機器視覺系統是指利用機器替代人眼做出各種測量和判斷。機器視覺是工程領域和科學領域中的一個非常重要的研究領域，它是一門涉及光學、機械、計算機、模式識別、圖像處理、人工智能、信號處理以及光電一體化等多個領域的綜合性學科，其能以及應用範圍隨著工業自動化的發展逐漸完善和推廣，其中母子圖像傳感器、CMOS和CCD攝像機、DSP、ARM嵌入式技術、圖像處理和模式識別等技術的快速發展，有力地推動了機器視覺的發展。
機器視覺是一種比較複雜的系統。因為大多數系統監控對象都是運動物體，系統與運動物體的匹配和協調動作尤為重要，所以給系統各部分的動作時間和處理速度帶來了嚴格的要求。在某些應用領域，例如機器人、飛行物體導制等，對整個系統或者系統的一部分的重量、體積和功耗都會有嚴格的要求。
機器視覺系統的構成和工作過程
一個完整的機器視覺系統包括：照明光源、光學鏡頭、 CCD 攝相機、圖像採集卡、圖像檢測軟件、監視器、通訊單元等。
工業機器視覺系統的工作過程主要如下：
1、當傳感器探測到被撿測物體接近運動至攝像機的拍攝中心，將觸發脈衝發送給圖像採集卡;
2、圖像採集卡根據已設定的程序和延時，將啟動脈衝分別發送給照明系統和攝像機;
3、一個啟動脈衝送給攝像機，攝像機結束當前的拍照，重新開始一副新的拍照，或者在啟動脈衝到來前攝像機處於等待狀態，檢測到啟動脈衝後啟動，在開始新的一副拍照前攝像機打開曝光構件(曝光時間事先設定好);另一個啟動脈衝送給光源，光源的打開時間需要與攝像機的曝光時間匹配;攝像機掃描和輸出一副圖像;
4、圖像採集卡接收信號並通過A/D轉換將模擬信號數字化，或者是直接接收攝像機數字化後的數字視頻數據;
5、圖像採集卡將數字圖像存儲在計算機的內存中;
6、計算機對圖像進行處理、分析和識別，獲得檢測結果;
7、處理結果控制流水線的動作、進行定位、糾正運動的誤差等。
機器視覺系統的工作過程
機器視覺相關技術
圖像採集技術——機器視覺的基礎
圖像採集部分一般由光源、鏡頭、數字攝像機和圖像採集卡構成。採集過程可簡單描述為在光源提供照明的條件下，數字攝像機拍攝目標物體並將其轉化為圖像信號，最後通過圖像採集卡傳輸給圖像處理部分。在設計圖像採集部分時，要考慮到多方面的問題，主要是關於數字攝像機、圖像採集卡和光源方面的問題。
(1)光源照明
照明是影響機器視覺系統輸入的重要因素，其直接影響輸入數據的質量和應用效果。到目前為止，還未有哪種機器視覺照明設備能通用各種應用，因此在實際應用中，需針對應用選擇相應的照明設備以滿足特定需求。
照明系統按其照射方法可分為:背向照明、前向照明、結構光和頻閃光照明等。其中，背向照明是指將被測物放在光源和攝像機之間，以提高圖像的對比度。前向照明是光源和攝像機位於被測物的同側，其優點是便於安裝。結構光照明是將光柵或線光源等投射到被測物上，並根據其產生的畸變，解調出被測物的三維信息。頻閃光照明是將高頻率的光脈衝照射到物體上，攝像機拍攝要求與光源同。
(2)光學攝像頭
光學攝像頭的任務就是進行光學成像，一般在測量領域都又專門的用於測量的攝像鏡頭，因為其對成像質量有著關鍵性的作用。攝像頭需要注意的一個問題是畸變。這個就需要使用相應的畸變校正方法，目前也開發出了很多自動畸變自動校正系統。
(3)CCD 攝像機及圖像採集卡
CCD( Charge Coupled Device) 攝像機及圖像採集卡共同完成對目標圖像的採集與數字化。目前 CCD，CMOS等固體器件的應用技術，線陣圖型敏感器件，像元尺寸不斷減小，陣列像元數量不斷增加，像元電荷傳輸速率也得到大幅提高。在基於PC機的機器視覺系統中，圖像採集卡是控制攝像機拍照來完成圖像的採集與數字化，並協調整個系統的重要設備。
圖像採集卡直接決定了攝像頭的接口為：黑白、彩色、模擬、數字等形式。
圖像處理與分析——機器視覺的核心
用於機器視覺的圖像處理與分析方法的核心是，解決目標的檢測識別問題。當所需要識別的目標比較複雜時，就需要通過幾個環節，從不同的側面綜合來實現。
對目標進行識別提取的時候，首先是要考慮如何自動地將目標物從背景中分離出來。目標物提取的複雜性一般就在於目標物與非目標物的特徵差異不是很大，在確定了目標提取方案後，就需要對目標特徵進行增強。
隨著計算機技術、微電子技術以及大規模集成電路的發展，圖像信息處理工作越來越多地藉助硬件完成，如 DSP 芯片、專用的圖像信號處理卡等。軟件部分主要用來完成算法中並不成熟又較複雜或需不斷完善改進的部分。這一方面提高了系統的實時性，同時又降低了系統的複雜度。
機器視覺技術遇到的問題
對於人類來說，識別和理解周圍場景是一件非常容易的事，但對於機器人來說，卻是一件很困難的事。主要困難有一下幾個方面：
(1) 穩定性問題
現實中的環境因素是多變的，場景中的諸多因素，包括照明、物體形狀、表面顏色、攝像機以及空間關係變化都會對生成的圖像有影響。比如用於智能交通檢測的設備，如何保證其在惡劣天氣下依舊保持較高的穩定性就是一個很難解決的問題。
(2)構造出性能良好的識別算法
圖像處理與分析技術是機器視覺的核心，所以構造出一個良好的、適應相關領域應用的識別算法顯得尤為重要。而且現在的應用領域越來越要求檢測設備具有準確、高速地識別出目標的能力，如果我們不能構造出一個更好的識別算法，就不能適應不斷增長的需求。
(3)數據量大
機器視覺所獲取的數據量非常非常大的。比如用於手機上的人臉識別功能，識別一次要投射多大幾萬個紅外線點，這是一個龐大的數據。再比如交通檢測方面看，一天累積下來的數據量也是驚人的。所以如何處理如此大的信息量是個難題。不過隨著硬件技術的發展，這個問題將來會逐步得到解決。
閱讀更多 寒江獨釣7653 的文章
