目前用于图像识别的方法主要分为决策理论和结构方法。决策理论方法的基础是决策函数,利用它对模式向量进行分类识别,是以定时描述(如统计纹理)为基础的;结构方法的核心是将物体分解成了模式或模式基元,而不同的物体结构有不同的基元串(或称字符串),通过对未知物体利用给定的模式基元求出编码边界,得到字符串,再根据字符串判断它的属类。这是一种依赖于符号描述被测物体之间关系的方法。
那么,机器视觉系统设计的难点都有哪些?本文主要总结了以下五点:
第一:打光的稳定性:
工业视觉应用一般分成四大类:、测量、检测和识别,其中测量对光照的稳定性要求*高,因为光照只要发生10-20%的变化,测量结果将可能偏差出1-2个像素,这不是软件的问题,这是光照变化,导致了图像上边缘位置发生了变化,即使再厉害的软件也解决不了问题,必须从系统设计的角度,排除环境光的干扰,同时要保证主动照明光源的发光稳定性。当然通过硬件相机分辨率的提升也是提高精度,抗环境干扰的一种办法了。比如之前的相机对应物空间尺寸是1个像素10um,而通过提升分辨率后变成1个像素5um,精度近似可以认为提升1倍,对环境的干扰自然增强了。
第二:工件位置的不一致性
一般做测量的项目,无论是离线检测,还是在线检测,只要是全自动化的检测设备,首先做的第一步工作都是要能找到待测目标物。每次待测目标物出现在拍摄视场中时,要能精确知道待测目标物在哪里,即使你使用一些机械夹具等,也不能特别高精度保证待测目标物每次都出现在同一位置的,这就需要用到功能,如果不准确,可能测量工具出现的位置就不准确,测量结果有时会有较大偏差
第三:标定
一般在高精度测量时需要做以下几个标定,一光学畸变标定(如果您不是用的软件镜头,一般都必须标定),二投影畸变的标定,也就是因为您安装位置误差代表的图像畸变校正,三物像空间的标定,也就是具体算出每个像素对应物空间的尺寸。
不过目前的标定算法都是基于平面的标定,如果待测量的物理不是平面的,标定就会需要作一些特种算法来处理,通常的标定算法是解决不了的。
此外有些标定,因为不方面使用标定板,也必须设计特殊的标定方法,因此标定不一定能通过软件中已有的标定算法全部解决。
第四:物体的运动速度
如果被测量的物体不是静止的,而是在运动状态,那么一定要考虑运动模糊对图像精度(模糊像素=物体运动速度*相机曝光时间),这也不是软件能够解决的。
Aro 59191
Digital Engineering DE08015
Peninsula Tool 27M3R060A
Westinghouse 1C31142G01
Smc CDA1DN40-125-A54L
Harnischfeger 100A4844-7
Zcc-ct QEXD254254L13S-130
Allen Bradley 140M-C2T-B40
Lehner YL404-17
Ckd CVSE22-25A-05-02HS-3
Rosemount 300S3AAE5M7B4
Borg Warner 88723-0001
General Electric Ge 947D396G2 947D397-0
Asco 224146
Stork SC15104K205-2V
Schniwa HC-C68020-915
Honeywell YSTA922-E/Y/G-00000-SM,1C-B77P
Amirecpro B-23944
Moore Industries THZ2/TPRG/4-20MA/12-42DC-VTD
Smc CDQ2AP50-125DM-P74-85G-X404
Festo DNU-32-250-PPV-A
Bellofram 961-097-000
Epson C823071 0200
Textron W03800856KCS01BGKCJZ
General Electric Ge 942B349-B 942D348G1
American Dynamics AD2016AVIM-3
Bellofram 961-116-000
Asco 8210G2MO
Eti Systems RCU-3
Brown Boveri HESG450230P1
Gli T53A4AIN
Zcc-ct QFKD2525R22-60H
Enerpac CSM5132
Thk BF40
Gw Lisk D12-594E-10A
Leeds Northrup 056885
Dresser VEN804A
Conveyor 4003-123
Leeds Northrup 007498