机器视觉基础知识教学内容
机器视觉课程标准
机器视觉课程标准
机器视觉课程标准是指为了确保机器视觉课程的质量和教学效果，制定的一系列标准和规范。
这些标准通常包括以下内容：
1. 教学目标和内容：明确课程的教学目标和内容，包括机器视觉技术的基本概念、原理、应用等方面的知识和技能。
2. 教学方法和手段：规定教学方法和手段，如课堂讲授、实验操作、案例分析、小组讨论等。
3. 教学进度和安排：规定教学进度和安排，如每周的授课时间、实验时间、作业和考试等。
4. 教学评价和考核：规定教学评价和考核方式，如平时成绩、实验成绩、期末考试等。
5. 教学资源和设备：规定教学资源和设备，如教材、实验设备、软件工具等。
6. 教学管理和质量控制：规定教学管理和质量控制措施，如课程评估、教学反馈、改进措施等。
机器视觉课程标准的制定有助于提高教学质量和教学效果，培养学生的机器视觉应用能力。
《计算机视觉》课程教学大纲.
《计算机视觉》课程教学大纲课程编号：50420031课程名称：计算机视觉英文名称：Computer Vision课程类别：专业限选课学分：2学时：40开课学期：二开课周次：11-20开课教研室：自动化系计算机控制教研室任课教师及职称：刘禾教授先修课程：图像处理与分析适用专业：模式识别与智能系统、控制理论与控制工程课程目的和基本要求：课程设置的目的使硕士研究生掌握介绍计算机视觉的基本理论和基本方法。
通过课程学习要求学生觉掌握的计算机视觉基本理论与方法以及计算机视觉的一些典型应用，了解国内外最新研究成果。
通过本课程学习使学生掌握计算机视觉的基本概念、基本理论和方法，初步具有运用相应理论解决实际问题的能力。
课程主要内容：全部课程内容分九章，各章具体内容、学时分配如下：第一章概述（2 学时）内容：计算机视觉的基本概念，Marr视觉计算理论，成像几何基础，计算机视觉的应用。
第二章人类视觉（2 学时）内容：人类视觉简介，视觉信息的多层处理。
第三章边缘检测（4 学时）内容：经典微分算子的边缘检测、LOG滤波器与马尔－希尔德累思边缘检测算子、多灰度图像的边缘聚焦法、坎尼边缘检测算子和基于梯度信息的自适应平滑滤波。
第四章明暗分析（2 学时）内容：图像辐射图，表面方向，反射图，由图像明暗恢复形状。
第五章深度分析（4 学时）内容：三维感知基本理论和方法，立体成像原理，被动立体测定技术和主动立体测定技术。
第六章标定问题（6 学时）内容：图像表征与摄像机标定，其中包括透视投影变换、摄像机的标定、摄像机的运动控制模型，双目立体标定。
第七章三维场景表示（4 学时）内容：三维空间曲面的表示，曲面分割等。
第八章二维运动图像分析（4 学时）内容：图像运动特征提取的基本方法，由局部光流恢复结构与运动参数估计，基于块的运动分析。
第九章三维运动估计（4 学时）内容：三维运动与结构估计、由运动与立体观测恢复3—D结构和基于生物视觉运动感知原理的多速度运动检测；基于CAD模型的三维机器视觉。
机器视觉的应用课程设计
机器视觉的应用课程设计一、课程目标知识目标：1. 学生能理解机器视觉的基本概念，掌握其在实际应用中的原理和流程。
2. 学生能描述至少三种机器视觉技术的应用案例，并阐述其工作原理和关键功能。
3. 学生能运用已学的图像处理知识，分析并解决简单的机器视觉问题。
技能目标：1. 学生具备运用机器视觉软件进行基本图像捕捉、处理和分析的能力。
2. 学生能通过小组合作，设计并实施一个简单的机器视觉应用项目。
3. 学生能够运用批判性思维，评价机器视觉应用的优缺点，并提出改进方案。
情感态度价值观目标：1. 学生能够积极探究机器视觉技术在实际生活中的应用，培养对人工智能技术的兴趣和认识。
2. 学生在小组合作中，学会尊重他人意见，培养团队协作精神。
3. 学生能够关注机器视觉技术对社会生活的影响，认识到科技发展应遵循道德伦理原则，树立正确的科技价值观。
课程性质：本课程为高年级选修课程，旨在帮助学生将所学的图像处理知识应用于实际项目中，提高学生的实践能力和创新能力。
学生特点：学生具备一定的图像处理知识基础，对新鲜事物充满好奇，喜欢动手实践。
教学要求：注重理论与实践相结合，鼓励学生主动探索、合作学习，注重培养学生的实践能力和科技创新精神。
通过分解课程目标为具体的学习成果，使学生在完成课程后能够达到预定的知识、技能和情感态度价值观目标。
二、教学内容1. 机器视觉基础理论：- 介绍机器视觉的概念、发展历程及在我国的应用现状。
- 影像感知与图像处理基础知识回顾，如像素、分辨率、图像格式等。
2. 机器视觉技术与应用：- 分类介绍常见的机器视觉技术，如图像识别、目标跟踪、三维重建等。
- 分析典型应用案例，如工业检测、自动驾驶、医疗诊断等。
3. 机器视觉系统组成与工作原理：- 阐述机器视觉系统的硬件组成，如光源、镜头、相机、图像传感器等。
- 介绍机器视觉软件的功能、分类及选用原则。
4. 实践操作与项目设计：- 指导学生使用机器视觉软件进行图像捕捉、处理和分析。
《机器视觉技术与应用》课程标准
4
结果；RectangleAffine 添加方法。
要
9
VS 中添加 Cognex 工具控件的方法。
2
内
容
10
可视化界面设计的方法与步骤。
2
11
手机中板螺丝钉有无检测：灰度阈值分割算法，
6
CogblobTool 等工具使用方法。
手机电池正反面识别
12
边缘特征；模板匹配；CogPMAlignTool 等工具的操作方
识别与区分、产品追溯码一维码和二维码识别以及光符识别等典型应
用。
（5）了解生产设备维护的流程和调试方法，体验手机电池引导抓取与
组装设备的调试过程。
（6）了解机器视觉技术的发展机遇以及今后的挑战。 （1）具有良好的职业道德和职业素养。 （2）能正确选择、使用、维护和保养各种光源、镜头和相机等设备。 （3）能够结合实际应用情况，选择正确合适的算法对图像进行处理和 分析。 （4）能够掌握机器视觉的典型功能，借助 VisionPro 实现物体定位、 测量、检测、识别等功能。 （5）能够熟练使用 VisionPro 等开发环境并解决工业生产中的实际问 题。 （1）具有良好自我学习和管理能力，能够快速学习新知识、新技术、 新工艺，具有良好的解决问题和分析问题的能力。 （2）具有一定创新能力，结合新技术注重培养学生的创新意识和创新 能力，能够针对现实问题提出不同的解决方法。 （3）具有一定的随机应变能力，能够及时排除、处理各种突发故障， 并且总结各种故障产生的原因。 （4）具有诚信品质和责任意识，为人诚实守信，工作认真负责，具有 较强的工作质量意识，勇于承担责任。 （1）引导学生感受与体验爱国情怀、民族认同感和自豪感； （2）激发学生的专业认同感，涵养学生爱岗敬业、实践创新的专业精 神； （3）激发学生科技兴国的职业责任感。
机器视觉 教学大纲
机器视觉教学大纲机器视觉教学大纲一、引言机器视觉是一门涉及计算机科学、图像处理和模式识别的跨学科领域。
它的目标是使计算机能够通过摄像头或其他传感器获取图像信息，并利用算法和模型对图像进行分析、理解和处理。
机器视觉在工业、医疗、交通、安防等领域具有广泛的应用前景，因此对于学习和掌握机器视觉技术的培训需求也越来越大。
二、基础知识1. 图像获取与处理1.1 摄像头及其工作原理1.2 图像采集与传输1.3 图像处理基础算法2. 图像特征提取与描述2.1 边缘检测2.2 兴趣点检测与描述2.3 图像特征匹配三、图像处理与分析1. 图像分割1.1 基于阈值的分割方法1.2 基于边缘的分割方法1.3 基于区域的分割方法2. 目标检测与识别2.1 目标检测算法2.2 目标识别算法2.3 目标跟踪算法3. 图像分类与识别3.1 特征提取与选择3.2 分类器的训练与优化3.3 图像识别应用案例四、三维视觉与深度学习1. 立体视觉1.1 立体匹配算法1.2 三维重建与测量1.3 立体视觉应用案例2. 深度学习在机器视觉中的应用2.1 卷积神经网络（CNN）基础2.2 深度学习在图像识别中的应用2.3 深度学习在目标检测与跟踪中的应用五、实践项目1. 图像处理与特征提取实验1.1 边缘检测实验1.2 兴趣点检测与描述实验1.3 图像特征匹配实验2. 目标检测与识别实验2.1 目标检测算法实验2.2 目标识别算法实验2.3 目标跟踪算法实验3. 图像分类与识别实验3.1 特征提取与选择实验3.2 分类器的训练与优化实验3.3 图像识别应用案例实验六、总结与展望机器视觉作为一门新兴的学科，其应用前景广阔，对于培养学生的创新思维和实践能力具有重要意义。
通过本课程的学习，学生将能够掌握图像处理与分析的基本理论和算法，了解机器视觉的最新发展趋势，为将来在相关领域的研究和应用打下坚实的基础。
未来，随着人工智能和物联网的迅猛发展，机器视觉技术将会得到更广泛的应用。
机器视觉教学大纲
《机器视觉》教学大纲（一）课程基本信息1. 课程代码：201362192. 课程名称（中文/英文）：机器视觉 / Machine Vision3. 课程类别：专业方向课4. 课程学分： 2.05. 课程学时：32学时（其中，授课学时：32学时）6. 开课单位：信息科学与工程学院7. 教学对象：电子信息工程、通信工程（二）课程简介“机器视觉”是电子信息工程、通信工程的专业方向课，是专业理论课信号与系统、数字信号处理在图像、视频处理领域偏重应用实践的课程。
通过学习，使学生掌握机器视觉的基本方法，熟悉实际应用中使用较为广泛的视觉问题求解算法，了解机器视觉在各个领域的相关应用。
先修课程：线性代数，信号与系统，数字信号处理，C语言程序设计（三）课程教学目标和能力要求“机器视觉”课程以机器视觉的基本算法为基础，通过具体的视觉问题为例讲解机器视觉问题的一般求解方法。
通过学习，使学生能使用图像空间滤波、频域变换、特征点检测、图像匹配与几何映射等机器视觉的基本方法，掌握简单机器视觉问题的求解方法。
培养学生将文献转换为实际工程实现的能力，使学生能够将现有的方法转换成自己的工具。
培养学生工程实践能力和创新能力。
为毕业就业培养专业素养，提供技术准备。
（四）课程教学方法根据学生特点和课程特点，采用理论教学结合实际问题分析的方法。
课堂教学部分遵从分知识点循序渐进的原则，主要以启发式教学和实例教学法为主，激发学生的学习兴趣。
课程设置针对性的课程项目，通过实际应用，提高学生的实践能力，加深学生对知识点的掌握。
通过设置小组合作形式的课程设计，提高学生的团队协作能力。
（五）课程内容及教学安排教学主题1：机器视觉导论（2 学时）[知识点]：机器视觉概念，视觉理论的发展，机器视觉与相关研究领域，机器视觉的应用[重点]：掌握机器视觉的概念，理解计算视觉理论[难点]：Marr的计算视觉理论[能力要求]：资料查询、整理能力[实践环节]：查找机器视觉的应用[教学方法]：理论讲述，实例介绍[课前阅读]：教材第1章[课后作业]：查找一个机器视觉的应用，使用短文进行介绍教学主题2：图像与视觉系统（ 4 学时）[知识点]：图像坐标和世界坐标的映射，针孔相机模型，投影矩阵，光线的相关知识，人眼对光线的感知原理，相机传感器，图像采样和色彩，数字图像格式[重点]：针孔相机模型与投影矩阵，图像采样原理和色彩的属性[难点]：投影矩阵，光度学和色度学的基本概念和原理[能力要求]：资料查询、文献阅读[实践环节]：相机模型相关资料文献查找[教学方法]：理论讲述[课前阅读]：线性代数、教材第2章[课后作业]：回顾课上讲述内容，查阅相关文献教学主题3：图像处理基础和图像基本变换（ 6 学时）[知识点]：图像点运算，线性滤波和非线性滤波，图像的频域变换和频域滤波，图像金字塔[重点]：非线性滤波，图像频域变换，图像金字塔[难点]：二维傅里叶变换，图像金字塔[能力要求]：资料查询、文献阅读、工程实践[实践环节]：非线性滤波器的图像处理实践[教学方法]：理论讲述[课前阅读]：教材第3章[课后作业]：课程项目1：基于OpenCV的图像滤波教学主题4：图像特征检测、描述与匹配（ 4 学时）[知识点]：图像边缘检测，直线检测，角点检测，图像局部特征点检测，局部特征点描述，特征点匹配[重点]：图像边缘检测，图像局部特征点检测，特征点匹配[难点]：图像特征点检测、描述与特征点匹配[能力要求]：资料查询、文献阅读、工程实践[实践环节]：图像局部特征点的检测与匹配方法实践[教学方法]：理论讲述，实例分析[课前阅读]：教材第4章[课后作业]：课程项目2：基于OpenCV的局部特征点检测与匹配教学主题5：双目立体视觉（6学时）[知识点]：双目立体视觉原理，极平面，对极几何，极线约束，立体视差，场景深度与视差的关系，立体图像对几何矫正，视差求取，立体匹配，立体匹配代码框架分析[重点]：视差求取，立体匹配[难点]：对极几何，立体图像对几何校正，立体匹配[能力要求]：资料查询、文献阅读、工程实践[实践环节]：立体匹配算法实现[教学方法]：理论讲述，实例分析[课前阅读]：教材第11章[课后作业]：课程设计：立体匹配算法竞赛，小组为单位完成立体匹配算法实现教学主题6：三维重建与虚拟视点绘制（4学时）[知识点]：从运动恢复形状，多视点三维重建，深度相机，实时三维模型重建，层次深度图像，视点重构，虚拟视点绘制[重点]：从运动恢复形状，三维重建，虚拟视点绘制[难点]：从运动恢复形状，三维重建[能力要求]：资料查询、文献阅读、工程实践[实践环节]：通过使用Kinect深度相机对三维物体进行实时重建[教学方法]：理论讲述，实验教学[课前阅读]：教材第12章，第13章[课后作业]：回顾课上讲述内容，查阅文献，了解更多三维重建的应用与方法教学主题7：图像分析与图像识别（6学时）[知识点]：图像分割，K均值聚类，最短路径算法，图割算法，图像和场景识别概述，人脸识别算法[重点]：基于聚类的图像分割，人脸识别算法[难点]：最短路径算法，图割算法[能力要求]：资料查询、文献阅读、工程实践[实践环节]：学习并实现人脸识别算法[教学方法]：理论讲述，实例分析[课前阅读]：教材第5章，第11章[课后作业]：学习人脸识别算法，通过程序进行实现（六）课程考核方式“机器视觉”课程考试成绩由平时成绩20%、课程项目30%、课程设计50%三部分组成。
机器视觉教学大纲
《机器视觉》教学大纲（一）课程基本信息1. 课程代码：201362192. 课程名称（中文/英文）：机器视觉 / Machine Vision3. 课程类别：专业方向课4. 课程学分：2.05. 课程学时：32学时（其中，授课学时：32学时）6. 开课单位：信息科学与工程学院7. 教学对象：电子信息工程、通信工程（二）课程简介“机器视觉”是电子信息工程、通信工程的专业方向课，是专业理论课信号与系统、数字信号处理在图像、视频处理领域偏重应用实践的课程。
通过学习，使学生掌握机器视觉的基本方法，熟悉实际应用中使用较为广泛的视觉问题求解算法，了解机器视觉在各个领域的相关应用。
先修课程：线性代数，信号与系统，数字信号处理，C语言程序设计（三）课程教学目标和能力要求“机器视觉”课程以机器视觉的基本算法为基础，通过具体的视觉问题为例讲解机器视觉问题的一般求解方法。
通过学习，使学生能使用图像空间滤波、频域变换、特征点检测、图像匹配与几何映射等机器视觉的基本方法，掌握简单机器视觉问题的求解方法。
培养学生将文献转换为实际工程实现的能力，使学生能够将现有的方法转换成自己的工具。
培养学生工程实践能力和创新能力。
为毕业就业培养专业素养，提供技术准备。
（四）课程教学方法根据学生特点和课程特点，采用理论教学结合实际问题分析的方法。
课堂教学部分遵从分知识点循序渐进的原则，主要以启发式教学和实例教学法为主，激发学生的学习兴趣。
课程设置针对性的课程项目，通过实际应用，提高学生的实践能力，加深学生对知识点的掌握。
通过设置小组合作形式的课程设计，提高学生的团队协作能力。
（五）课程内容及教学安排教学主题1：机器视觉导论（2 学时）[知识点]：机器视觉概念，视觉理论的发展，机器视觉与相关研究领域，机器视觉的应用[重点]：掌握机器视觉的概念，理解计算视觉理论[难点]：Marr的计算视觉理论[能力要求]：资料查询、整理能力[实践环节]：查找机器视觉的应用[教学方法]：理论讲述，实例介绍[课前阅读]：教材第1章[课后作业]：查找一个机器视觉的应用，使用短文进行介绍教学主题2：图像与视觉系统（4 学时）[知识点]：图像坐标和世界坐标的映射，针孔相机模型，投影矩阵，光线的相关知识，人眼对光线的感知原理，相机传感器，图像采样和色彩，数字图像格式[重点]：针孔相机模型与投影矩阵，图像采样原理和色彩的属性[难点]：投影矩阵，光度学和色度学的基本概念和原理[能力要求]：资料查询、文献阅读[实践环节]：相机模型相关资料文献查找[教学方法]：理论讲述[课前阅读]：线性代数、教材第2章[课后作业]：回顾课上讲述内容，查阅相关文献教学主题3：图像处理基础和图像基本变换（6 学时）[知识点]：图像点运算，线性滤波和非线性滤波，图像的频域变换和频域滤波，图像金字塔[重点]：非线性滤波，图像频域变换，图像金字塔[难点]：二维傅里叶变换，图像金字塔[能力要求]：资料查询、文献阅读、工程实践[实践环节]：非线性滤波器的图像处理实践[教学方法]：理论讲述[课前阅读]：教材第3章[课后作业]：课程项目1：基于OpenCV的图像滤波教学主题4：图像特征检测、描述与匹配（4 学时）[知识点]：图像边缘检测，直线检测，角点检测，图像局部特征点检测，局部特征点描述，特征点匹配[重点]：图像边缘检测，图像局部特征点检测，特征点匹配[难点]：图像特征点检测、描述与特征点匹配[能力要求]：资料查询、文献阅读、工程实践[实践环节]：图像局部特征点的检测与匹配方法实践[教学方法]：理论讲述，实例分析[课前阅读]：教材第4章[课后作业]：课程项目2：基于OpenCV的局部特征点检测与匹配教学主题5：双目立体视觉（6学时）[知识点]：双目立体视觉原理，极平面，对极几何，极线约束，立体视差，场景深度与视差的关系，立体图像对几何矫正，视差求取，立体匹配，立体匹配代码框架分析[重点]：视差求取，立体匹配[难点]：对极几何，立体图像对几何校正，立体匹配[能力要求]：资料查询、文献阅读、工程实践[实践环节]：立体匹配算法实现[教学方法]：理论讲述，实例分析[课前阅读]：教材第11章[课后作业]：课程设计：立体匹配算法竞赛，小组为单位完成立体匹配算法实现教学主题6：三维重建与虚拟视点绘制（4学时）[知识点]：从运动恢复形状，多视点三维重建，深度相机，实时三维模型重建，层次深度图像，视点重构，虚拟视点绘制[重点]：从运动恢复形状，三维重建，虚拟视点绘制[难点]：从运动恢复形状，三维重建[能力要求]：资料查询、文献阅读、工程实践[实践环节]：通过使用Kinect深度相机对三维物体进行实时重建[教学方法]：理论讲述，实验教学[课前阅读]：教材第12章，第13章[课后作业]：回顾课上讲述内容，查阅文献，了解更多三维重建的应用与方法教学主题7：图像分析与图像识别（6学时）[知识点]：图像分割，K均值聚类，最短路径算法，图割算法，图像和场景识别概述，人脸识别算法[重点]：基于聚类的图像分割，人脸识别算法[难点]：最短路径算法，图割算法[能力要求]：资料查询、文献阅读、工程实践[实践环节]：学习并实现人脸识别算法[教学方法]：理论讲述，实例分析[课前阅读]：教材第5章，第11章[课后作业]：学习人脸识别算法，通过程序进行实现（六）课程考核方式“机器视觉”课程考试成绩由平时成绩20%、课程项目30%、课程设计50%三部分组成。
《机器视觉技术应用》课程标准
《机器视觉技术应用》课程标准一、适用对象本标准适用三年制高职或职业本科学生。
二、适用专业智能机电技术、智能控制技术、电气自动化技术、工业机器人技术、机电一体化技术三、课程定位本课程是智能机电技术、智能控制技术、电气自动化技术、工业机器人技术、机电一体化技术的专业核心课程。
本课程是智能机电技术、智能控制技术、电气自动化技术、工业机器人技术、机电一体化技术专业人才培养目标和相关职业岗位（群）的能力要求而设置的，对本专业所面向的通用设备制造业、专用设备制造业的智能制造工程技术人员、设备工程技术人员、电气工程技术人员职业群等所需要的知识、技能和素质目标的达成起支撑作用。
在课程设置上，前导课程有《传感器与检测技术》、《Python程序设计》、《电气控制与PLC应用技术》、《组态技术应用》，后续课程有《自动线安装与调试》、《数字孪生与虚拟调试》、《毕业设计》、《顶岗实习》等，相互之间衔接得当。
四、课程目标总体目标通过本课程的学习，使学生全面了解和掌握机器视觉技术的基础知识和应用技能。
通过学习数字图像处理、机器视觉系统、软件工具以及各种实际应用案例，学生将能够理解机器视觉的起源和发展，熟悉相机、镜头、光源等硬件设备的选型和使用，掌握数字图像处理的基本方法和技术，熟练使用机器视觉软件进行图像处理和分析，并具备机器视觉识别、测量、检测和引导定位等方面的能力。
通过这门课程的学习，为将来从事机器视觉领域的工作或研究奠定坚实的基础。
1、知识目标学习机器视觉技术的基本原理、数字图像处理的基础知识以及机器视觉系统的组成和工作原理。
了解不同类型的图像处理算法和识别方法，并学会使用常见的机器视觉软件工具。
通过这些知识的学习，将对机器视觉技术有一个全面的了解，并能够应用于实际问题的解决中。
2、技能目标掌握数字图像处理的基本操作技巧，包括图像采集、预处理、特征提取和分类等。
学会使用各种机器视觉软件工具进行图像处理和分析，并能够设计和实现简单的机器视觉系统，能够独立完成机器视觉相关的项目任务。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
光源A
光源B
偏光技术应用实例
防外乱光濾波片的効果
照明技术：防外乱光技术应金用属工件輪廓模糊
防外乱光濾波片的効果
金属工件輪廓清晰
机器视觉系统组件——镜头
镜头
成像尺寸
焦距与视场角
焦距与视场角
例如： 使用HV1303UM 拍摄视野为440mm*330mm 拍摄距离为2500mm
常用公式
放大率 m h'/hL '/L 物距 Lf(11/m) 像距 L'f(1m) 焦距 f L/1(1/m) 物高 h h '/m h '(L f)/f 像高 h'mh(L 'f)/f
以用作频闪灯； 运行成本低、寿命长的LED，会在综合成本和性能方面体
现出更大的优势； 可根据客户的需要，进行特殊设计。
光源选型对成像影响实例
照明技术：亮视野与暗视野
杂散光
直射光
暗视野
杂散光
直射光 亮视野
照明技术：低角度照明
常应用于检测平滑表面上变化的部分 如：划痕、刀痕、边缘
低角度照明应用实例
机器视觉 vs 人类视觉
人类视觉
机器视觉
适应性 适应性强，可在复杂及变 适应性差，容易受复杂背景及环
化的环境中识别目标
境变化的影响
智能
具有高级智能，可运用逻 辑分析及推理能力识别 变化的目标，并能总结 规律
彩色识别 对色彩的分辨能力强，但 能力 容易受人的心理影响， 不能量化
灰度分辨 差，一般只能分辨64个灰
围
光
另外有X光等特殊摄像机
环境要 对环境温度、湿度的适应性 对环境适应性强，另外可加防护
求
差，另外有许多场合对
装置
人有损害
机器视觉系统作用
100%质量保证 100%检测
改进生产流程
提高产量
机器视觉技术 功能
缩短产品 进入市场时间
及时过程监控
精确测量 集成化生产
机器视觉应用领域
高速检测 精确机器人导航 定位及配准 装配检测 PCB检测 表面检测 纹理分析 遥感
中国大恒（集团）有限公司北京图像视觉技 术分公司
机器视觉系统概述
主讲人：陈欣
提纲
机器视觉系统概述 照明光源 镜头 工业摄像机
机器视觉系统
机器视觉是一门技术，该技术被广泛应用在生产制 造等行业。可用来保证产品质量、控制生产流程、 感知环境等。
机器视觉系统是基于机器视觉技术为机器或自动化 生产线建立的一套视觉系统。
照明技术：前向光直射照明
前向光直射照明示例
照明技术：前向光漫射照明
前向光漫射照明示例
前向光漫射照明示例
照明技术：背光照明
背光照明示例
TCL
TCL
TCI
照明技术：颜色与补色
照射物
白色光 (混合色)
蓝色
其它颜色 被吸收
颜色与补色示例
白光
红光
蓝光
绿光
照明技术：偏光技术应用
偏光板
偏光镜片
镜头分辨率
分辨率单位：lp/mm 影响因素：
镜头结构、材质、加工精度 镜头的相对孔径越大，分辨率越高 光波长度，波长越短分辨率越高 视场中心较边缘分辨率高 同档次的固定焦距镜头较变焦镜头分辨率高 短焦镜头一般边缘分辨率较中心低，长焦镜头一般中 心较边缘分辨率低。 理想光学系统的最小分辨距离 b = (0.61λ)/nsinωmax 其中，λ为光的波长 n为像空间介质折射率 ωmax为像方孔径角 当镜头对无限远成像，且像方为空气时（近似计算公式） b = 1.22 λF 其中，F为光圈数
机器视觉系统——照明光源分类
高频荧光灯
卤
素
灯
LED灯
机器视觉系统——照明光源对比
LED光源特点
可制成各种形状、尺寸及各种照射角度； 可根据需要制成各种颜色，并可以随时调节亮度； 通过散热装置，散热效果更好，光亮度更稳定； 使用寿命长（约3万小时，间断使用寿命更长）； 反应快捷，可在10us或更短的时间内达到最大亮度； 电源带有外触发，可以通过计算机控制，起动速度快，可
光源 镜头
机器视觉软件
FG I/O
图像数据
图像 内存中
结果 孔 半径
1 3.147 mm ✓ 2 3.052 mm ✓ 3 2.785 mm
被测物体 CCD/CMOS图像传感器
数字图像
应用
机器视觉系统构成——智能摄像机
智能摄像机
光源 镜头
机器视觉软件
FG
图像
I/O
内存中
模拟图像数据 数字图像
结果 孔 半径
• 医学图像分析 • 测量 • 一维码读取 • OCR&OCV • 匹配 • 印刷检测 • Blob分析
机器视觉应用领域
• 半导体 • 汽车制造 • 制陶业 • 化学业 • 电子部件及设备 • 食品业 • 玻璃业 • 生命科学 • 医学 • 钢铁 • 矿业
• 光学行业 • 纸制品 • 药物 • 照相学和遥感 • 印刷 • 铁路运输 • 监控 • 航空宇航 • 造船 • 无线通信 • 交通 • 木材 • 等等
分辨率较差，不能观看微小 的目标
目前有4K×4K的面阵摄像机和 12K的线阵摄像机，通过备置 各种光学镜头，可以观测小 到微米大到天体的目标
速度
0.1秒的视觉暂留使人眼无法 快门时间可达到10微妙左右，高
看清较快速运动的目标
速像机帧率可达到1000以上，
处理器的速度越来越快
感光范 400nm-750nm范围的可见 从紫外到红外的较宽光谱范围，
1 3.147 mm ✓ 2 3.052 mm ✓ 3 2.785 mm
被测物体
应用
CCD/CMOS图像传感器
机器视觉市场
机器视觉系统中部件包括： 光源、工业摄像机、图像采集卡、镜头、图像 处理设备等。
机器视觉市场包括: 部件生产商 代理商 系统集成商
机器视觉系统பைடு நூலகம்件——照明光源
照明光源
机器视觉系统构成——模拟相机
光源 镜头 摄像机 图像采集卡
机器视觉软件
结果
FG
图像
孔 半径
I/O
内存中
1 3.147 mm ✓ 2 3.052 mm ✓
3 2.785 mm
被测物体
模拟视频流 数字图像
CCD/CMOS图像传感器
应用
机器视觉系统构成——数字摄像机
数字摄像机 （USB/1394a/1394b/GigE/CameraLink）
力
度级
虽然可利用人工智能及神经网络 技术，但智能很差，不能很 好地识别变化的目标
受硬件条件的制约，目前一般的 图像采集系统对色彩的分辨 能力较差，但具有可量化的 优点
强，目前一般使用256灰度级， 采集系统可具有10bit、12bit、 16bit等灰度级
机器视觉 vs 人类视觉
人类视觉
机器视觉
空间分 辨力