机器视觉中几何匹配算法的典型应用
halcon圆形模板匹配的中心点
halcon圆形模板匹配的中心点Halcon圆形模板匹配是一种图像处理方法，用于在给定图像中寻找与预先定义的圆形模板最相似的圆形区域。
匹配技术可以应用于很多领域，包括机器视觉、工业自动化、医学图像处理等。
圆形模板匹配的中心点是识别出的圆形区域的中心坐标，它具有重要的意义，可以用于进一步分析和处理图像。
从技术的角度来看，Halcon圆形模板匹配是基于灰度图像处理的。
首先，通过提取图像的灰度信息，将彩色图像转换为灰度图像。
然后，定义一个圆形模板，包括圆心的位置和半径的大小。
接下来，通过计算图像与模板之间的相似性度量，如相关系数、均方差等，来评估匹配的好坏。
最后，根据相似性度量的结果，确定最匹配的圆形区域以及其中心点的位置。
在Halcon中，圆形模板匹配的中心点可以通过以下步骤获得：1.导入图像：使用Halcon提供的图像处理函数，将图像从文件中读取或者通过相机进行采集。
选择合适的图像预处理方法，如去噪、增强对比度等，以优化图像的质量。
2.定义圆形模板：通过Halcon提供的模板定义函数，以指定圆形模板的参数，包括圆心位置和半径大小。
根据具体的应用需求，可以通过交互方式调整模板参数，以获取最佳的匹配结果。
3.进行模板匹配：使用Halcon的模板匹配函数，将图像和模板作为输入，通过计算相似性度量来获得匹配的结果。
Halcon提供了多种度量方法，如相关系数、均方差、灰度差异等，可以根据具体需求选择合适的度量方法。
4.查找匹配结果：根据模板匹配的结果，通过Halcon提供的区域操作函数，可以提取出与模板最匹配的圆形区域。
通过计算区域的中心坐标，即可获得圆形模板匹配的中心点的位置。
5.后续处理和分析：根据实际需求，可以对匹配到的圆形区域进行进一步的处理和分析。
例如，可以计算圆形的面积、周长等形状参数，或者根据中心点的位置进行其他相关的图像处理操作。
总的来说，Halcon圆形模板匹配的中心点是通过计算相似性度量和区域操作，从预定义的圆形模板中获得的。
机器视觉技术在工业检测中的应用
机器视觉技术在工业检测中具有广泛的应用，以下是一些常见的应用领域：
1.瑕疵检测：机器视觉可以用于检测产品表面的瑕疵，如裂纹、划痕、
气泡等。
通过对产品图像进行分析和比对，可以实现高效快速的瑕疵检测。
2.尺寸测量：机器视觉可以用于测量产品的尺寸和几何参数，如长度、
宽度、直径等。
通过图像处理和计算算法，可以精确测量产品的尺寸，并与标准尺寸进行比对。
3.字符识别：机器视觉可以用于识别产品上的文字和标识，如序列号、
日期、条形码等。
通过图像处理和模式识别算法，可以快速准确地读取产品上的字符信息。
4.颜色检测：机器视觉可以用于检测产品的颜色，判断产品是否符合要
求。
通过对图像进行颜色分析和比对，可以实现对产品颜色的自动检测和分类。
5.精密组装：机器视觉可以用于辅助精密组装过程中的定位和对齐。
通
过对零部件图像进行分析和匹配，可以实现高精度的自动定位和对齐，提高组装效率和质量。
总的来说，机器视觉技术在工业检测中可以提高检测效率、减少人力成本，并
且可以实现对细微缺陷的准确检测和测量，提高产品质量和工艺控制水平。
图像匹配简介
图像匹配简介
图像匹配简介
图像匹配是指在两个或多个图像中寻找对应的像素，生成一组二元关系对应，即像素对的匹配关系。
图像匹配可以被应用到许多领域中，例如机器人和自动驾驶的感知和导航、虚拟现实、医学图像处理、智能监控系统以及文物保护等。
图像匹配算法可以被分为两个主要类别：基于特征的图像匹配算法和基于深度学习的图像匹配算法。
基于特征的图像匹配算法根据图像中的特征点进行匹配。
特征点指的是在不同的图像中表现出相似性的局部区域。
常用的特征点描述符包括尺度不变特征变换（SIFT）、方向梯度直方
图（HOG）、加速稳健特征（SURF）等。
基于特征的图像匹
配算法需要先对图像进行特征提取，然后进行特征匹配，最后根据匹配结果计算变换矩阵，进行图像配准。
这种算法的优点是适用于不同姿态、视角和光照条件下的图像匹配，但在图像中存在大量重复纹理或噪声时容易产生误匹配。
基于深度学习的图像匹配算法则是直接基于特征向量而非特征点进行匹配，可以使用卷积神经网络（CNN）结构进行特征
提取。
在深度学习方法中，通过使用语义吸收层或可形式化的聚合架构来生成不变于图像的特征编码，并对其进行匹配。
基于深度学习的图像匹配算法可以利用大量的数据进行监督学习，可以处理更加复杂的图像识别问题，对于捕捉图像的全局和局部变化具有更强的鲁棒性。
但是，由于深度学习模型很难理解，
它们通常需要更多的计算资源和更长的训练时间。
图像匹配是机器视觉领域中重要的一个方向，其应用范围非常广泛。
由于不同的特征提取方式和匹配策略的不同，每种算法都有其适用的场景。
在应用中需要根据不同的场景选择最适用的算法，以达到最佳的匹配效果。
机器视觉
机器视觉是一个相当新且发展十分迅速的研究领域，目前己成为现代制造业工业的重要研究领域之一。
近年来在机器视觉技术基础上的各项研究及应用不断的发展，针对不同应用情况的特点，形成了不同的基于机器视觉技术的应用系统。
在工业零件制造中，经常需要对半成品或成品或再制造产品进行几何尺寸的检测，一般要求具有较高的检测精度和较快的检测速度。
传统的接触式的人工检测的方法不但繁琐，劳动强度大，而且检测速度较慢，不能消除人为的测量误差。
在检测过程中还可能对物体的表面造成一定的损伤，这些都使得传统检测方法达不到理想的要求。
非接触式的基于机器视觉技术的在线检测方法，以其检测速度快，精度高，测量项目多等特点在工业制造中具有广阔的应用前景。
本文基于工业中圆形再制制造产品的检测要求，对机器视觉的在线工件检测系统进行了深入的分析和研究。
1.1机器视觉1.1.1 机器视觉的概念机器视觉，简单的讲，可以理解为给机器加装上视觉装置，或者是加装有视觉装置的机器。
给机器加装视觉装置的目的，是为了使机器具有类似于人类的视觉功能，从而提高机器的自动化和智能化程度。
由于机器视觉涉及到多个学科和多种技术（包括数字图像处理技术、机械工程技术、控制技术、电光源照明技术，光学成像技术、传感器技术、模拟与数字视频技术、计算机软硬件技术等），所以给出一个精确的定义是很困难的，而且在这个问题上见仁见智，各人认识也不尽相同。
美国制造工程师协会(SME)机器视觉分会和美国机器人工业协会(RIA)自动化视觉分会关于机器视觉的定义是:"Machine vision is the use of devices for optical non-contact sensing to automatically receive and interpret an image of a real scene in order to obtain information and/or control machines or processes.”译成中文:“机器视觉是使用光学器件进行非接触感知，自动获取和解释一个真实场景的图像，以获取信息或控制机器或过程。
《机器视觉基础》课件
安全监控
要点一
总结词
机器视觉在安全监控领域的应用，能够提高安全防范能力 和监控效率。
机器视觉的优势与挑战
优势
非接触式、高精度、高效率、高可靠 性、可实现自动化和智能化等。
挑战
数据量大、计算复杂度高、对光照和 角度敏感、对遮挡和噪声的鲁棒性差 等。
02
机器视觉系统组成
图像获取
图像获取是机器视觉系统的第一步， 负责将目标物体转化为数字图像，以 便后续处理。
图像获取的关键在于获取高质量的图 像，以便后续处理能够准确地进行特 征提取和目标识别。
基于概率统计的算法
总结词
利用概率统计理论，对图像中的目标进行识别和分类的方法。
详细描述
基于概率统计的算法通过建立目标模型，利用概率分布和统计规律对图像中的目标进行识别和分类。 该算法具有较强的鲁棒性和适应性，能够处理一些复杂的视觉任务，如目标跟踪、场景识别等。
基于深度学习的算法
总结词
利用深度神经网络对图像进行层次化特征提取和分类的方法。
VS
详细描述
机器视觉技术被广泛应用于工业生产线上 ，对产品进行外观、尺寸、缺陷等方面的 检测。通过高精度的图像采集和处理，机 器视觉系统能够快速准确地识别出不合格 品，并自动剔除或进行分类，从而提高生 产效率和产品质量。
农业检测
总结词
机器视觉在农业领域的应用，有助于提高农 产品的产量和质量。
详细描述
03
02
角点检测
halcon几何定位+仿射变换算子总结
一、概述Halcon是一款强大的机器视觉软件，其几何定位和仿射变换算子在工业自动化和图像处理领域有着重要的应用。
本文将对Halcon中的几何定位和仿射变换算子进行总结和讨论，希望能为相关领域的研究者和从业人员提供一些帮助。
二、Halcon几何定位算子1. 几何定位的基本原理几何定位是指在图像处理中找到物体的几何位置和姿态的过程。
Halcon提供了一系列用于几何定位的算子，如find_shape_model、find_scaled_shape_model、find_line和find_circle等。
这些算子可以用于在图像中查找特定形状的物体，并确定其位置和旋转角度。
2. 几何定位算子的使用方法在使用Halcon进行几何定位时，首先需要提供一个模板图像或者基准对象的特征描述，然后利用相应的算子在目标图像中进行匹配，最终得到物体的位置和姿态信息。
其中，find_shape_model和find_scaled_shape_model算子适用于查找具有特定形状和尺寸的物体，而find_line和find_circle算子则可以用于检测直线和圆圈等基本几何形状。
3. 几何定位算子的优缺点Halcon的几何定位算子具有高精度、高鲁棒性和良好的实时性等优点，可以应用于工业自动化领域中的物体检测和定位任务。
但是，对于光照变化大或者物体表面纹理复杂的情况，其准确性可能会受到一定程度的影响。
三、Halcon仿射变换算子1. 仿射变换的基本原理仿射变换是指在二维空间中对图像进行平移、旋转、缩放和错切等操作的线性变换过程。
Halcon提供了一系列用于仿射变换的算子，如affine_trans_image、hom_mat2d_identity、hom_mat2d_translate和hom_mat2d_rotate等。
这些算子可以用于对图像进行各种仿射变换操作。
2. 仿射变换算子的使用方法在使用Halcon进行仿射变换时，首先需要构造一个仿射变换矩阵，然后利用相应的算子对图像进行变换。
基于机器视觉的定位及缺陷识别智能检测技术研究与应用共3篇
基于机器视觉的定位及缺陷识别智能检测技术研究与应用共3篇基于机器视觉的定位及缺陷识别智能检测技术研究与应用1随着工业生产的发展和智能化的提升，机器视觉技术越来越得到应用，其中，机器视觉的定位和缺陷识别技术成为了工业生产中的一大热点。
本文将围绕着基于机器视觉的定位及缺陷识别智能检测技术展开研究与应用的探讨。
一、定位检测技术定位检测技术是机器视觉技术在工业生产中的重要应用之一。
它主要通过机器视觉的拍照采集，对生产产品的几何结构进行识别，进而精确定位产线上的成品或者半成品，从而为后续的生产流程提供准确的基础信息。
在实现定位检测技术的过程中，应用最多的方式是二维码或者条形码等标识识别。
通过对标识解码进行计算，得到产品的位置坐标和姿态信息。
当然，这种方法对于产品的识别需要提前编码，因此，在一些没有编码的产品生产中，可以通过特征点识别的方式进行定位，例如对产品的特殊形态与颜色等进行识别，得到准确的位置坐标信息。
另外，在定位检测技术中，还需要考虑到产品的多样性。
不同的产品具有不同的形状、尺寸，甚至还有方向的不同。
这就需要我们在训练模型时进行多个样本的收集，从而保证模型的泛化能力。
二、缺陷识别技术除了定位检测技术，机器视觉技术在缺陷识别方面也具有广泛的应用。
不同于定位检测技术只需识别产品的外在形态，缺陷识别技术需要识别产品的电气、物理和化学性质等内部信息，从而得到产品是否存在缺陷的判断。
在识别缺陷的过程中，最常见的方法是通过图像分割技术将产品分割成为不同的区域，进而分析每个区域的特征。
例如，对于电路板等产品，可以通过分析每个元器件的导通与否来判断是否存在缺陷。
对于纺织品或者皮革等production，可以通过分析表面的纹理、缺陷或者皱纹等特征来判断是否存在缺陷。
此外，还可以结合图像增强和滤波技术，去除图像噪声、灰度失真等影响因素，从而保证整个缺陷识别的准确性和稳定性。
三、研究与应用展望随着智能生产的发展和流程的优化，机器视觉技术在定位检测和缺陷识别方面的应用还有着巨大的潜力。
halcon find_scaled_shape_model 原理
halcon find_scaled_shape_model 原理HALCON是一款先进的机器视觉库，提供了丰富的图像处理和分析功能。
其中之一的find_scaled_shape_model函数是一个强大的形状匹配算法，用于在图像中快速准确地找到和匹配一个已知的对象模型。
在本文中，我们将详细介绍find_scaled_shape_model函数的原理和工作流程。
同时，我们还会讨论与该函数相关的一些重要概念和技术。
原理：find_scaled_shape_model是基于模板匹配的算法。
模板匹配是一种基本的图像处理技术，用于在图像中检测并匹配一个已知的模板（或形状）。
它的原理是通过比较模板与图像中的局部区域，寻找最佳的匹配位置。
find_scaled_shape_model通过对模型的缩放进行建模，可以在不同尺度下进行匹配，从而提高匹配的鲁棒性和准确性。
其主要工作流程如下所示：1. 准备模型：首先，需要准备一个模型图像作为匹配的参考。
模型图像通常是对象的正面或侧面视图。
该模型图像应具有明确的边界和特征，以便能够在图像中准确匹配。
2. 计算形状模型：接下来，通过find_scaled_shape_model函数，使用模型图像来计算形状模型。
形状模型是一种通过对模型图像进行特征分析和建模而得到的数学描述。
它捕捉了模型的形状和结构信息，以便在后续的匹配过程中进行比较和匹配。
3. 在图像中搜索模型：一旦形状模型计算完成，find_scaled_shape_model函数可以开始在输入图像中搜索模型。
为了提高效率，可以指定一个搜索区域，限制搜索的范围。
在搜索过程中，函数将使用形状模型对图像中的局部区域进行比较，并计算出匹配分数。
匹配分数通常表示了形状模型与图像中各个局部区域的相似度。
4. 匹配处理：当搜索过程完成后，find_scaled_shape_model函数将根据匹配分数，找到与模型最相似的图像局部区域。
一种用于立体图像匹配的改进稀疏匹配算法
委托代销业务
委托代销业务，指企业将商品委托他人进行销售但商 品所有权仍归本企业的销售方式，委托代销商品销售后，受 托方与企业进行结算，并开具正式的销售发票，形成销售收 入，商品所有权转移。
▪ 1、手工增加 ▪ 2、参照模拟报价生成
主要功能－销售订单
主要功能－发货单
主要功能－退货单
主要功能－销售发票
▪ 发票
现结
主要功能－发货签回
• 客户在收到货物以后，在发货单上签属的结果
主要功能－存货价格管理
主要功能－客户价格管理
其他主要功能－帐期管理
解决用户在实际业务中按月结、固定日
LP件，能够追溯其相关的单据
其他主要功能－订单追溯
以销售订单或出口订单为起点，追溯某一张销售
订单的供应、生产以及入库的情况。
可追溯的条件：LP件、销售跟单存货、直接参
照销售订单生成的单据
其他主要功能－业务追溯
主要内容
• 产品概述 • 产品模型 • 应用准备 • 主要功能 • 产品演示 • Q&A
应用准备
客户档案管理 存货档案相关设置 销售类型定义 客户存货对照表 销售系统参数选项设置 销售期初
应用准备－客户资料管理
应用准备－存货档案相关设置
应用准备－销售类型定义
应用准备－客户存货对照表
应用准备－销售选项
分期收款业务
分期收款发出商品业务类似于委托代销业务，货物提前 发给客户，分期收回货款。 分期收款销售的特点是：一次发货，当时不确认收入， 分次确认收入，在确认收入的同时配比性地转成本。
改进ORB算法在图像匹配中的应用
０ 引 言
图像匹配是机器视觉领域研究的基本问题之一ꎬ 在图像拼 接[１￣２] 、 目 标 跟 踪[３￣４] 、 人 脸 识 别[５] 、 三 维 重 建[６] 及视觉 ＳＬＡＭ[７￣８] 等领域有着广泛应用ꎮ 一般情 况下ꎬ图像匹配方法主要分为 ２ 大类ꎬ分别是基于灰 度匹配[９￣１０] 和特征匹配[１１￣１２] ꎮ 图像灰度匹配方法是 利用相关函数、协方差函数和差绝对值等相似性度量 来判定 ２ 幅图像的对应关系ꎬ常用的方法是归一化的 灰度匹配法[１３] ꎮ 而图像特征匹配则主要通过分析图 像的空间位置、颜色、纹理和形状等特征来对比 ２ 幅
图像ꎬ实现特征点的正确匹配ꎬ常用的方法有几何参 数法[１４] 、边界特征法[１５] 和形状不变矩法[１６] 等ꎮ
目前ꎬ图像特征匹配方法有多种ꎬ其中比较流行 的有 ＳＩＦＴ[１７] 、ＳＵＲＦ[１８] 和 ＯＲＢ[１９] 等ꎮ 尺度不变特征 变换 ＳＩＦＴ ( Ｓｃａｌｅ￣Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ) 匹 配 算 法是由 Ｄａｖｉｄ Ｌｏｗｅ[２０] 于 １９９９ 年提出的ꎬ并于 ２００４ 年 深入发展和完善ꎮ 该算法具有很强的匹配能力ꎬ其所 提取的特征点稳定ꎬ对图像尺度变换、旋转变换及亮 度变化能够保持不变ꎬ并且对于噪声污染及视角变 换、仿射变换也具有较强的稳定性ꎬ缺点是运行速度 慢ꎮ ＳＵＲＦ ( Ｓｐｅｅｄｅｄ￣Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ ) 算 法 是 由
Ａｂｓｔｒａｃｔ: Ｉｎ ｔｈｅ ｆｉｅｌｄ ｏｆ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎꎬ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｉｓ ａ ｃｏｒｅ ｉｓｓｕｅ. Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｉｍａｇｅ ｆｅａｔｕｒｅ ｍａｔｃｈｉｎｇ ａｎｄ ｅｎｈａｎｃｅ ｉｔｓ ａｎｔｉ￣ｉｎｔｅｒｆｅｒｅｎｃｅ ａｂｉｌｉｔｙꎬ ｉｎ ｖｉｅｗ ｏｆ ｔｈｅ ｉｎｓｕｆｆｉｃｉｅｎｃｙ ｏｆ ＯＲＢ ( ｏｒｉｅｎｔｅｄ ＦＡＳＴ ａｎｄ ｒｏｔａｔｅｄ ＢＲＩＥＦ) ꎬ ａｎ ｉｍｐｒｏｖｅｄ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＯＲＢ ｉｓ ｐｒｏｐｏｓｅｄ. Ｔｈｉｓ ａｌｇｏｒｉｔｈｍ ｓｅｔｓ ｓｅｌｆ￣ａｄａｐｔｉｖｅ ｔｈｒｅｓｈｏｌｄ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｄｅｔｅｃｔｉｎｇ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ. Ｆｕｒｔｈｅｒｍｏｒｅꎬ ｔｈｅ ｏｕｔｅｒ ｐｏｉｎｔｓ ｗｈｉｃｈ ｄｏ ｎｏｔ ｃｏｎｆｏｒｍ ｔｏ ｔｈｅ ｇｅｏｍｅｔｒｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｉｍａｇｅｓ ａｒｅ ｒｅｍｏｖｅｄ ａｆｔｅｒ ｔｈｅ ｃｏａｒｓｅ ｍａｔｃ￣ ｈｉｎｇꎬ ｔｈｅｎ ｔｈｅ ａｆｆｉｎｅ ｉｎｖａｒｉａｎｔ ｃｏｎｓｔｒａｉｎｔ ｉｓ ｃｈｏｓｅｎ ｔｏ ｐｉｃｋ ｏｕｔ ｔｈｅ ｅｘａｃｔ ｍａｔｃｈｉｎｇ ｐｏｉｎｔｓ. Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｈａｓ ｇｒｅａｔｌｙ ｉｍｐｒｏｖｅｄ ｔｈｅ ｍａｔｃｈｉｎｇ ｑｕａｌｉｔｙ ａｎｄ ｈａｓ ｌｏｗ ｃｏｍｐｕｔｉｎｇ ｃｏｓｔ. Ｉｎ ａｄｄｉｔｉｏｎꎬ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｈａｓ ｓｔｒｏｎｇ ｒｏｂｕｓｔｎｅｓｓ ｆｏｒ ｄｉｆｆｅｒｅｎｔ ｂｌｕｒ ａｎｄ ｅｘｐｏｓｕｒｅ ｄｅｇｒｅｅｓ. Ｋｅｙ ｗｏｒｄｓ: ＯＲＢꎻ ｓｅｌｆ￣ａｄａｐｔｉｖｅꎻ ｇｅｏｍｅｔｒｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓꎻ ａｆｆｉｎｅ ｉｎｖａｒｉａｎｔ ｃｏｎｓｔｒａｉｎｔ
- 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)。
机器视觉中几何匹配算法的典型应用
随着工业现代化的发展，机器视觉已经广泛应用于各大领域，为企业及用户提供更优
的产品品质及完美解决方案。维视图像是国内机器视觉硬件和系统的领先提供商，对机器视
觉的相关应用了如指掌，在本文中，维视将带领大家了解一下几何匹配这一视觉算法在具体
视觉系统中的应用及案例。
机器视觉系统的主要功能可以简单概括为：定位、识别、测量、缺陷检测等。相对于
人工或传统机械方式而言，机器视觉系统具有速度快、精度高、准确性高等一系列优点。
以下我们就开始讲解几何匹配在机器视觉系统的应用概况：
1、产品定位：
当产品需要高精度定位时，可以使用几何匹配功能，可以先在产品上预先做好一个标志
点（Mark点），然后通过检测产品上的Mark点位置相对于图片上的位置偏差，再通过相机
的标定把检测出的偏差值转换为毫米或脉冲驱动马达调速回相应的位置来达到高精度的定
位。
维视图像做过的这方面案例主要有：连接器端子的安装定位，晶片的中线及中心点位
置定位，汽车车门安装方向定位等。
2、产品方向有无的检测：
当产品需要检测方向和有无的时候，可以在产品的一边找一个标志点或相应的一个轮廊
直角边、斜边、圆弧等几何图形做为一个模板，当软件在一定范围内找到相应的模板时认为
产品有和方向是对的，当找不到相应的模板时认为方向是反的，此时可以发信号把产品替除
或控制相应的电机把产品反个方向。
维视做过的此方面检测案例如下：奶粉勺有无检测，药粒缺损检测，食品包装检测等。
3、产品的高精度测量：
当产品需要测两点间的距离而间距测量和卡尺测量达不到产品测量要求时，可以使用同
时匹配两个点的轮廓来达到产品测量的目的，这主要是用在打光效果不好的产品上。
具体案例：曲轴检测系统，水松纸纠偏项目，芯片尺寸测量项目、其他产品精密测量等。
4、产品放置位置的正确性：
当产品上需要放置或装配一些小产品或配件时，通常需要检测正确性，这时可以通过在
小产品或配件位置设定相应的搜索范围学习相应的模板来达到检测目的，也就是在A范
围内搜索A模板，在B范围内搜索B模板，在C范围内搜索C模板，如果都搜索成功，
则OK，如果有一个范围搜索不成功，则NG。
具体案例：饮料瓶喷码字符位置检测、液位检测等。
5、产品上的字符检测辅助定位：
当需要检测产品的字符（数字或字母）正确性时，可以使用机器视觉图像处理软件的字
符提取功能，但是必须使用几何匹配做辅助定位，因为通常产品到相机底下的位置会有所变
化，而全图像范围搜索可能又会增加一定的误判，所以我们可以设置一个很小的搜索范围，
而这个范围可以跟着匹配到的标志点的偏差而变化。
具体案例：手机、键盘按键字符位置检测，仪表盘字符位置检测、汽车仪表字符检测、
血压计、血糖仪按键位置检测等。
早期，高复杂度产品行业，如半导体行业和电子行业，由于它们的复杂性和小型化，从
传统上推动着机器视觉市场的发展。但是如今，所有产业，包括自动化、制药、造纸等各大
领域都依靠机器视觉系统检测产品以提高产品质量。可以预见，未来机器视觉将成为横跨所
有行业的通用性技术，成为行业用户不可获缺的解决方案。在这一长远的道路上，维视图像
愿意跟您一起成长。