計算機存貯容量的不斷上升，FPGA和DSP的不斷優化，嵌入式機器視覺系統能更快地處理圖像信息、能更好地滿足生產需求。

4 結束語

機器視覺已經成為完成第三次產業革命、推動智能化生產的重點。機器視覺作為人工智能重要組成之一；隨著產業的不斷智能化，不斷推進高精度、高適應性、高效率和智能互聯的機器視覺技術才能滿足未來的發展需求。