《基于机器视觉测量系统的工业在线检测研究》论文笔记

原文链接：Research on Industrial Online Detection Based on Machine Vision Measurement System - IOPscience

基于图像处理的机器视觉在促进工业产品的在线监控水平方面起着巨大功能。它在工业在线检测领域具有广泛的利用前景，因此具有重要的研究价值。基于此，本文首先分析了机器视觉测量系统的原理，然后研究了机器视觉测量系统的工业在线检测利用，并最终提供了机器视觉测量系统在工业在线领域的利用率和开发前景检测。

随着机器视觉代表的计算机技术的迭代进步和开发，它在许多领域进行了广泛的研究和应用，尤其是在工业自动化检测领域，这极大地促进了在线检测技术的改进。（传统）传统的工业在线监控主要取决于手动视觉判断，这不仅很难适应高速生产过程，而且很容易受到工人的心理状态，工作经验和其他因素的影响[1]。因此，将存在高错误率，并且不利于提高检测效率。在这种情况下，由于其高精度，高效率和工业在线检测中的高精度，高效率和实用性的出色优势，已经深入研究和应用了工业图像处理，计算机视觉和自动识别的新兴技术。此外，随着高清，数字图像和模式识别技术的迭代进展，基于图像处理的机器视觉在促进工业产品的在线监控水平方面发挥了重要作用[2]。因此，机器视觉技术在工业在线检测领域具有广泛的利用前景和研究热点。机器视觉技术集成了许多学科和领域，如图1所示，因此它可以有效地模拟和分析人类的视觉功能，从而从目标事物中提取和分析有效的图像信息[3]。通过高效，大信息和多功能功能的优势，将机器视觉技术用于工业生产中的在线检测和测量可以显着促进工业生产过程的发展。

机器视觉测量系统主要意识到目标图像的信号转换以及信号图像的传输和处理。机器视觉系统可以实现数字信号的转换以及基于图像亮度和像素分布的捕获，以进一步完成工业的在线检测场控制[4]。此外，CCD摄像头用于收集图像功能并将其传输到图像处理系统，以实现图像关键信息的检测并提高图像处理的准确性，速度和效率。总的来说，基于现代光学，计算机图形和智能信号分析的机器视觉测量系统极大地促进了工业在线检测的效率和质量。因此，基于机器视觉测量系统研究工业在线检测是很大的实用价值。

2. Research on machine vision measurement system

2.1 机器视觉测量系统的图像传感器和图像测量系统

系统的主要参数，例如相机的灵敏度，信噪比（SNR）和图像与暗比（CCD）是系统的关键参数[5]。在图像测量系统的级别上，它主要包括图像采集，中央控制，图像处理和图像传感器以及其他相关组件。系统体系结构如下图2所示。

2.2 用于机器视觉测量的图像照明系统

首先，在光源级别上，照明方向可以分为两种类型：在照明物体上具有小的入射角和阴影的直接光，以及从多个方向散射的光，没有明显的阴影。其次，在光谱成分的水平上，光（例如阳光）的组成由从紫外线到IR的所有光谱组成，具体取决于光源的类型和光学滤波器。此外，在光源强度水平上，光强度会影响摄像机的暴露，光线不足会导致对比度减少，噪音过大；太强光会导致图像饱和，能量浪费和散热以及其他问题[6]。在所有机器视觉利用中，都需要均匀的照明。照明强度将随着距离和角度偏差而降低，这需要特殊考虑。根据发光设备，几何形状，发光特性和照明角度的差异，光源的类型可以分为不同的类型。近年来，随着丰富颜色，高发光效率，快速响应，小尺寸，小热量，低功耗和长寿的优势，LED光源逐渐成为机器视觉策略照明系统的重要组成部分。

2.3 机器视觉测量系统的图像获取

机器视觉测量系统的图像采集单元主要由成像表面，视场，景深等[7]组成。其中，成像平面是对象的平面范围，其背景投影到透镜上的二维图像传感器平面上。场景平面的范围对应于视场和成像表面；景深以镜头的最佳焦点为中心，并且在此之前和之后都有一个范围，并且可以清楚地对该范围内的对象进行成像。机器视觉测量系统原始图像采集系统的镜头可以分为广角镜，长焦距镜头和中焦镜头；根据镜头的功能，可以将其分为变焦镜头，变焦镜头，远程镜头，宏观镜头，微透镜，紫外透镜，红外透镜，等等。

2.4 机器视觉测量系统的视频组件

作为机器视觉系统的关键，视频与相机和采集卡的合作，视频系统的设计和调试有关。视频可以分为视频信号，这是机器视觉系统的关键，这与相机和采集卡的合作，视频系统的设计和调试有关[8]。非标准视频信号的视觉系统主要用于工业领域，视频信号的扫描模式主要采用进行性扫描和隔行扫描的形式。此外，重要的组件图像采集卡将传感器输出的图像和视频信号传输到计算机以进行处理，存储或显示。图像处理技术主要包括过滤技术，图像增强，边缘检测，特征提取，图像压缩和图像编码。

3. Utilization of machine vision measurement system in industrial on-line inspection

3.1 机器视觉的尺寸测量

首先，在工业在线检测的长度测量水平中，要测量的牙齿长度区域设置为工件，并提取图像的边缘。其次，上边缘和下边缘的边缘点是通过按线扫描边缘的。然后，基于获得的边缘点，上线和下线分别拟合，并根据牙齿长度的结果计算两条线之间的距离[9]。在线测量级别中，使用哈里斯角法来确定角点。边缘是通过轮廓提取方法获得的，并且对角度的位置准确地定位在轮廓信息中，以便计算线长度。另外，在圆测量的级别上，最小二乘方法，霍夫变换方法和加速算法主要用于测量圆。在角度测量中，根据斜率获得随附的角度。

3.2 目标检测和机器视觉跟踪系统

机器视觉测量系统的模式识别技术主要是图像中各种物理对象的分类和描述技术[10]。其中，对于目标跟踪，它主要是在图像序列中检测，提取，识别和跟踪移动目标以获得移动对象的运动参数，这为下一个处理和分析奠定了基础，并实现了行为了解移动目标。静态背景中的移动对象检测主要是使用相邻帧或背景差方法之间的差进行的。前者将两个相邻框架之间的灰色差异很大，而后者则需要建立背景模型并提前更新背景。它的架构如图3所示。

3.3 机器视觉测量系统的3D重建技术

机器视觉测量系统的3D重建技术包括接触和非接触式3D测量。其中，视觉3D重建方法的利用主要包括工业自动化生产和产品检测，医疗图像3D重建和分析，Visual 3D导航等。重建的体系结构原理如下图4所示。

4.工业在线检查中机器视觉测量系统的发展趋势

4.1 机器视觉测量系统的利用状态

尤其是在线检查中，现代机器检查的开发是现代行业必不可少的一部分。随着机器视觉技术部门的发展和成熟，与机器视觉技术相关的培训系统和标准不断提高，其产品占据了利用率中的关键位置。作为现代制造业的重要组成部分，工业在线检测技术的发展起着重要的功能，并在提高制造业的生产率水平和生产效率方面发挥了重要作用。因此，机器视觉测量系统具有广泛的利用空间和场景。

4.2 机器视觉测量系统的利用率趋势在线检查

由于机器视觉在工业在线检测和其他重复性工作中的独特优势，其关联和有机整合与光源，嵌入式系统，3D图像和其他相关学科将进一步增强其发展潜力，并进一步扩大其利用空间和场景。另一方面，迫切需要用机器视觉代表的技术应用于在线检查和产品的质量控制。将来，随着机器视觉产品的增加，技术的突破和创新，其利用情况以及处理复杂问题和场景的能力也将得到进一步改善。

总而言之，机器视觉系统可以根据核心元素的信息（例如亮度和图像的像素分布）实现数字信号的转换和功能的捕获，并实现了工业在线检测场的控制。此外，该技术还可以检测图像的关键信息并提高图像处理的准确性，速度和效率。在本文中，通过对机器视觉测量系统的研究，分析了图像传感器和图像测量系统的关键组件。通过分析机器视觉测量系统的工业在线检查利用，研究了目标检测和跟踪以及机器视觉测量系统的3D重建技术。最后，给出了工业在线检测中机器视觉测量系统的发展趋势和利用前景。

《基于机器视觉测量系统的工业在线检测研究》论文笔记相关推荐

论文笔记之Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 论文链接:http://dwz.cn/6qPeIb 本文的主要思想是为了剖析出一个跟踪算法中到 ...
《Understanding and Diagnosing Visual Tracking Systems》论文笔记
本人为目标追踪初入小白,在博客下第一次记录一下自己的论文笔记,如有差错,恳请批评指正!! 论文相关信息:<Understanding and Diagnosing Visual Tracking ...
论文笔记Understanding and Diagnosing Visual Tracking Systems
最近在看目标跟踪方面的论文,看到王乃岩博士发的一篇分析跟踪系统的文章,将目标跟踪系统拆分为多个独立的部分进行分析,比较各个部分的效果.本文主要对该论文的重点的一个大致翻译,刚入门,水平有限,如有理解错 ...
目标跟踪笔记Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 原文链接:https://blog.csdn.net/u010515206/article/d ...
追踪系统分模块解析（Understanding and Diagnosing Visual Tracking Systems）
追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems) PROJECT http://winsty.net/tracker_di ...
ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
目录写在前面文章大意一些benchmark 实验实验设置基本模型数据集实验1 Featrue Extractor 实验2 Observation Model 实验3 Motion Mod ...
Understanding and Diagnosing Visual Tracking Systems
文章把一个跟踪器分为几个模块,分别为motion model, feature extractor, observation model, model updater, and ensemble po ...
CVPR 2017 SANet:《SANet: Structure-Aware Network for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做SANet.作者在论文中提到,CNN模型主要适用于类间判别,对于相似物体的判别能力不强.作者提出使用RNN对目标物体的self-structure进行建模,用于提 ...
ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做UCT.就像论文题目一样,作者提出了一个基于卷积神经网络的end2end的tracking模型.模型的整体结构如下图所示(图中实线代表online trackin ...
CVPR 2018 STRCF:《Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文提出的模型叫做STRCF. 在DCF中存在边界效应,SRDCF在DCF的基础上中通过加入spatial惩罚项解决了边界效应,但是SRDCF在tracking的过程中要使用 ...

《基于机器视觉测量系统的工业在线检测研究》论文笔记

《基于机器视觉测量系统的工业在线检测研究》论文笔记相关推荐

最新文章

热门文章