我們人類從第一次睜開眼睛開始就學會了識別模式。那是一隻鳥!那是一架飛機!那些是字母A, B和C!如果我們不能從周圍環境中挑選出特定的物體並加以分類，我們的視覺就沒有什麼用處了。
機器視覺系統還需要能夠發現和識別模式。任何機器視覺任務的第一步都是模式匹配，即根據形狀屬性(如邊緣)的預期排列，在視場中定位目標。這個過程是如何工作的?
事實證明，有許多方法可以執行模式匹配，因為這是一項涉及大量數據處理的任務，優化流程至關重要。在最基本的層次上，它涉及到使用圖像中單個像素的強度來確定形狀的輪廓(或邊緣)在哪裡。如果這些輪廓的排列與基於統計分析的模板模式的排列合理地相似，則視覺系統將輸出一個匹配。
對比是王
由於邊緣的檢測是基於單個像素的不同強度，因此良好的對比度是非常重要的。這一要求導致了照明安排的各種創新，如軸上照明，照亮垂直於表面的光和穹頂照明，從各個方向提供一致的照明。這也是必要的，以儘量減少環境光和眩光來自反射表面。良好的光照可以最大限度地檢測相關邊緣，並最小化對不存在的邊緣的感知。
還有一些圖像處理算法，當光靠良好的光照是不夠的時候，可以顯示出圖像的某些特徵。閾值化是這種圖像處理算法的一個例子，它通過計算不同強度下像素數量的直方圖來確定強度閾值。該算法逐像素查看圖像，將閾值以下的所有像素設置為黑色，閾值以上的所有像素設置為白色。
在Visionscape機器視覺軟件中的閾值化示例。
尋找一種模式
在機器視覺系統在產品線上，它需要知道自己在尋找什麼。系統的操作人員通過提供模板映像告訴它要查找什麼。然後系統會記住形狀，包括邊緣的位置以及相對於模板模式的整體大小它們之間的距離。重要的是視覺系統能夠找到相同的模式在不同的大小和方向。
一旦系統知道它想要找到什麼，它就開始分析捕獲圖像的像素數據。像素的強度範圍從0到255，這些值可用於計算。為了找到物體的邊緣，該軟件通過執行像素減法來尋找對比度的大變化。如果減法的結果接近於零，那麼這兩個像素就不構成一條邊。強度上的巨大差異——無論是正的還是負的——表明可能存在一個邊緣。
像素減法的結果存儲在數據結構中，軟件水平和垂直掃描修改後的圖像表示，以找到輪廓。它記錄輪廓的相對距離，然後查找參考圖像和任何發現的形狀之間的統計相似性。可以改變系統的統計容忍度，以使匹配的可能性更大或更小。高容差將使誤報更常見，而將容差設置在較低級別的系統更有可能錯過真正的比賽。
機器視覺的未來:深度學習
在傳統的機器視覺中，您需要準確地告訴系統您希望它尋找什麼。這可能需要大量的編程工作。如果系統能夠自己找出要查找的內容，那不是很好嗎?這就是將深度學習算法融入工業機器視覺系統背後的推動力。
深度學習利用卷積神經網絡(CNNs)等先進算法，讓計算機根據一組訓練數據來學習它們需要做什麼。不需要指定一個對象的精確輪廓，一系列的圖像被呈現給系統，指定它們要麼包含感興趣的對象，要麼不包含。在這個訓練期間，這些算法自己發現圖像的哪些屬性表明目標可能存在。這導致了更強的識別率，因為視覺系統處理大量數據的能力使它在識別物體的定義特徵方面比人類做得更好。
機器視覺正在迅速發展，專門研究它的工程師們也在不斷地展望未來。未來幾年可能會在照明、相機設備和機器視覺算法方面帶來大量創新，使工業自動化比以往任何時候都更加精簡和靈活。
閱讀更多 菌叔影像 的文章
