计算机视觉检测技术及其在机械零件检测中的应用
工业目标检测应用案例
工业目标检测应用案例
工业目标检测是计算机视觉技术在工业自动化领域的重要应用之一，主要用于识别、跟踪和分类生产线上的物体。
以下是几个工业目标检测的应用案例：
1. 零件检测：在制造业中，零件的质量检测是一个关键环节。
通过使用工业目标检测技术，可以自动检测零件是否存在缺陷、是否符合设计要求，并对其进行分类。
这有助于提高生产效率和产品质量。
2. 自动化分拣：在物流和仓储领域，工业目标检测技术可以帮助自动化分拣系统快速识别不同种类的物品，并将其分拣到正确的位置。
这可以大大提高分拣效率和准确性，降低人工成本。
3. 机器人导航：在智能制造中，机器人需要能够自主导航以完成各种任务。
通过使用工业目标检测技术，机器人可以识别周围的环境和障碍物，从而安全、准确地完成任务。
4. 监控和安全：工业目标检测技术也可以用于监控和安全领域，例如识别工厂内的异常行为、火警等安全隐患，并实时发出警报或采取相应的安全措施。
5. 质量控制：工业目标检测技术可以用于生产过程中的质量控制。
例如，在食品加工过程中，可以检测包装是否破损、标签是否正确等信息，以确保产品质量。
总之，工业目标检测技术为工业自动化带来了巨大的便利和效率提升，具有广泛的应用前景。
随着技术的不断发展，未来会有更多的应用场景涌现出来。
机器视觉在物体位姿检测中的应用
机器视觉在物体位姿检测中的应用【摘要】机器视觉在物体位姿检测中扮演着重要角色，通过引入深度学习技术，能够有效提高位姿检测的准确性和稳定性。
位姿检测面临着技术挑战，如遮挡和光照变化等问题，但通过智能算法和机器学习模型，这些挑战可以得到有效解决。
不仅在机械制造领域，机器视觉在医疗行业也有广泛应用，为诊断和治疗提供重要支持。
展望未来，随着技术的发展，机器视觉在物体位姿检测领域将会持续取得新突破，为各行业带来更多创新和便利。
机器视觉在位姿检测中的重要性不言而喻，其应用前景十分广阔，将继续发挥重要作用。
【关键词】机器视觉，物体位姿检测，深度学习，技术挑战，解决方案，算法研究，机械制造，医疗行业，未来发展方向，重要作用。
1. 引言1.1 介绍机器视觉在物体位姿检测中的重要性在当今科技发展日益迅猛的时代，机器视觉在物体位姿检测中扮演着至关重要的角色。
通过机器视觉技术，计算机可以模拟人类视觉系统，对物体的位置、姿态等信息进行感知和分析，从而实现对物体位姿的准确检测。
这一技术的重要性主要体现在以下几个方面：物体位姿检测在工业制造领域具有重要意义。
通过机器视觉技术，可以实现对工件、零件等物体的位置和姿态的高精度检测，从而有效提高生产效率和产品质量。
在自动化装配、机器人操作、工件定位等工作中，物体位姿检测是必不可少的环节。
物体位姿检测在医疗行业也有着广泛的应用。
在医学影像分析中，通过机器视觉技术可以对影像中的器官、病变等进行准确识别和定位，有助于医生进行诊断和治疗。
在手术机器人、辅助诊断设备等方面，物体位姿检测也发挥着重要作用。
机器视觉在物体位姿检测中的重要性不仅体现在工业生产、医疗行业等领域，还对促进科技进步、提高生活质量具有重要意义。
随着技术的不断发展和完善，相信机器视觉在位姿检测中会有更广泛的应用和更深远的影响。
1.2 探讨机器视觉技术在位姿检测中的应用价值1. 自动化生产：在工业制造领域，物体位姿检测可以帮助机器人或自动化设备准确地定位和识别工件，从而实现自动化生产线的高效运作。
机械制造中的机器学习技术有何应用
机械制造中的机器学习技术有何应用在当今高度工业化的时代，机械制造行业正经历着深刻的变革。
机器学习技术作为一项前沿的科技手段，正逐渐融入机械制造的各个环节，为提高生产效率、优化产品质量、降低成本等方面发挥着重要作用。
机器学习技术在机械制造中的应用首先体现在故障预测与诊断方面。
在复杂的机械制造系统中，设备的故障可能会导致生产停滞、产品质量下降以及增加维修成本。
通过收集设备运行过程中的大量数据，如振动、温度、压力、电流等，机器学习算法能够分析这些数据的模式和趋势，从而提前预测设备可能出现的故障。
例如，基于支持向量机（SVM）或人工神经网络（ANN）的模型，可以准确地识别出设备运行中的异常信号，及时发出预警，让维护人员能够提前采取措施，避免重大故障的发生。
这不仅减少了设备停机时间，还提高了设备的可靠性和使用寿命。
在质量控制环节，机器学习技术也大显身手。
传统的质量检测往往依赖于人工抽检，不仅效率低下，而且容易出现漏检和误检。
而利用机器视觉和深度学习算法，可以实现对产品的快速、全面和高精度检测。
例如，在汽车零部件生产中，通过训练卷积神经网络（CNN）对零部件的图像进行分析，能够自动识别出表面缺陷、尺寸偏差等质量问题。
此外，机器学习还可以结合生产过程中的工艺参数、原材料特性等数据，建立质量预测模型，提前调整生产参数，确保产品质量的稳定性。
生产过程的优化是机器学习技术在机械制造中的另一个重要应用领域。
在生产线上，各种因素如设备性能、工艺参数、人员操作等都会影响生产效率和成本。
通过运用机器学习算法，如决策树、随机森林等，可以对这些因素进行分析和建模，找到最优的生产方案。
例如，在数控加工中，根据历史加工数据和实时工况，机器学习模型可以优化切削参数，如切削速度、进给量和切削深度，从而提高加工效率，减少刀具磨损，降低生产成本。
此外，机器学习技术在供应链管理中也发挥着积极作用。
在机械制造行业，原材料的供应、零部件的采购以及产品的销售都涉及到复杂的供应链网络。
机器视觉技术在工业检测中的应用综述
从 数 量 或 研 究 成 果 看 都 占据 着 明 显 的文字在线
识别 。使用 图像灰度化技术、平滑、校正、直 方 图均衡化等技术进行 图像预处理。使用投影
定 位 法 等 对 字 符 进 行 定 位 。使 用 投 影 法 、模 版 匹 配 等 进 行 倾 斜 角 度 调 整 。使 用 垂 直 投 影 法 对
觉在应用 中存在的一些 问题。
位． 美英德韩 也都在开展相 关研 究。国外的卡
耐基 一 梅 隆 Ｍ． Ａ． Ｓ ｍｉ ｔ ｈ等 提 出 了 一 种 在 视 频 帧 中 检 测 文 字 的方 法 。韩 国 Ｓ ｏ ｏ ｎ ｇ ｓ ｉ ｌ 大 学 的 Ｋｉ ｍ 【 关 键 词 】机 器视 觉 应 用 研 究 识 别 预 处 理
视 觉 领 域 的 一 个 重 要 分 支 ，在 文 字 信 息 处 理 ，
数 据 ，整 体 看 ，系 统 稳 定 可 靠 ，系 统 对 输 血 袋
文字识别程度非常高 。本系统提高生产效率和 生产过程的 自动化程度，并为机器视觉系统应 用于此种生产线 ，提供 了成功的先例和经验。
但 由于 各 种 原 因 ，也 会 对 识 别 的 结 果 有 一 定 的
办公 自动化 、实时监控系统等高技术领域 ，都 有重要的使用价值和理论意义 。本文 以输血袋
的 字 符 识 别 为 例 介 绍 机 器 视 觉 在 工 业 智 能 检 测
中的应用。
领域 ，但 由于其 自身或配套技术上仍有不完善
的地方 ，要广泛 的应用还有一定限制 。而图像
处理算法 的效率 高低是计算机视觉成功应用的 关键 ，尽 管国内外都提 出一些新的算法 ， 但是
人工智能技术在机械设计与制造中的应用
人工智能技术在机械设计与制造中的应用摘要：人工智能技术在机械设计与制造中的应用已成为当前研究的热点。
通过对人工智能技术的基本原理和分类进行介绍，探讨了机械设计优化、机器视觉和自动化智能控制等方面的具体应用。
同时，评述了人工智能在机械设计与制造中的优势和局限性，并展望了未来发展方向。
关键词：人工智能技术；机械设计；机械制造；应用引言：近年来，随着人工智能技术的快速发展，其在各个领域的应用也日益广泛。
机械设计与制造作为工业生产的核心环节，面临着效率提升、质量保障、成本降低等方面的挑战。
在这样的背景下，人工智能技术逐渐被引入机械设计与制造领域，为其带来了新的发展机遇。
一、机械设计与制造的现状与挑战1.1传统机械设计与制造的局限性传统机械设计与制造存在一些局限性，如设计周期长、效率低下、质量难以保证等问题。
在传统方法下，设计师需要手动进行大量的计算和试验验证，导致设计时间较长且成本较高。
1.2机械设计与制造面临的挑战智能化技术应用挑战：随着人工智能和大数据技术的迅速发展，机械设计与制造需要更好地应用这些技术来提高设计效率和质量。
然而，智能化技术的应用仍然面临着数据采集、处理和分析的挑战。
可持续发展挑战：随着社会对环境保护和资源节约的要求日益增加，机械设计与制造需要更注重可持续发展。
这意味着需要设计和制造更具能耗效率、可循环利用和环保的机械产品。
制造工艺与材料挑战：新材料和新工艺的出现为机械设计与制造带来了机遇和挑战。
新材料的特性和制造工艺的复杂性需要设计师具备更加全面的知识和技能。
人才培养与技能更新挑战：随着技术的不断发展，机械设计与制造需要拥有专业知识和技术能力的人才。
因此，人才培养和技能更新成为了机械设计与制造面临的重要挑战之一。
二、人工智能技术概述2.1人工智能技术的基本原理与分类人工智能（Artificial Intelligence，AI）是指计算机系统通过模拟人类的智能行为和思维过程，实现具备一定程度的智能和学习能力。
人工智能在机械领域的应用
人工智能在机械领域的应用一、引言随着科技的不断发展，人工智能在各个领域的应用越来越广泛，其中机械领域也不例外。
人工智能可以帮助机械设备更加智能化，提高生产效率和质量。
本文将介绍人工智能在机械领域的应用。
二、机器视觉机器视觉是指通过计算机视觉技术实现对图像或视频的处理和分析，从而实现对物体形状、大小、颜色等信息的识别和分析。
在机械领域中，机器视觉可以应用于产品质量检测、物料分类等方面。
1.产品质量检测传统的产品质量检测需要人工参与，效率低下且容易出错。
而采用机器视觉技术进行产品质量检测，则可以实现自动化检测，并且准确率更高。
例如，在汽车制造过程中，采用机器视觉技术可以对汽车零部件进行快速检测，从而提高生产效率和产品质量。
2.物料分类在生产线上，需要对不同种类的物料进行分类。
如果采用传统的手动分类方式，则会耗费大量的人力和时间。
而采用机器视觉技术，则可以实现自动分类，提高生产效率。
例如，对于食品生产线上的水果分类，采用机器视觉技术可以实现对水果种类、大小、颜色等信息的识别和分类。
三、智能控制智能控制是指通过计算机控制技术实现对机械设备的自动化控制。
在机械领域中，智能控制可以应用于自动化生产线、智能仓储等方面。
1.自动化生产线在传统的生产线上，需要人工参与生产过程中的各个环节，效率低下且容易出错。
而采用智能控制技术，则可以实现自动化生产线，从而提高生产效率和产品质量。
例如，在汽车制造过程中，采用智能控制技术可以实现汽车零部件的自动化加工和组装。
2.智能仓储在物流领域中，需要对货物进行存储和管理。
传统的手动管理方式效率低下且容易出错。
而采用智能控制技术，则可以实现智能仓储管理系统，从而提高货物存储和管理效率。
例如，在物流中心中，采用智能控制技术可以实现对货物的自动化存储和管理。
四、智能维护智能维护是指通过计算机监测技术实现对机械设备的状态监测和预测维护。
在机械领域中，智能维护可以应用于设备状态监测、故障诊断等方面。
计算机视觉技术在工业检测中的应用案例解析
计算机视觉技术在工业检测中的应用案例解析近年来，随着计算机视觉技术（Computer Vision）的快速发展，其在工业检测领域的应用逐渐得到广泛关注。
计算机视觉技术利用摄像机及相关设备捕捉、处理和分析图像数据，实现对物体的自动检测、识别和测量，为工业检测提供了一种高效、精确、无人干预的解决方案。
本文将通过几个应用案例展示计算机视觉技术在工业检测中的优势和实际应用。
首先，计算机视觉技术在产品外观质量检测中的应用案例可谓成功的典范。
传统的外观检测需要大量的人力和时间，容易出现主观误判和漏检的情况。
而引入计算机视觉技术后，通过对产品外观图像进行实时分析和比对，可以快速准确地检测出外观缺陷，如划痕、漆面缺陷、气泡等。
一个典型的应用案例是汽车生产线上的车漆检测。
使用计算机视觉技术，可以通过图像识别技术对车辆的车漆进行在线检测，有效地避免了人工检测中可能出现的主观判断和疏漏，提高了产品质量和生产效率。
其次，计算机视觉技术在工业制造中的缺陷检测方面也有广泛的应用。
无论是电子产品、服装、食品还是机械零件，都需要经过缺陷检测环节来确保质量。
传统的缺陷检测方法需要人工操作，费时费力，并且容易出现漏检和误判的情况。
而计算机视觉技术通过分析图像数据，可以实现对产品的缺陷自动检测，如电路板焊接缺陷、针织品的疵点、食品的异物等。
这种自动化的缺陷检测方法，不仅提高了生产效率，还大大减少了人力成本和产品质量问题。
此外，计算机视觉技术在工业检测中的应用还包括尺寸测量和位置定位等领域。
在工业生产中，产品的尺寸和位置的准确性直接影响产品的质量和性能。
传统的尺寸测量和位置定位需要人工进行，费时且容易出现误差。
利用计算机视觉技术，可以通过图像处理和模式识别算法实现对产品尺寸和位置的自动测量和定位。
例如，通过对零件图像进行处理和分析，计算机视觉技术可以实现对零件的尺寸测量，比如直径、长度、角度等。
此外，计算机视觉技术还可以精确地定位产品的位置，如机器人的物体抓取和放置。
基于机器视觉在轴类零件检测中的应用
- 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)。
泰山职业技术学院2006级毕业论文目录摘要 (1)1自动检测的原理和方法 (2)1.1检测和检验的不同意义 (2)1.1.1质量控制中的检测 (2)1.1.2质量控制中的检验 (3)1.2统计质量控制基础 (3)1.2.1统计质量控制的推断 (3)1.2.2制造中的偏差 (4)2计算机视觉检测技 (4)2.1 AVI技术 (4)2.1.1视觉检测分类 (5)2.1.2视觉检测方法 (5)2.1.3视觉检验方法 (5)2.2机械零件的AVI (5)2.3基于CAD的AVI (6)2.4 AVI技术展望 (7)参考文献 (8)致谢 (9)计算机视觉检测技术及其在机械零件检测中的应用张文景，张文渊，苏键锋，许晓鸣摘要：基于计算机视觉检测(AVI)技术在检测系统的智能化、柔性、快速性等方面较接触式检测方法具有更大的优越性，综述了其基本原理和分类以及近年来此方面的研究成果.分析了利用AVI技术对机械零件进行检测的一般方法和系统构成，并探讨了基于CAD的AVI的关键环节.最后对AVI技术的发展趋势提出了作者的观点.关键词：计算机视觉；计算机视觉检测；计算机辅助设计；机械零件中图分类号：TP 391 文献标识码：AAutomated Visual Inspection and Its Application on Inspection of MachinedPartsZHANG Wen-jing,ZHANG Wen-yuan，SU Jian-feng, XU Xiao-mingDept. of Automation, Shanghai Jiaotong Univ., Shanghai 200030, China Abstract：With development of computer vision,automated visual inspection (AVI) has more applications in a variety of fields in industry.AVI takes more advantages in intelligence,flexibility and speed of inspection system than contacted inspection.The recent achievemens researched by international scholars in the field of AVI were surveyed.Principle and classification of inspection techniques were introduced.The analysis for general methods and system of AVI of machined parts was presented.Key technology of AVI based on CAD was also discussed.Some opinions about development of AVI were proposed at last.Key words：computer vision;automated visual inspection(AVI);computer aided design(CAD);machine parts1自动检测的原理与方法检测和检验是制造过程中最基本的活动之一。
通过检测和检验活动提供产品及其制造过程的质量信息，按照这些信息对产品的制造过程实施控制——进行修正和补偿活动，使废次品与返修品率降到最低程度，保证产品质量形成过程的稳定性及其产出产品的一致性。
传统的检测和检验主要依赖人，并主要靠手工方式完成。
它既费时又耗资，使生产周期增长，生产成本增加。
同时，传统的检验和检测活动主要是在加工制造过程之后进行，一旦检出废次品，其损失已发生。
此外，基于人工检测的信息，经常包含有人的误差（人差）的影响，按这样的信息控制制造过程，不仅要在过程后才可实施，而且也会引入人差的误差。
因此，不能依赖这种信息实现实时或在机过程控制。
新的检测和检验常常是以多种先进的传感技术为基础的，且易于同计算机系统结合。
在合适的软件支持下，这类自动化检测或检验系统可以自动地完成数据采集、处理、特征提取和识别，以及多种分析与计算。
1.1. 检测（Inspection）和检验（Testing）在大多数情况下，检测和检验有不同的含义。
（1.1.1质量控制中的检测检测是指为了确定产品、零件、组件和部件或原材料是否满足设计规定的质量标准和技术要求目标值而进行的测试／测量等质量检测活动。
例如：按设计图样规定的有关标准对机械零件的尺寸、形状和相互位置精度、表面粗糙度与表面质量等指标的目标值满足状况进行测量、数据处理和评价的相关质量检测活动。
检测的目标是：1）实际测定产品（含零、部件）的规定质量特性及其指标的量值。
2）根据测得值的偏离状况，判定产品的质量水平（等级），确定废次品。
3）认定测量方法的正确性和对测量活动简化是否会影响对规定特征的控制。
检测活动的实践中，第3）个目标的示例是：认定采用多种过／不过量规控制孔径、螺纹副加工质量是否满足产品质量标准的要求。
对规定的检测项目进行实际测量可获取制造过程各输入与输出阶段或工序的实测值，并可根据这些信息——时序实测值数列，确定其趋势与变动状况，调整制造过程，使生产能修正偏差，恢复正常的质量状态。
采用简化测量，如用量规时，只能确定可否接受，但不能提供调整所需的信息，故不能实现质量控制。
简化测量／检测的目的是节约测量时间，降低测量费用。
1.1.2质量控制中的检验检验又称试验，它是对产品功能和性能进行评定的一种质量控制方法。
检验指的是在实际工作环境（现场条件）或设计规定的工作条件下，对产品的功能、性能和寿命进行测定、试验和评价的质量控制活动。
通常只有通过检验的产品才能上市供应用户。
检验分为两类：一类是破坏性试验，如高压破坏试验；另一类是无损检测试验，如高压容器的无损探伤等。
产品的检验评价是设计改进或修改、制造过程改善的依据，特别是要求安全认证的产品，如汽车、摩托车、压力容器、家电与炊事用具等，必须重视安全检验的评价。
上述两类质量控制法，过去多以人为主体来完成，为减少检测、检验的工作量，降低成本，从60年代以来，工业发达国家中的企业多采用质量控制法，并配置了多种先进、有效的自动检测装置与系统。
1.2 统计质量控制（SQC）基础1.2.1统计质量控制是根据产品（含零件、组件、部件、原材料等）的抽样数据和统计分析结果对其质量进行推断，其理论基础是数理统计和概率论。
抽样又称采样，是从产品中随机地抽出样件，对每一样件进行规定的质量特征项目的技术指标的检测或检验。
在加工过程抽样中，质量特征指标是在制造过程中或制造过程刚完成后进行检测或检验，譬如：孔径自动检测仪可以在孔的磨削过程中实时地进行孔径尺寸的检测，而孔磨削加工完成后，可以进行在线或离线的检测或检验。
1.2.2制造中的偏差任何一个制造工序必然存在偏差，利用足够精度且可靠的测量器具和正确的测量方法可以发现任何两个已加工工件或零件间的差异。
根据误差理论，这种差异或偏差可分为两类随机偏差：它是由随机因素引起的不确定性。
例如：原材料或毛坯件的加工余量、材料的可加工性、材料的缺陷和硬度的不均匀性等的变化、加工参数和设备调整及运行中的变动性、加工过程的变动性（振动、力与热效应的影响）及参与者的人因（即人的因素）的变化等，就是引起随机偏差的因素。
这类偏差的表现规律是：单个偏差（又称误差）的绝对值及其符号有不确定性和无法预测的特征，而对其样本总体的统计则服从分布的规律。
最常见和最典型的随机偏差趋向于服从正态分布。
前苏联国家计量院与其他国家专家学者的研究结论是：大多数计量器具的测量误差的分布同正态分布相差甚远。
甚至有的专家研究后认为：没有一种实际情况会导致一个真正的正态分布。
鉴于这些研究结果，美国把基于非正态分布和计算机的新型控制图技术列为90年代的国家研究的课题。
试图以它代替基于手工的计算，假定服从正态分布的现行质量过程控制图技术。
2计算机视觉检测技术随着CIMS的推广应用，企业在向柔性化、自动化发展的进程中，提出了对计算机辅助质量(CAQ)系统的需求.目前，计算机辅助检测计划(CAIP)系统已成为CAQ系统的重要组成部分，它的核心问题是解决如何检测零件.在柔性制造中坐标测量机(CMM)是重要的检测手段，在制造企业中得到广泛的应用.随着柔性制造系统(FMS)的推广，人们对检测系统的智能化、柔性、快速性等方面提出了更高的要求，以适应多品种、小批量生产的需要.计算机视觉技术得到不断发展，由于计算机视觉系统可以快速获取大量信息，且易于同设计信息及加工控制信息集成，用于工况监视、现场监控的计算机视觉系统已广泛地应用在工业、商业等领域.计算机视觉作为一种检测手段已经越来越引起人们的重视，逐步形成一种新的检测技术——计算机视觉检测(Automated Visual Inspection, AVI)技术.本文综合了国内外在AVI方面的研究成果，总结了利用AVI技术检测机械零件的一般方法和系统构成，并对视觉系统与CAD系统的集成进行了有益的探讨，提出了发展AVI技术的一些看法.2.1 AVI技术AVI是一种以计算机视觉方法为基础，综合运用图像处理、精密测量以及模式识别、人工智能等技术的非接触检测方法.其基本原理是对由计算机视觉系统得到的被测目标图像进行分析，从而得到所需要的测量信息，并根据已有的先验知识，判断被测目标是否符合规范(即合格或不合格).从80年代开始，AVI系统在美国制造业中广泛应用，最为广泛的是那些重复性检测相同部件或产品的场合.电子工业是AVI应用最活跃、最为成功的行业，其中印刷电路板(PCB)和集成电路芯片的自动检测已广泛采用AVI技术，其他工业如汽车、木材、纺织和包装等都有各自专用的AVI系统.2.1.1 视觉检测的分类视觉检测按其所处理的数据类型可分为二值图像、灰度图像、彩色图像和深度图像的视觉检测.另外，还有X射线检测、超声波检测和红外线检测.大部分商业视觉检测系统采用二值图像数据格式，其图像精度要求不高，可减少检测所需的数据量，有助于满足系统速度和成本要求.一般地，二值图像视觉检测系统仅采用简单的检测算法，如计算像素点、边缘检测和模板匹配等.二值图像对于检测那些没有表面特征的平面物体或仅用边缘轮廓就可表示出来的物体是足够的.灰度图像视觉检测通常用于检测物体的表面缺陷，如裂缝、磨损等，对光照条件要求较高.在工业环境中，由于光照条件差，用灰度图像进行视觉检测的系统很少.彩色图像视觉检测主要用于家具、食品等部门，一般根据阴影或色彩的变化来判断是否存在缺陷.在许多情况下，用二值、灰度或彩色图像进行检测是不现实的，因它们只能检测物体的二维(2D)特征，丢失了大量的三维(3D)信息.若要检测物体的3D特征通常采用深度图像(range maps or depth data).深度图像最显著的特征是清晰描述了物体的表面信息.2.1.2 视觉检测方法Moganti等将PCB视觉检测算法分为基于参考的检测方法、非参考型检测方法和混合检测方法.虽然这些方法目前主要应用于PCB检测，但对其他目标的检测也有借鉴意义.(1)基于参考的视觉检测.该方法采用点对点(或特征对特征)比较，它利用了检测目标的完整知识.这类方法主要有：剪影法、模板匹配法、树法、句法方法和图匹配方法.(2)非参考型检测方法.该方法利用的是待检测目标的一般特性，而不是特定的一个检测目标的知识.它不需要任何参考模式，如果模式不符合设计的规则，就认为不合格或有缺陷，因此也称为设计-规则验证方法.该方法依据工件设计规则判断工件是否有缺陷，无须逐点比较待测工件图像和标准图像.(3)混合检测方法.上述两类方法各有其优缺点，混合检测方法的思想是采两者之长，避两者之短.其典型方法有：一般方法、用边界分析的模式检测、射线匹配算法、形状比较法、圆形模式匹配法等.(4)基于CAD的检测方法.近年来，迅猛发展的CAD/CAM技术为建立物体的几何模型提供了几何描述基础，产生了三维物体几何模型，称为CAD模型.计算机视觉和CAD技术相结合，有着广阔的发展前景.2．2 机械零件的AVI机械零件的自动检测是制造企业中CAQ系统的一个重要组成部分，是实现企业柔性制造自动化的关键环节.研究机械零件视觉检测首先是把三维物体图像化，即得到二维的平面图像，然后再根据图像去分析和理解三维空间物体.在大部分机械零件中，直线和圆是构成零件几何元素的基本要素，系统对于各几何元素的测量基本上都可归结到对直线和圆的测量.对于直线与圆(圆弧)的检测，通常采用测量点序列进行最小二乘法拟合以得到直线或圆参数的估计值.对于任意的零件几何元素的检测，Mundy和Noble等提出了一种有约束的优化模型：minf1(x),且满足h(x)=0.其中：f1(x)为实测数据与几何元素模型的最小二乘拟合误差总和；h(x)为元素模型之间所应满足的几何约束关系.在他们的实体模型中，每一个几何元素分别采用独立的参数表示，这样，在他们的优化模型中，至少含有2n个变量和n个约束方程(n为元素实体个数).Chen等提出了一种无约束最优化模型：minf2(x).由于该模型采用四个具有全局特征的参数(表示平移、旋转和尺度)来描述数据拟合的误差，大大简化了数据拟合的复杂性.对于最优化模型的求解，一些常用的最优化方法已经得到应用，如最小二乘法和Lagrangian松驰法、梯度下降法、非线性最小二乘法和单纯形法等.近年来，遗传算法由于其全局最优的收敛性，已被成功地应用到各种优化问题，Chen等将遗传算法应用于无约束最优化模型中的参数寻优，得到了令人满意的结果.一个完整视觉检测系统包括：图像采集、图像分割、零件识别、模型匹配和决策判断.Newman等［9］描述了利用深度图像进行零件检测的AVI系统，具有一定的代表性.图1所示为该系统的处理流程.图1 一个典型的AVI系统Fig.1 A typical AVI system2.3基于CAD的AVI基于CAD的计算机视觉是Bir Bhanu首次提出的，到目前已成为计算机视觉的研究热点.基于CAD的AVI的关键是视觉系统和CAD数据库的集成，即如何在自动制造环境下利用已有的CAD模型建立适合于视觉检测的视觉模型，并把CAD 数据作为上层知识生成智能检测规划.2.3.1视觉模型.基于模型的AVI最终将面临三维几何模型化的问题，也就是解决如何建立面向视觉的三维物体模型.尽管视觉系统和CAD系统都依赖于物体的几何模型，但它们在知识表达、数据共享等方面仍得不到统一.视觉检测要求计算机能从CAD系统中获取零件精确的数学模型，而这种模型往往要用构成零件几何元素的解析表达式来表示.当前CAD系统中零件的模型还不能完全以解析形式表示，而只能以几何元素的特征值(如长度、角度、半径、位置等)表示.因此，一些学者已开始研究如何从CAD模型提取视觉模型的方法.Chen等］利用CAD数据提供的边界特征(包括交点、边、夹角)建立了一个由直线段和圆弧组成的零件剖面图的解析表达式，并由些对检测到的数据点进行拟合.2.3.2检测规划.随着CIMS的逐步推广，检测系统和CAD数据库的集成已成为柔性检测技术发展的必然趋势.CMM发展到现在已具备了离线编程的功能，人们可以直接利用CAD系统中零件的模型来生成检测点，并进一步生成检测路径，然后传送到CMM来自动完成检测任务，即目前较为流行的“基于CAD的CMM检测规划生成］，这也是将CMM集成到CIMS中所要解决的关键技术.同样，视觉检测要实现与CIMS的集成，也必须建立智能的视觉检测规划，以便控制机器人对零件进行操作，可称之为“基于CAD的视觉检测规划生成”.Park和Marefat等在这方面做了一些有益的探讨，提出了视觉规划的模型.他们用CAD数据库中的边界特征及其几何关系建立了一种智能检测规划，为视觉检测提供了必要的信息.这些信息包括可见特征列表、可能的视角方向和摄像机位置以及在每一个视角和位置上的可见边.为了在CAD系统和检测系统之间进行有效的数据传递，必须建立统一的数据格式和标准.一种面向CMM的标准规范目前已经形成，即尺寸测量接口规范(Dimensional Measuring Interface Specification,DMIS).DMIS的目标是作为一套计算机系统和测量设备之间检测数据双向通信的标准.它提供一套词汇表将检测规程和CAD系统数据(尺寸、公差等)提供给检测设备以及将检测设备的检测结果传递给接受系统.如何建立面向视觉检测的DMIS已成为发展基于CAD的计算机视觉检测技术的一个关键环节.2.4，AVI技术展望AVI技术是一种很有发展前途的自动检测技术，可以实现智能化、柔性、快速和低成本的检测目标，而CIMS的普及与发展已给基于CAD的AVI技术提供了广阔的应用前景.作者认为AVI技术今后的发展应集中在以下几个方面：2.4.1实现在线实时检测.使系统可以100%地检测产品，而不像现在所普遍采用的抽样检测.视觉检测执行时间在很大程度上取决于低层图像处理(图像平滑、滤波、分割等)速度，采用快速的图像处理算法、高速CPU和并行处理器是实现在线视觉检测的有效途径.2.4.2实现智能化检测.从CAD系统中提取零件视觉模型与检测信息(包括工件位置与方向、摄像机视角等)，选定检测项目、检测点和检测路径，建立智能检测规划，并控制工业机器人抓取零件并放置到合适的位置进行检测.为在CAD 系统和检测系统之间进行有效的数据传递，必须建立一种面向视觉系统的尺寸测量接口规范.由于基于CMM的检测规划目前正趋于成熟，这对AVI规划的生成也很有借鉴意义.2.4.3实现高精度检测.CCD摄像机的分辨率和系统误差制约了视觉检测精度的进一步提高，无法适应大尺寸零件的检测.与视觉系统相比，CMM在检测精度和测量空间范围上占有很大优势.可以预见，计算机视觉系统与CMM的集成必将成为视觉检测发展的一种新方向.事实上，基于CMM的视觉检测技术已经受到人们关注.集成化的CMM和视觉系统可以利用视觉系统迅速识别零件的形状及其在测量平台上的位置和状态，完成机器坐标系、零件坐标系和摄像机坐标系之间的转换，帮助CMM实现检测路径自动形成与测量结果判断.随着计算机视觉技术自身的成熟和发展，AVI技术必将在现代和未来制造企业中得到越来越广泛的应用.参考文献：［1］阮秋琦.图像处理和计算机视觉技术在美国［J］.北方交通大学学报，1992，16(3)：8～14.［2］Newman T S,Jain A K.A survey of automated visual inspection ［J］.Computer Vision and Image Understanding,1995,61(2):231～262. ［3］祝世平.大型工件特征点空间坐标视觉检测方法研究［D］.哈尔滨：哈尔滨工业大学，1997.［4］Wu Wen-Yen,Wang Mao-Jiun,Lui Chi-Ming.Automated inspection of printed circuit boards through machine vision［J］.Computer in Industry,1996,28(2):103～111.［5］Guglielmi N,Guerrieri R,Marstretta M,et al.Highly-contrainted neural networks with application to visual inspection of machined parts ［A］.In:IEEE International Conference on Acoustics,Speech,and Signal Processing［C］.Minneapolis, USA, 1993.629～632.［6］Moganti M,Ercal F,Dagli C H,et al.Automatic PCB inspection algorithms:a survey［J］.Computer Vision and ImageUnderstanding,1996,63(2):287～313.致谢在本次论文设计过程中，亓燕老师对该论文从选题，构思到最后定稿的各个环节给予细心指引与教导,使我得以最终完成毕业论文设计。