机器视觉系统中通常会包含一个执行机构可以得到常用的机器视觉系统组成如图32所示。
图31人眼视觉系统
图32机器视觉系统
机器视觉系统最重要的一个部分是图像处理与决策模块从逻辑上可分为三阶段图像的预处理、特征提取、模式识别和理解。图像的预处理是将由成像设备获得的低质量数字图像反差小、模糊、变形等经过噪声过滤、平滑处理、图像增强等处理变成易于进行特征提取等后续操作的过程。图像特征提取就是从经过底层处理的图像中提取有利于图像识别和理解的主要特征量用有限的特征来描述原始图像中的目标图像的特征包括形状特征、纹理特征、结构特征、颜色特征和分形特征等。特征提取主要方法有区域分割、边缘检测和纹理分析等。
二机器视觉技术在钢板缺陷监测中的应用
机器视觉技术应用于钢板表面缺陷的在线无损检测起源于80年代初。进入90年代后基于线阵CCD器件的机器视觉技术无疑已成为钢板表面缺陷在线检测的主流技术其应用研究工作方兴未艾。
图33是一个实际的钢板表面机器视觉检测系统的结构框图也是目前应用比较广泛的钢板缺陷检测系统主要包括光源及图像传感器子系统、数字信号预处理子系统、缺陷自动分类子系统、图形显示子系统、质量分析数据统计与数据库管理子系统、人机接口管理子系统等。具体的实现过程中有如下特点
f1采用标准数字CCD摄像机及照明光源部件并在具体技术指标的选择上留有余量。目前普遍采用像素为20484096的线阵CCD传感单元照明光源根据具体待检钢板的表面形态可采用高强度荧光灯、阵列钨灯或光纤光源等。
2通过采用标准化总线结构和模块化设计技术使系统硬件结构通用、功能灵活、运行稳定可靠、改进和升级十分方便。
3低层视觉计算任务如平滑、增强、分割和描述等交由专用处理部件完成目前的研究趋势是采用高速DSP器件作为处理部件来完成图像的简单处理。
4人们尝试了各种基于符号系统模仿人类智能的传统人工智能方法如机器学习和从生物系统底层模拟智能的方法以解决复杂的钢板表面缺陷的自动分类和识别问题。但现有的缺陷自动分类器仅仅对某些具体的应用背景及特定类型的缺陷显示出其有效性。
图33钢板表面机器视觉检测系统的结构框图
1、图像传感器
2、操作员监视器
3、数字信号预处理
4、缺陷自动分类器
5、图形显示子系统
6、系统主控模块
7、数据分析模块
8、图像管理子系统
9、人机接口部件10、网络接口部件11、存储数据库系统12、质量控制计算机
总体上说钢板表面缺陷机器视觉检测系统是一个典型的机器视觉r