机器视觉技术及其应用概况

介绍了机器视觉的系统组成及工作原理、相对于人类视觉优势所在,阐述了机器视觉在我国工业、农业、医学、机器人导航、卫星遥感等领域的应用,指出了机器视觉的未来走向.     

机器视觉技术研究进展及展望

摘 要：机器视觉是建立在计算机视觉理论工程化基础上的一门学科,涉及到光学成像、 视觉信息处理、人工智能以及机电一体化等相关技术。随着我国制造业的转型升级与相关研究 的不断深入,机器视觉技术凭借其精度高、实时性强、自动化与智能化程度高等优点,成为了 提升机器人智能化的重要驱动力之一,并被广泛应用于工业生产、农业以及军事等各个领域。 在广泛查阅相关文献之后,针对近十多年来机器视觉相关技术的发展与应用进行分析与总结, 旨在为研究学者与工程应用人员提供参考。首先,总结了机器视觉技术的发展历程、国内外的 机器视觉发展现状;其次,重点分析了机器视觉系统的核心组成部件、常用视觉处理算法以及 当前主流的机器视觉工业软件;然后,介绍了机器视觉技术在产品瑕疵检测、智能视频监控分 析、自动驾驶与辅助驾驶与医疗影像诊断等 4 个典型领域的应用;最后分析了当前机器视觉技 术所面临的挑战,并对其未来的发展趋势进行了展望,为机器视觉技术的发展和应用推广发挥 积极作用。     

机器视觉工业检测系统的应用与发展

介绍了机器视觉工业检测系统的发展概况,阐述了机器视觉的研究已经从实验室走向实际应用的发展阶段,业已成为当代计算机技术研究的热点,获得了广泛的工业应用。重点讨论了机器视觉系统在实际工业生产中的应用及工业视觉检测原理、常用图像处理算法等。举例说明了如何利用模板匹配法对目标图像进行识别,从而实现对产品包装的检测。最后,指出在社会高度信息化发展过程中,在人类获取信息中占很大比例的视觉信息处理技术及机器视觉测量系统,将受到人们越来越多的关注。     

机器视觉软件DTVF及其应用

介绍了机器视觉软件DTVF(DTVision Foundry)的基本体系结构和功能,并举例给出了基于DTVF进行机器视觉系统开发的方法和步骤.     

机器视觉及其应用发展

简要介绍机器视觉系统的构成,机器视觉系统图像处理与模式识别的基础、研究进展,最后通过实例分析机器视觉系统的应用。     

机器视觉系统组成研究

机器视觉检测系统解决了传统人工检测中的许多问题，在很多行业中得到广泛的应用。文章介绍了机器视觉系统的组成及一些著名的机器视觉产品生产厂家，并且介绍了一套完整的机器视觉系统的组成方案。     

基于机器视觉的材料力学性能全场测量方法

随着机器视觉测量技术的不断发展，在材料力学性能测量方面，机器视觉领域内的多种方法均表现出很好的应用效果。叙述了机器视觉技术在力学性能中全场光学测量方法，着重介绍了基于机器视觉的视频引伸计、数字图像相关和散斑干涉等技术进展及应用。对机器视觉在力学性能全场测量的技术研究与应用进行了总结，并展望了未来的发展趋势。     

纺织品检验中视觉平台的构建

针对目前纺织品外观检验主要采用人工检验的各种问题,研究了一种基于机器视觉技术的纺织品检验方法,介绍了机器视觉检验的工作原理,叙述了图像采集平台和图像处理的设计思路。通过基于机器视觉的生丝黑板检验系统的实际案例分析,表明机器视觉在纺织品检验中具有广泛的应用前景。     

基于机器视觉的智能交通监控系统研究

随着社会经济的迅速发展,我国机动车数量不断增长,导致交通问题日益严重,实施有效的交通监控对于解决日益增长的交通问题具有积极意义。然而,目前大多数的交通监控系统存在系统维护复杂、成本高、计算量大等缺点,本文针对上述缺点设计并实现了基于机器视觉交通监控系统。文中首先介绍基于机器视觉交通监控系统的相关研究背景,其次分析了与机器视觉交通监控系统相关的技术,重点介绍了基于机器视觉交通监控系统的设计方法。在系统中,用户能够灵活的设定动态目标检测和跟踪算法,对系统的广泛应用奠定了基础。     

机器视觉在织物疵点检测上的应用研究综述

随着机器视觉在各个领域的广泛应用和大面积实施,关于机器视觉在纺织生产和质量控制上的应用也成为了研究热点。介绍了织物疵点机器视觉检测系统的硬件选择与布置,重点介绍了光源和相机的选取。根据检测原理的不同,将机器视觉检测方法分为统计法、频谱法、基于学习的方法以及结构法和模型法,并对这些方法做了综述。梳理分析了机器视觉在织物疵点检测方面所面临的问题和未来发展构想。     

Design and application of industrial machine vision systems

In this paper, the role and importance of the machine vision systems in the industrial applications are described. First understanding of the vision in terms of a universal concept is explained. System design methodology is discussed and a generic machine vision model is reported. Such a machine includes systems and sub-systems, which of course depend on the type of applications and required tasks. In general, expected functions from a vision machine are the exploitation and imposition of the environmental constraint of a scene, the capturing of the images, analysis of those captured images, recognition of certain objects and features within each image, and the initiation of subsequent actions in order to accept or reject the corresponding objects. After a vision system performs all these stages, the task in hand is almost completed. Here, the sequence and proper functioning of each system and sub-systems in terms of high-quality images is explained. In operation, there is a scene with some constraint, first step for the machine is the image acquisition, pre-processing of image, segmentation, feature extraction, classification, inspection, and finally actuation, which is an interaction with the scene under study. At the end of this report, industrial image vision applications are explained in detail. Such applications include the area of automated visual inspection (AVI), process control, parts identification, and important role in the robotic guidance and control. Vision developments in manufacturing that can result in improvements in the reliability, in the product quality, and enabling technology for a new production process are presented. The key points in design and applications of a machine vision system are also presented. Such considerations can be generally classified into the six different categories such as the scene constraints, image acquisition, image pre-processing, image processing, machine vision justification, and finally the systematic considerations. Each aspect of such processes is described here and the proper condition for an optimal design is reported.     

基于机器视觉的液晶基板表面缺陷检测系统

介绍一种基于机器视觉的液晶玻璃基板质量在线检测系统。利用分布式视觉处理技术、采用模块化的图像处理系统设计,能够实现缺陷的精确提取与对缺陷的智能分类和分级,满足LCD液晶玻璃基板质量在线检测的需要。     

基于彩色聚类和人体运动知识的人体运动理解

提出了利用人体区域彩色聚类和人体运动的相关知识,理解机器视觉中人体运动的方法。根据人类视觉区分颜色的特性和实时视觉图像,自动调整区域颜色聚类的阈值;对视觉图像中的人体进行区域聚类,并分别计算出各区域聚类中心和聚类区域的质心;根据视觉图像中前后帧相对应的聚类区域质心位置变化,利用人体运动与聚类区域质心位移关系的知识,从整体或细节上理解人体的运动。     

机器视觉和图像技术

本文对与机器视觉和图像技术相关的一些名词给出了简洁概括的定义,对机器视觉中主要涉及的图像技术的原理进行了介绍,并给出了一些图像技术应用的实例和结果。     

基于机器视觉的工业检测

针对酒瓶生产中对瓶口进行的有无损伤检测的重要性,对酒瓶瓶口的检测进行深入、系统的研究。基于机器视觉的检测技术通过Halcon软件实现精准度高、过程自动化、速度快的检测,故采用Halcon软件和图像处理的相关算法实现瓶口的准确检测。经过实验表明,采用机器视觉技术,识别的精度和速度有很大的提高,而且减少了人员的使用,从而减少了企业的成本。     

基于机器视觉的齿轮测量虚拟仪器

用机器视觉技术构建齿轮测量的虚拟仪器,能够充分利用计算机在数据库和网络等方面的巨大优势,对齿轮进行快速、准确的在线测量。在LabVIEW虚拟仪器平台上开发的齿轮测量系统,使用IMAQ Vision的图像分析、图像处理和几何量测量等各种函数进行齿轮测量;使用Signal Processing Toolset的二维小波变换功能提高齿轮测量的质量和整个测试系统的效率。     

基于LabVIEW机器视觉的餐具分拣系统

随着国内工业机器人行业的高速发展,智能装备也开始应用于工程实践项目中。机器视觉作为机器人的眼睛,近年来取得了令人瞩目的发展,正广泛地应用于各种工况监视、成品检验和质量控制领域。系统主要以碗碟餐具的分拣作为研究对象,采用美国NI公司开发的LabVIEW软件作为开发环境,通过调用视觉开发工具包IMAQ Vision及Vision Assistant丰富的专业化控件和函数库,针对碗碟分类的特殊条件,设计出一套方便易用,且同时集成 图像采集、图像处理、视觉检测、决策判断的完整的机器视觉应用系统。基于LabVIEW的机器视觉系统的应用实现了碗碟分拣,解决了实际应用中的一些问题,为进一步的研究开发奠定了较好的基础。该系统的设计大大提高了餐具分类的准确率与效率。     

基于IMAQ Vision和PLC的水果大小自动分级系统设计

水果大小是水果分级的一个重要依据,随着计算机技术和图像处理技术的飞速发展,计算机视觉技术被广泛用于水果品质的检测。所设计的水果大小自动分级系统由机器视觉检测系统和基于PLC的水果传送分拣机构组成。使用LabbVIEW软件编写水果大小自动分级系统的监控界面,并实现对CCD摄像机的控制及获取图片;使用IMAQ Vision工具包对所获取的水果图片进行处理,并进行大小分析,根据大小的等级由LabVIEW通过串口通信发送命令给PLC,由PLC控制水果的传送并进入对应的分级口,从而完成水果的自动分级。实际运行证明该系统能实时进行动态采集图片,有效地进行水果大小分析及自动分级。     

基于机器视觉的贴片机系统元件精确定位的研究

在贴片机运动控制系统中,机器视觉对于元件精确定位起着至关重要的作用。本文在分析机器视觉和图像处理的基础上,重点讨论了贴片机机器视觉系统中元件定位的主要图像处理过程,并通过仿真安验选择了其实现方法。     

Visual motion and structure estimation using sliding mode observers

The problem of estimating motion and structure from a sequence of images has been a major research theme in machine vision for many years and remains one of the most challenging ones. In this work, we use sliding mode observers to estimate the motion and the structure of a moving body with the aid of a change-coupled device (CCD) camera. We consider a variety of dynamical systems which arise in machine vision applications and develop a novel identification procedure for the estimation of both constant and time-varying parameters. The basic procedure introduced for parameter estimation is to recast image feature dynamics linearly in terms of unknown parameters and construct a sliding mode observer to produce asymptotically correct estimates of the observed image features, and then use the observer input to compute parameters. Much of our analysis has been substantiated by computer simulations and real experiments.