智能制造結合了人工智能、大數據、物聯網等新一代智能信息技術，貫穿產品全生命周期，實現從了工廠到市場的聯動。隨著機械裝備生產過程的進一步智能化，生產信息的采集和處理過程顯得尤為重要。本文介紹了機器視覺技術的工作原理和關鍵技術，以及機器視覺在智能制造中的應用，并對機器視覺的應用前景做出了分析和展望。

隨著制造業的發展，智能制造技術日漸成為實現制造的知識化、自動化、柔性化以實現對市場的快速響應的關鍵技術。其主要應用包括基于神經網絡的智能檢測、故障診斷、識別、設計、優化，基于遺傳算法的優化設計，基于規則、基于框架的專家系統，基于類比推理、歸納學習與基于實例推理的知識系統，基于Agent技術的分布式智能制造系統等等［1］。智能制造主要關注于高端裝備制造，在制造過程中進行分析推理、判斷、思考、決策等活動。智能制造系統從原始的能量驅動轉變為信息驅動，這對于制造系統的靈活性和數字化提出了很高的要求。在智能制造系統中，原始信息的采集是最基礎的工作，原始信息推動著整個系統的決策和工作。機器視覺技術作為當前的熱門技術之一，具有高度的靈活性，能適應各種生產環境，擁有強大的理論支持，在智能制造領域得到了廣泛的應用。本文針對于智能制造，介紹了現有文獻中機器視覺的相關關鍵以及其在制造過程中的相關應用，并基于此探討機器視覺在未來先進制造、智能制造中的應用前景。

1

機器視覺中的關鍵技術

機器視覺在智能制造中主要用于視覺檢測，關鍵技術包括圖像獲取、圖像預處理、圖像分割、圖像識別、檢測［2］。

1.1 成像系統

視覺信息是機器視覺技術的基礎，一般而言，視覺信息采集系統主要包括了光源、成像、處理等數個環節。智能制造中典型的視覺信息采集系統如圖1所示：由光控電路控制的光學鏡頭在光源下獲取目標圖像，經傳感器于信號存儲電路之中保存，之后通過信號放大電路以及計算機的圖像處理，最終獲得目標的視覺信息。

1.2 圖像預處理

由于獲取條件的不同和外界的各種干擾，經過成像系統采集到的原始圖像往往存在著大量的噪聲和失真，這種數據無法直接用于視覺系統。為了消除外界環境對圖像采集的干擾，需要對圖像進行預處理，例如通過圖像分析和識別等手段，消除使圖像質量惡化的因素，使采集到的圖像能夠更有效的用于有效信息的提取。圖像預處理的降噪手段主要有以下幾種：

（1）均值濾波：其是一種線性濾波算法，用圖片中目標像素周圍8個像素的平均值來代替該像素自身，從而達到降噪效果。但是該算法自身存在一定的缺陷，會破環圖像的細節部分，使其變得模糊，不能有效的去除噪點［3］。

（2）中值濾波：是一種基于統計排序理論的非線性濾波算法，其將待處理的像素點用周圍的8個或者24個像素點中的中值進行替換，從而達到降噪的目的［3］。

（3）高斯濾波：其為一種線性平滑濾波算法，用于處理高斯噪聲，將待處理的像素點用周圍其他像素點的加權平均值代替。高斯濾波處理對于服從正態分布的噪聲特別有效［4］。

1.3 圖像分割

圖像分割是圖像處理和計算機視覺領域的基本工作，按照圖像的灰度、顏色、紋理、形狀等特征，將圖像分割成若干區域，區域內部具有高度的相似性，不同的區域呈現互異的特征。圖像分割的算法主要有全局能量最小化方法，例如模擬退火方法、動態規劃方法、圖論方法等，以及局部能量最小化方法，如變分方法、ICM方法等［5］。其中，模擬退火方法盡管要求高，但是能夠適用較多類型的能量函數；動態規劃方法主要的問題是無法有效求解高維的能量函數；圖論法則可以拓展到多種能量函數，實現最優解的逼近，求解效率很高，因此采用范圍更為廣泛。

1.4 圖像識別

圖像識別基于圖像特征分析、運動分析、模式匹配等，主要的途徑包括：基于圖像分割，序列圖像識別方式，以及基于模式學習和和形狀匹配的識別方式等［6-8］。

2

機器視覺在智能制造中的應用

機器視覺的應用優勢在于無需與被測物體進行接觸，因此被測物體和測量裝置操作過程中都不會產生損壞，是一種相對于而言更安全可靠的檢測手段。此外，測量裝置的適用范圍和互換性都非常的廣泛，不僅僅局限于某一類物體。理論而言，機器視覺技術甚至可以用來探測人眼無法觀察到的部分，例如紅外線、微波、超聲波等，通過傳感器可以將這些信息進行捕獲和處理，從而拓展了人類的視覺范圍。相對機器視覺而言，人類視覺容易受到個體狀態的影響，難以進行長時間的觀測，在惡劣下表現不理想，因此，機器視覺技術常常用于長時間檢測工作和在線處理，以及人類無法工作的極端環境下。

正是因為這些特性，機器視覺技術被廣泛應用于工業生產的各個步驟。在智能制造體系中，機器視覺的應用主要可以歸納為四個方向：尺寸測量、物體定位、零件檢測、圖像識別［9］。

2.1 尺寸測量

隨著制造工藝的不斷提高，工業產品尤其是大型構件的外形設計日趨復雜。同時，由于大型構件的體積和重量限制，不便于經常移動，給傳統的測量方式帶來了巨大的困擾。機器視覺測量技術是一種基于光學成像、數字圖像處理、計算機圖形學的無接觸的測量方式，擁有嚴密的理論基礎，測量范圍更廣，而且相對于傳統測量方式而言，擁有更高的測量精度和效率。

根據不同的光照方式和幾何關系，視覺檢測方法可以分為兩種：被動視覺探測和主動視覺檢查。被動視覺探測直接采用了原始圖像，這些在工業環境中獲取的原始圖像并沒有明顯的特征信息；而主動檢測方式能夠主動的去產生所需的特征信息，從而避免立體特征匹配困難，所以在工業檢測中應用范圍更廣。

主動視覺檢測方式包括激光測距、云紋干涉法、簡單三角形法，結構光法與時差法等方法。例如魏振忠［10］提出了一種基于結構光視覺傳感器的物體測量方法，可用于提高大型工件的結構光三維視覺的檢測精度。在結構光方法的測量過程中，由于靶標上的基準坐標點很難準確落在結構光平面上，導致空間坐標的準確獲取難以實現。在此測量方法中，通過一種基于雙重交比不變的結構光視覺傳感器的標定方法，并配合相應的標定靶標，從根本上解決了此問題。

2.2 物體定位

傳統制造業中的焊接、搬運、裝配等固定流程正在逐步被工業機器人取代，這些步驟對于工業機器人來說，只需要生成指定的程序，然后按照程序依次執行即可。在機器人的操作過程中，零件的初始狀態（如位置和姿態等）與機器人的相對位置并不是固定的。這導致工件的實際擺放位置和理想加工位置存在差距，機器人難以按照原定的程序進行加工［11］。隨著機器視覺技術以及更靈活的機器手臂的出現，這個問題得到了很好的解決，為智能制造的迅速發展提供了動力。

2.3零件檢測

零件檢測是機器視覺技術在工業生產中最重要的應用之一，在制造生產的過程中，幾乎所有的產品都面臨著質量檢測。傳統的手工檢測存在著許多不足：首先，人工檢測的準確性依賴于工人的狀態和熟練程度；其次，人工操作效率相對較低，不能很好的滿足大量生產檢測的要求；近年來人工成本也在逐步上升。所以，機器視覺技術被廣泛用于產品檢測中，主要的應用包括：存在性檢測和缺陷檢測。

2.3.1存在性檢測

存在性檢測的對象包括某個部件、某個圖案或者是整個物體的存在性。在制造環節中，某些步驟的缺失或者加工缺陷會導致零部件的丟失，影響產品的品質，需要在進行下一步工序或出廠前分揀出來待進一步處理。通過前期的圖像采集和處理后，需要依靠顯著目標檢測算法來進行識別，從而得出顯著目標是否存在的結論。

例如李牧等［12］提出了一種顯著目標存在性檢測算法，利用中心周邊直方圖計算出的顯著圖，提取目標區域與圖像中心點距離、目標區域位置分布方差、目標區域在圖像邊緣的分布、目標區 域分布熵、圖像顯著圖的直方圖等5種特征進行分類，并利用投票的方式最終確定輸入圖片是否包含顯著目標。通過數據集驗證，能夠有效識別出指定目標的存在性。

2.3.2表面缺陷檢測

表面缺陷檢測的對象為二維平面上的元素，包括孔洞、污漬、劃痕、裂紋、亮點、暗點等常見的表面缺陷，這些缺陷特別是孔洞和裂紋等，可能嚴重影響產品質量和使用的安全性，準確識別缺陷產品非常重要。這方面的研究如岳文輝［13］提出了一種CCD （Charge Coupled Device）圖像獲取系統，利用使用最普遍的電荷耦合器件CCD，在熒光磁粉無損檢測技術的基礎上，使用CCD進行圖像采集，然后使用相關算法進行圖像處理和模式識別，來檢測表面缺陷的類型和程度。

圖2 系統圖像處理和識別流程圖

零件檢測相關的工作流程一般大致如圖2所示。盡管系統針對于不同的對象和目的，但是其圖像處理和圖像識別內核差異不大。圖像處理和識別都是從采集的圖像出發，經過單色化處理、閾值處理，圖像膨脹處理，孤點濾波等預處理之后，對圖像的特征進行提取并描述，最終輸出結果。

2.4 圖像識別

圖像識別利用機器視覺技術中的圖像處理、分析和理解功能，準確識別出一類預先設定的目標或者物體的模型。在工業領域中的主要應用有條形碼讀取、二維碼掃描識別等，以往多用NFC標簽等載體進行信息讀取，需要與產品進行近距離接觸。而隨著工業攝像機等硬件設備的更新換代，二維碼等標識可以被遠距離讀取和識別，而且攜帶的信息更豐富，可以將所有產品信息寫入二維碼，而無需聯網查詢信息［14］。

3

機器視覺的發展和問題

盡管機器視覺在智能制造中已經得到的長足的發展，但是就目前的應用現狀而言，還存在一些發展的瓶頸。

最為首先的就是精度問題。傳統制造測量尺寸都具有一個標準化的測量精度，而機器視覺中則主要采用基于像素的分辨率來衡量。盡管目前就鏡頭和感光原件如CCD和CMOS的制造工藝已經獲得了很大的進展，分辨率6000x4000pixel已經比較常見，甚至還有20000x14000pixel也已實現，但是測量精度仍未實現標準化。

另一個則可能是機器視覺輸出結果的可靠性問題。一般而言，產品位置，光照強度，外部環境等都會都最終基于機器視覺所輸出的結果產生影響，尤其是在精度要求比較高的時候。隨著測量條件、環境、被測物表面特性等改變，尤其是在一些強光或溫度的干擾下，機器視覺的應用會受到很大的限制。然而，這種測量環境的普適性很難通過一種標準化的的方法實現解決。

算法上的可靠性也會對機器視覺的廣泛應用產生影響。目前，針對于不對場景下的機器視覺應用，各類算法層出不窮，其精度和應用范圍也存在差異。不同算法之間的差異，不僅會得到不同的測量結果，而且整合于一個系統之內的難度也會加大。

同時，機器視覺與生產系統一體化也是一個需要考慮的方面［15］。由于產品位置對于測量精度和可靠性都具有一定的影響，因此，在生產設備中嵌入機器視覺系統是最為適合的方法。然而，設備機器的再設計和制造會對這種應用產生一定的壁壘，其需要保證產量和應用價值的基礎上才能解決。目前中國的機器視覺市場相較成熟的自動化產品應用水平偏低，市場也遠未飽和，未來還需要更多的研究者和實踐者的關注和參與。

伴隨著制造業的進一步發展以及“中國制造2025”的提出，制造業迎來了新一輪的產業升級，智能制造技術、智能數字化工程成為了制造業發展的重點。作為智能制造領域采集和處理生產信息的關鍵技術，機器視覺表現出了巨大的優勢。一方面，用智能裝備替代人工操作，避免了一切依賴人工而存在的弊端；同時，這極大的拓展了生產環境和生產條件，無需近距離接觸危險的工作環境；最后，隨著機器視覺裝備和算法的不斷革新和改進，機器視覺系統的準確性和效率會得到進一步的提升。