【机器视觉技术栈】- 机器视觉基础

1.1 为什么采用机器视觉

人眼与机器视觉对比

	人眼	机器视觉
精确性	差，64灰度级，不能分辨小于100微米的目标	强，256灰度级，可检测微米级目标
速度	慢，无法看清间隔小于40毫秒的运动目标	快，快门时间可达10微秒
适应性	弱，很多环境对人体有害	强，对环境适应性强(适应高震动，高噪音等环境)
客观性	低，数据无法量化	高，数据可量化，并在生产中生成报表
重复性	弱，易疲劳	强，可持续不间断24小时工作
可靠性	容易受主观情绪影响	客观，检测效果稳定可靠
效率	效率低	效率高，是人工的数倍
成本	人力和管理成本不断上升	一次性投入，成本不断降低

机器视觉的优点

• 在高速、高精、超时、微距等人眼受限的场景下，机器视觉检测精度高、一致性好，建立在客观分析和推理的基础上，有效避免了人工检测带来的主观性和个体差异性
• 检测速度快、节约成本，短期投入大、但长期使用平均成本却低于人工检测。随着相关技术的不断发展，检测速度提高迅速，成本不断下降

1.2 机器视觉主要应用

识别： 识别包括有无、颜色、字符/条码/二维码识别，主要通过甄别目标物体的物体特征来进行判定。

定位： 定位功能是在识别出物体的基础上，经过测量准确的给出目标物体的坐标位置，引导机器人完成后续的加工、装配、搬运等一系列动作。

测量： 测量泛指利用被测物体特征进行全局或局部尺寸数据获取的应用，包括：长度、平行度、角度、圆弧长、圆直径、半径、点线距离、点点距离等等。

检测： 对目标物体的缺陷进行检出 。

1.3 机器视觉项目的关键因素

能不能做好机器视觉项目，总结了以下关键因素：

• 成像效果，需要突出目标的特征
• 能否达到检测精度
• 节拍速度
• 工件大小、工件检测位置是否一致、工件检测内容是否一致
• 能否解决很好的解决不容易处理的缺陷异常
• 能否处理不容易观察到的缺陷
• 不容易达到的精度
• 能否避开影响项（如飞虫、水渍等）
• 设备尺寸位置受限于现场情况