下载文档原格式
计算机视觉技术在零部件检测中的使用技巧随着科技的不断发展，计算机视觉技术在工业领域中的应用越来越广泛。
其中，零部件检测是一个重要的应用领域。
利用计算机视觉技术进行零部件检测可以提高生产效率和质量，并减少人为误差。
本文将介绍一些计算机视觉技术在零部件检测中的使用技巧。
首先，选择适合的图像传感器。
图像传感器是计算机视觉系统的核心组成部分，直接影响检测结果的质量。
在选择图像传感器时，应考虑零部件尺寸、形状和表面特征等因素。
对于较小的零部件，可以选择像素密度高的图像传感器，以获得更高的分辨率和更清晰的图像。
其次，以适当的光源照明。
适当的光源照明是保证零部件检测准确性的关键。
不同的零部件可能需要不同的光源照明方式。
例如，对于光滑表面的零部件，可以选择平面光源进行照明，以减少反射和阴影的影响。
而对于复杂表面或有特定纹理的零部件，可以选择结构光或斑点光源进行照明，以突出表面细节。
此外，还可以结合滤光器来消除干扰。
第三，合理选择图像处理算法。
图像处理算法是计算机视觉技术的核心，直接决定了检测的准确性和效率。
在零部件检测中，常用的图像处理算法包括边缘检测、滤波、形态学处理等。
边缘检测可以帮助提取零部件的轮廓，滤波可以去除图像中的噪声。
形态学处理可以对图像进行形态学操作，如腐蚀和膨胀，从而对零部件进行过滤和分割。
第四，建立合适的模型和特征。
在使用计算机视觉技术进行零部件检测时，需要建立适合的模型和特征来描述零部件的形状、大小、颜色等特征。
常用的模型和特征包括灰度直方图、颜色直方图、形状模型等。
选择合适的模型和特征有助于提高检测的准确性和鲁棒性。
最后，进行系统优化和参数调整。
在实际应用中，计算机视觉系统的性能和效果可能会受到各种因素的影响，如光照条件、环境噪声等。
因此，需要根据实际情况进行系统优化和参数调整。
例如，可以调整光源亮度、曝光时间、对比度等参数来适应不同的环境条件。
此外，还可以通过增加样本数据、调整分类器参数等方式来提高检测的准确性和稳定性。
计算机视觉技术在零件识别中的应用计算机视觉技术在零件识别中的应用随着科技的发展，计算机视觉技术在工业生产中的应用愈发广泛，其中之一重要的应用领域就是零件识别。
这项技术的运用可以大大提高生产效率和质量，下面就让我们来看看计算机视觉技术在零件识别中的应用。
一、基本原理计算机视觉技术是一种模仿人类视觉功能设计出来的技术，它能够把拍摄到的图像转化为数字信息，进而进行图像处理、识别和分析。
为了应用于零件识别，需要通过软件设置进行图像处理和识别算法的优化，从而实现快速准确地识别零件的目的。
二、应用场景计算机视觉技术在零件识别中有许多应用场景，其中最主要的是下面这些：1.自动识别零件在生产加工领域中，重复性高、样式相同的零件会很多，而手动识别这些零件显然效率不高，还很容易出错。
通过计算机视觉技术，可以自动识别出生产线上的相同零件，判断是否合格并进行下一步加工。
2.质量控制自动化识别过程中，不仅可以识别出相应的零件，还可以进行质量控制，不合格的零件会被自动剔除，保证产品的整体质量。
3.双重确认在汽车等行业中，需要进行零部件的验收，而验收的过程中容易出现误判或漏判，通过计算机视觉技术的应用，可以对零部件进行双重确认，减少误判和漏检。
三、实际效果通过计算机视觉技术实现零件识别可以带来以下实际效果：1.提高生产效率和降低成本相比传统的人工识别方式，计算机视觉技术识别速度更快、效率更高，可以节约大量时间和人力成本，降低生产成本。
2.提高零件识别准确率计算机视觉技术对零件的识别准确率极高，人工处理难以做到的微小尺寸、不规则形状等缺陷，都可以通过计算机视觉处理得到。
3.提高生产质量计算机视觉技术可以对加工质量进行实时监测，及早发现问题，保证产品质量稳定。
综上，计算机视觉技术在零件识别中的应用已经成为工业自动化生产的核心技术之一，将会在生产厂家中被广泛使用，带来更多的生产效益和质量保障。
计算机视觉技术在工业检测中的应用近年来，计算机视觉技术在工业领域有了长足的进步，在实体检测中发挥了重要作用。
本文主要讨论计算机视觉技术在实体检测中的应用。
首先，计算机视觉技术在工业检测中可以用来代替手动检测，实现快速准确的检测。
计算机视觉技术可以通过采集图像，分析形状特征及尺寸、位置等工件信息，实现对物体信息的量化识别与检测。
因此，它可以检测出缺陷的工件，节省质量检测的时间和成本，同时也能够避免人为的检测错误。
此外，计算机视觉技术还可以用于物体跟踪，提高实体检测的效率。
计算机视觉技术可以根据物体的特征定位物体在运动中的位置，从而实现物体实时跟踪，使检测更加可靠准确。
最后，计算机视觉技术还可以改进工业检测系统的安全性。
计算机视觉技术可以检测出人类操作者存在危险的行为，从而及时采取安全防护措施，减少工厂发生安全事故的可能性。
总的来说，计算机视觉技术在实体检测中的应用极大地提高了工业检测的效率，可以大大提高工作效率，减少检测成本。
未来，计算机视觉技术将被广泛应用于各个行业，在工业检测方面发挥更大的作用。
SWOT（Strength-Weakness-Opportunity-Threat）分析法是一种流行的商业分析方法，它可以帮助公司了解其内部能力与外部环境，以决定未来策略方向。
本文将以此方法对公司进行研究分析。
优势（Strength）是指一个公司在竞争中占据的优势。
它可能来自公司的技术、产品、市场定位、品牌形象等方面。
这些优势将使公司在竞争中获得更多的收益，有助于实现预期的目标。
弱势（Weakness）则是指潜在的隐患和不足之处。
它可能与企业的产品、行业知识、管理水平、财务状况等有关。
这些弱势必须加以重视，以避免出现风险。
机会（Opportunity）是指公司可以利用的机会，可以帮助公司实现其战略目标。
它可能来自市场、技术、资源等方面，可以帮助公司更好地发挥其优势，提高收益、扩大生产能力等。
威胁（Threat）则是指可能对公司构成威胁的因素。
计算机视觉与图像识别在机械制造中的应用随着科技的不断发展，计算机视觉与图像识别技术在各个领域都得到了广泛应用，其中包括机械制造行业。
计算机视觉和图像识别技术的出现对机械制造行业带来了许多便利和改进。
本文将重点介绍计算机视觉与图像识别技术在机械制造中的应用，并探讨其带来的潜在优势和挑战。
首先，计算机视觉与图像识别技术在机械制造中的一个主要应用就是产品质量检测和控制。
在传统的生产线中，需要大量的人力投入来进行产品质量的把关，然而人工检测存在一定的主观性和疲劳度。
而通过计算机视觉和图像识别技术，可以实现对产品进行高速、高精度的自动化检测，减少人力投入，并大大提高产品质量的可靠性和一致性。
通过预先训练机器学习算法，计算机视觉系统能够学习并识别合格产品和不合格产品之间的差别，对不合格产品进行坚决筛除，从而提高整个生产线的效率和品质。
其次，计算机视觉与图像识别技术在机械制造中还可以应用于物体定位和跟踪。
在生产线上，许多机械操作需要准确地识别和追踪物体的位置和状态，以完成相应的操作。
传统的物体定位和跟踪方式需要依赖于传感器和机械臂等设备，成本较高且应用范围受限。
而通过计算机视觉和图像识别技术，可以基于摄像机捕捉到的实时图像，实现对运动物体的位置和状态的准确识别和追踪。
这为机械制造提供了更灵活、更精确的工艺控制和自动化操作手段，能够大幅提高生产效率和减少人为错误。
此外，计算机视觉与图像识别技术在机械制造中还可以应用于零件的检测与分类。
传统的零件检测和分类通常需要依赖于人工的视觉识别和分类技能，存在人为主观性和误差。
而计算机视觉和图像识别技术可以通过构建特定的图像特征模型和使用机器学习的方法，实现对零件的自动化检测和分类。
这不仅可以大幅提高零件检测和分类的速度和准确性，还可以减少人工消耗和提高生产线的灵活性。
值得注意的是，计算机视觉与图像识别技术在机械制造中应用也面临一些挑战。
首先，图像的复杂性和多样性给图像处理和识别带来了困难。
计算机视觉技术在工业检测中的应用随着智能制造的发展和工业场景的智能化提升，计算机视觉技术正成为工业检测领域中最受关注的技术之一。
计算机视觉技术可以识别和分析工业制造过程中的物体和物质，提高生产效率和品质，并优化设备的运行，降低成本和降低安全风险。
一、计算机视觉技术在工业品质检测中的应用计算机视觉技术在工业品质检测中的应用主要涉及到质量检测和检测数据分析等方面。
现在很多公司都在积极探索利用计算机视觉技术对产品进行检测和缺陷分析工作，从而提升产品质量。
在电子制造业中，检测和分析电子元器件的表面缺陷是非常常见的工作。
采用计算机视觉技术可以快速检测电子元器件表面的缺陷，并且对每个缺陷点进行数量计算和统计分析，为制造商改进质量提供数据支持。
在某些行业，因产品的缺陷率过高，不少制造企业会对产品进行彻底的一次性检测，采用计算机视觉技术能够有效地检测每个产品的任何缺陷（比如颜色、形状、大小、结构）以及区分出产品的不同型号，从而确保产品的质量。
二、计算机视觉技术在工业安全检测中的应用能够识别工业意外中状况的计算机视觉技术是一个重要的投资，这有利于加强企业的安全管理和安全制度的发展。
如在工厂加工区的高危场所，采用计算机视觉将有利于对隐患的识别和评估，为加强公司的生产安全管理提高了得力手段。
当然，与安全措施和安全规定的使用相比，计算机视觉还有比较小的价值。
但随着国内工业安全意识的不断提高，据估计将会逐步出现较普遍的使用。
从目前的研究和应用情况来看，计算机视觉可能达到更高水平，成为行业标准和必备技术之一。
三、总结计算机视觉技术在工业检测中的应用是一个非常有价值和重要的领域。
随着近几年的技术革新和成本的下降，计算机视觉技术在工业检测领域中的应用逐渐得到了广泛的应用和认同。
它为各个产业的发展提供了动力和保证，让企业得以更好地满足市场需求和严格的质量要求，提升安全性能，提高生产效率和质量。
计算机视觉技术在工业检测中的应用在当今高度自动化和智能化的工业生产环境中，计算机视觉技术正发挥着日益重要的作用。
它就像一双敏锐的“眼睛”，能够快速、准确地检测出产品的各种缺陷和问题，极大地提高了工业生产的效率和质量。
计算机视觉技术是什么呢？简单来说，它是让计算机像人类的眼睛一样，能够从图像或视频中获取信息，并进行分析和理解。
在工业检测领域，计算机视觉技术主要依靠高清摄像头、图像传感器等设备来采集产品的图像数据，然后通过一系列的算法和模型对这些数据进行处理和分析，从而判断产品是否合格。
工业检测对于产品质量的把控至关重要。
过去，传统的人工检测方式不仅效率低下，而且容易受到检测人员的主观因素影响，导致检测结果的准确性和一致性难以保证。
而计算机视觉技术的出现，为工业检测带来了革命性的变化。
首先，在汽车制造行业，计算机视觉技术能够对汽车零部件的尺寸、形状、表面缺陷等进行精确检测。
例如，发动机缸体、曲轴等关键零部件的制造精度要求极高，哪怕是微小的瑕疵都可能影响汽车的性能和安全性。
通过计算机视觉系统，能够在短时间内对大量的零部件进行全面检测，及时发现不合格产品，大大提高了汽车的生产质量和可靠性。
在电子制造业中，计算机视觉技术也有着广泛的应用。
比如，对于印刷电路板（PCB）的检测，传统的人工目检方式不仅速度慢，而且容易漏检。
而计算机视觉系统可以快速扫描 PCB 上的线路、焊点等，准确检测出短路、断路、虚焊等缺陷，确保电子产品的质量稳定。
在食品和药品行业，计算机视觉技术能够对产品的包装、外观、标签等进行检测。
它可以检测出食品包装是否完好、药品标签是否清晰准确，有效防止不合格产品流入市场，保障消费者的健康和安全。
计算机视觉技术在工业检测中的优势十分明显。
其一，它具有极高的检测速度和精度。
相比人工检测，它能够在短时间内处理大量的图像数据，并且不会出现疲劳、疏忽等问题，检测结果更加准确可靠。
其二，它具有良好的通用性和可扩展性。
计算机视觉技术在工业质检中的应用第一章：引言随着科技的不断进步和各行业的不断发展，质检作为一个非常重要的工作也在不断地更新和完善。
而计算机视觉技术的出现，对于工业质检提供了一种全新的视觉检测方式。
本文将介绍计算机视觉技术在工业质检中的应用，包括工业零部件的质检、自动化生产线，以及其在质量追溯方面的作用等。
第二章：计算机视觉技术在工业零部件质检中的应用工业零部件在生产过程中需要进行严格的标准化生产和质量检测，而传统的人工检测已经不能满足工业需求。
计算机视觉技术可以通过高速摄像头获取物体的图像信息，再通过计算机算法进行处理和判断。
这种方式具有高速、高精度和自动化等优势，能够减少人工质检的漏检、误检和盲点等问题，提高检测效率和质量。
以汽车制造业为例，在其零部件质检方面，计算机视觉技术应用越来越普遍。
如半轴光谱线扫描设备通过计算机视觉技术能够检测到零部件表面的缺陷和裂纹等问题。
同时，通过算法的学习和训练，可以提高计算机视觉技术的识别率和准确度，更好地应对复杂的工业质检任务。
第三章：计算机视觉技术在自动化生产线中的应用自动化生产线是当前制造业发展的一项重要领域，然而，自动化生产线的快速和准确生产需要严格的控制和监督。
计算机视觉技术可以实时监测和处理自动化生产线上的生产过程，通过人机接口反馈给操作人员及时发现和处理生产顺序不正常的问题。
现代化高端生产自动化生产线使用计算机视觉技术，可以使其产量增加，质量更加稳定，生产成本进一步降低，为企业的盈利和发展带来了极大的帮助。
例如，对于精密机械工业来说，计算机视觉技术能够实现更加高效的检测。
通过工厂内置于设备中的计算机视觉技术进行图像捕捉，从而实现对零件的尺寸和形状的检查，自动检测，此外，还可以实现对零件的识别和最终装配过程的自动化控制，从而使得制造流程更加智能化。
第四章：计算机视觉技术在质量追溯方面的应用对于一些生产对质量需求非常严格的行业，例如食品生产行业，质量监督也应该同步追踪。
第33卷第5期 1999年5月上海交通大学学报JO U RN A L O F SHA N GHA I JIA O T O NG U N IV ERSIT YVol.33No.5 M ay 1999 收稿日期:1998-03-16基金项目:上海市科技发展基金资助项目(951111052)作者简介:张文景(1971～),男,博士生. 文章编号:1006-2467(1999)05-0635-04计算机视觉检测技术及其在机械零件检测中的应用张文景, 张文渊, 苏键锋, 许晓鸣(上海交通大学自动化系,上海200030)摘 要:基于计算机视觉检测(A VI)技术在检测系统的智能化、柔性、快速性等方面较接触式检测方法具有更大的优越性,综述了其基本原理和分类以及近年来此方面的研究成果.分析了利用AVI 技术对机械零件进行检测的一般方法和系统构成,并探讨了基于CAD 的AV I 的关键环节.最后对AVI 技术的发展趋势提出了作者的观点.关键词:计算机视觉;计算机视觉检测;计算机辅助设计;机械零件中图分类号:TP 391 文献标识码:AAutomated Visual Inspection and Its Applicationon Inspection of Machined PartsZH A N G Wen -j ing , ZH AN G W en -y uan , SU J ian -f eng , X U X iao -ming Dept.of Automation,Shang hai Jiaotong Univ.,Shanghai 200030,ChinaAbstract :With development of co mputer vision ,automated visual inspection (AV I )has mor e applications in a variety of fields in industry.AVI takes more advantages in intellig ence,flex ibility and speed o f inspec-tio n sy stem than contacted inspection.T he recent achievemens r esearched by internatio nal scholars in the field of AVI w ere surveyed .Principle and classificatio n o f inspection techniques w ere intro duced .T he anal-ysis for g ener al methods and sy stem of AVI o f machined par ts w as presented.Key technolo gy o f AVI based on CAD w as also discussed.Some o pinio ns about development of AVI w ere proposed at last.Key words :com puter vision;autom ated visual inspection(AVI);com puter aided design (CAD);m achine parts 随着CIM S 的推广应用,企业在向柔性化、自动化发展的进程中,提出了对计算机辅助质量(CAQ )系统的需求.目前,计算机辅助检测计划(CAIP)系统已成为CAQ 系统的重要组成部分,它的核心问题是解决如何检测零件.在柔性制造中坐标测量机(CM M )是重要的检测手段,在制造企业中得到广泛的应用.随着柔性制造系统(FM S)的推广,人们对检测系统的智能化、柔性、快速性等方面提出了更高的要求,以适应多品种、小批量生产的需要.计算机视觉技术得到不断发展,由于计算机视觉系统可以快速获取大量信息,且易于同设计信息及加工控制信息集成,用于工况监视、现场监控的计算机视觉系统已广泛地应用在工业、商业等领域[1,2].计算机视觉作为一种检测手段已经越来越引起人们的重视,逐步形成一种新的检测技术——计算机视觉检测(Autom ated Visual Inspectio n ,AVI )技术.本文综合了国内外在AVI 方面的研究成果,总结了利用AVI 技术检测机械零件的一般方法和系统构成,并对视觉系统与CAD系统的集成进行了有益的探讨,提出了发展AVI技术的一些看法.1 AVI技术AVI是一种以计算机视觉方法为基础,综合运用图像处理、精密测量以及模式识别、人工智能等技术的非接触检测方法[3].其基本原理是对由计算机视觉系统得到的被测目标图像进行分析,从而得到所需要的测量信息,并根据已有的先验知识,判断被测目标是否符合规范(即合格或不合格).从80年代开始,AVI系统在美国制造业中广泛应用[1,2],最为广泛的是那些重复性检测相同部件或产品的场合.电子工业是AVI应用最活跃、最为成功的行业,其中印刷电路板(PCB)和集成电路芯片的自动检测已广泛采用AVI技术,其他工业如汽车、木材、纺织和包装等都有各自专用的AVI系统.1.1 视觉检测的分类视觉检测按其所处理的数据类型可分为二值图像、灰度图像、彩色图像和深度图像的视觉检测.另外,还有X射线检测、超声波检测和红外线检测.大部分商业视觉检测系统采用二值图像数据格式,其图像精度要求不高,可减少检测所需的数据量,有助于满足系统速度和成本要求.一般地,二值图像视觉检测系统仅采用简单的检测算法,如计算像素点、边缘检测和模板匹配等[4].二值图像对于检测那些没有表面特征的平面物体或仅用边缘轮廓就可表示出来的物体是足够的.灰度图像视觉检测通常用于检测物体的表面缺陷,如裂缝、磨损等[5],对光照条件要求较高.在工业环境中,由于光照条件差,用灰度图像进行视觉检测的系统很少.彩色图像视觉检测主要用于家具、食品等部门,一般根据阴影或色彩的变化来判断是否存在缺陷.在许多情况下,用二值、灰度或彩色图像进行检测是不现实的,因它们只能检测物体的二维(2D)特征,丢失了大量的三维(3D)信息.若要检测物体的3D特征通常采用深度图像(range m aps o r depth data).深度图像最显著的特征是清晰描述了物体的表面信息.1.2 视觉检测方法M oganti等[6]将PCB视觉检测算法分为基于参考的检测方法、非参考型检测方法和混合检测方法.虽然这些方法目前主要应用于PCB检测,但对其他目标的检测也有借鉴意义.(1)基于参考的视觉检测.该方法采用点对点(或特征对特征)比较,它利用了检测目标的完整知识.这类方法主要有:剪影法、模板匹配法、树法、句法方法和图匹配方法.(2)非参考型检测方法.该方法利用的是待检测目标的一般特性,而不是特定的一个检测目标的知识.它不需要任何参考模式,如果模式不符合设计的规则,就认为不合格或有缺陷,因此也称为设计-规则验证方法.该方法依据工件设计规则判断工件是否有缺陷,无须逐点比较待测工件图像和标准图像.(3)混合检测方法.上述两类方法各有其优缺点,混合检测方法的思想是采两者之长,避两者之短.其典型方法有:一般方法、用边界分析的模式检测、射线匹配算法、形状比较法、圆形模式匹配法等.(4)基于CAD的检测方法.近年来,迅猛发展的CAD/CAM技术为建立物体的几何模型提供了几何描述基础,产生了三维物体几何模型,称为CAD模型.计算机视觉和CAD技术相结合,有着广阔的发展前景[2,7～11].2 机械零件的AVI机械零件的自动检测是制造企业中CAQ系统的一个重要组成部分,是实现企业柔性制造自动化的关键环节.研究机械零件视觉检测首先是把三维物体图像化,即得到二维的平面图像,然后再根据图像去分析和理解三维空间物体[12～14].在大部分机械零件中,直线和圆是构成零件几何元素的基本要素,系统对于各几何元素的测量基本上都可归结到对直线和圆的测量.对于直线与圆(圆弧)的检测,通常采用测量点序列进行最小二乘法拟合以得到直线或圆参数的估计值.对于任意的零件几何元素的检测,M undy[15]和No ble等[16]提出了一种有约束的优化模型: m in f1(x),且满足h(x)=0.其中:f1(x)为实测数据与几何元素模型的最小二乘拟合误差总和;h(x)为元素模型之间所应满足的几何约束关系.在他们的实体模型中,每一个几何元素分别采用独立的参数表示,这样,在他们的优化模型中,至少含有2n个变量和n个约束方程(n为元素实体个数).Chen 等[13,14,17]提出了一种无约束最优化模型:min f2(x).由于该模型采用四个具有全局特征的参数(表示平移、旋转和尺度)来描述数据拟合的误差,大大简化了数据拟合的复杂性.对于最优化模型的求解,一些常用的最优化方法已经得到应用,如最小二乘法[8]和Lagrangian松驰法[15,16]、梯度下降法[13]、非线性最小二乘法和单纯形法[12]等.近年来,遗传算法由于其全局最优的收敛性,已被成功地应用到各种优化问题,Chen等[14,17]将遗传算法应用于无约束最优636 上 海 交 通 大 学 学 报第33卷 化模型中的参数寻优,得到了令人满意的结果.一个完整视觉检测系统包括:图像采集、图像分割、零件识别、模型匹配和决策判断.New man 等[9]描述了利用深度图像进行零件检测的AVI 系统,具有一定的代表性.图1所示为该系统的处理流程.图1 一个典型的AV I 系统Fig.1 A ty pical A V I system3 基于CAD 的AVI基于CAD 的计算机视觉是Bir Bhanu 首次提出的,到目前已成为计算机视觉的研究热点.基于CAD 的AVI 的关键是视觉系统和CAD 数据库的集成,即如何在自动制造环境下利用已有的CAD 模型建立适合于视觉检测的视觉模型,并把CAD 数据作为上层知识生成智能检测规划.(1)视觉模型.基于模型的AVI 最终将面临三维几何模型化的问题,也就是解决如何建立面向视觉的三维物体模型.尽管视觉系统和CAD 系统都依赖于物体的几何模型,但它们在知识表达、数据共享等方面仍得不到统一[2,7,10,11,17].视觉检测要求计算机能从CAD 系统中获取零件精确的数学模型,而这种模型往往要用构成零件几何元素的解析表达式来表示[12～16].当前CAD 系统中零件的模型还不能完全以解析形式表示,而只能以几何元素的特征值(如长度、角度、半径、位置等)表示.因此,一些学者已开始研究如何从CAD 模型提取视觉模型的方法.Chen 等[13,14,17]利用CAD 数据提供的边界特征(包括交点、边、夹角)建立了一个由直线段和圆弧组成的零件剖面图的解析表达式,并由些对检测到的数据点进行拟合.(2)检测规划.随着CIMS 的逐步推广,检测系统和CAD 数据库的集成已成为柔性检测技术发展的必然趋势.CM M 发展到现在已具备了离线编程的功能,人们可以直接利用CAD 系统中零件的模型来生成检测点,并进一步生成检测路径,然后传送到CM M 来自动完成检测任务,即目前较为流行的“基于CAD 的CM M 检测规划生成”[19],这也是将CM M 集成到CIM S 中所要解决的关键技术.同样,视觉检测要实现与CIMS 的集成,也必须建立智能的视觉检测规划,以便控制机器人对零件进行操作,可称之为“基于CAD 的视觉检测规划生成”.Park [10]和M arefat 等[11]在这方面做了一些有益的探讨,提出了视觉规划的模型.他们用CAD 数据库中的边界特征及其几何关系建立了一种智能检测规划,为视觉检测提供了必要的信息.这些信息包括可见特征列表、可能的视角方向和摄像机位置以及在每一个视角和位置上的可见边.为了在CAD 系统和检测系统之间进行有效的数据传递,必须建立统一的数据格式和标准.一种面向CMM 的标准规范目前已经形成,即尺寸测量接口规范(Dim ensio nal M easur ing Inter face Specifica-tion,DMIS)[18].DM IS 的目标是作为一套计算机系统和测量设备之间检测数据双向通信的标准.它提供一套词汇表将检测规程和CAD 系统数据(尺寸、公差等)提供给检测设备以及将检测设备的检测结果传递给接受系统.如何建立面向视觉检测的DMIS 已成为发展基于CAD 的计算机视觉检测技术的一个关键环节.4 AVI 技术展望AVI 技术是一种很有发展前途的自动检测技术,可以实现智能化、柔性、快速和低成本的检测目标,而CIMS 的普及与发展已给基于CAD 的AVI 技术提供了广阔的应用前景.作者认为AVI 技术今后的发展应集中在以下几个方面:(1)实现在线实时检测.使系统可以100%地检测产品,而不像现在所普遍采用的抽样检测.视觉检测执行时间在很大程度上取决于低层图像处理(图像平滑、滤波、分割等)速度,采用快速的图像处理算法、高速CPU 和并行处理器是实现在线视觉检测的有效途径.(2)实现智能化检测.从CAD 系统中提取零件视觉模型与检测信息(包括工件位置与方向、摄像机视角等),选定检测项目、检测点和检测路径,建立智能检测规划,并控制工业机器人抓取零件并放置到合适的位置进行检测.为在CAD 系统和检测系统之间进行有效的数据传递,必须建立一种面向视觉系统的尺寸测量接口规范.由于基于CMM 的检测规划目前正趋于成熟,这对AVI 规划的生成也很有借鉴意义.(3)实现高精度检测.CCD 摄像机的分辨率和637 第5期张文景,等:计算机视觉检测技术及其在机械零件检测中的应用系统误差制约了视觉检测精度的进一步提高,无法适应大尺寸零件的检测.与视觉系统相比,CMM在检测精度和测量空间范围上占有很大优势.可以预见,计算机视觉系统与CM M的集成必将成为视觉检测发展的一种新方向.事实上,基于CM M的视觉检测技术已经受到人们关注[3,18].集成化的CM M 和视觉系统可以利用视觉系统迅速识别零件的形状及其在测量平台上的位置和状态,完成机器坐标系、零件坐标系和摄像机坐标系之间的转换,帮助CMM实现检测路径自动形成与测量结果判断.随着计算机视觉技术自身的成熟和发展,AVI 技术必将在现代和未来制造企业中得到越来越广泛的应用.参考文献:[1] 阮秋琦.图像处理和计算机视觉技术在美国[J].北方交通大学学报,1992,16(3):8～14.[2] N ewman T S,Jain A K.A sur vey o f auto mated v isualinspection[J].Co mput er Vision and Imag e U nder-st anding,1995,61(2):231～262.[3] 祝世平.大型工件特征点空间坐标视觉检测方法研究[D].哈尔滨:哈尔滨工业大学,1997.[4] Wu W en-Y en,W ang M a o-Jiun,L ui Chi-M ing.A ut o-mated inspectio n o f pr inted circuit boar ds thr oug hmachine vision[J].Co mput er in I ndust ry,1996,28(2):103～111.[5] G uglielmi N,G uerr ier i R,M ar st rett a M,et al.High-ly-contr ainted neur al netw or ks w ith applicatio n to v i-sual inspectio n o f machined part s[A].In:IEEE I nt er-nat ional Confer ence on A coustics,Speech,a nd Sig nalPr ocessing[C].M inneapo lis,U SA,1993.629～632.[6] M og anti M,Er ca l F,Dag li C H,et al.A utom atic PCBinspection algo rithms:a surv ey[J].Computer V isio nand Ima ge U nderstanding,1996,63(2):287～313. [7] Fly nn P J,Jain A K.CAD-based co mputer vision:fro m CA D mo dels to r elat ional g raphs[J].IEEET r ansactions on Pa tter n A nalysis and M achine I nt el-ligence,1991,13(2):114～132.[8] M o day ur B R,Shapir o L G.A CA D-based sy st em fo rautomat ed inspection o f machined par ts[A].In:Pr o-ceeding s of the1992IEEE/RJS I nter natio nal Confer-ence on I nt ellig ent Ro botics and Systems[C].R eleighN C,1992.7～10,1231～1238.[9] N ew man T S,Jain A K.A system fo r3D CA D-basedinspectio n using r ang e im ages[J].P atter n R ecog ni-tion,1995,28(10):1555～1574.[10] P ark H D,M itchell O R.CA D based planning and ex-ecutio n o f inspect ion[A].I n:Pr oceedings o f t he IEEECo nfer ence on Computer V isio n and Patt ern R ecog ni-tion[C].A nn A r bor,M I,1988.858～863.[11] M ar efat M,K ashyap R L.Planning fo r inspectionbased on CA D mo dels[A].I n:Pr oceedings o f11thI nter natio nal Confer ence on Pat tern Recog nition[C].D en Hag ue,N etherlands,1992.608～611.[12] V ent ur a J A,W an W enhua.A ccur ate ma tching oft wo-dimensional shapes using t he minimal tolerancezone er ro r[J].Imag e and Vision Co mput er,1997,15(12):889～899.[13] Chen J M.V ision-based shape reco gnit ion and analy-sis o f ma chined par ts[J].International Jo urnal ofP ro ductio n Research,1995,33(1):101～135.[14] Chen J M.Det er mining minmax pr o file er ro rs fo r thecr oss-sect ions o f machined pa rts[J].Inter na tio nalJour nal of Pr oduction R esear ch,1998,36(4):1105～1124.[15] M undy J,N o ble A,M arinos C,et al.A n o bject-o ri-ented appr oach to t emplate g uided visual inspection[A].In:Pr oceedings o f t he IEEE Confer ence onCo mputer Vision a nd P atter n Recog nition[C],U ni-v ersity of I llinois,U nbana-Champion,I L,1992.386～392.[16] N oble A,N guyen V D,M ar inos C,et al.T emplateg uided visual inspct ion[A].In:Sandini G.Pr oceed-ing s o f2nd Eur opean Confer ence on Co mputer Vision[C].Sa nta M arg herita L ig ure,Italy,1992.893～901.[17] Chen Jen-M ing.A genetic-ba sed vision system cr oss-functio nal integ ra tio n in flex ible m anufactur ing:a tu-to rial and applica tio n[J].T he Inter nat ional Jour nalo f Flexible M anufacturing Sy stem,1997,9(4):343～365.[18] 林志航.计算机辅助质量系统[M].北京:机械工业出版社,1997.638 上 海 交 通 大 学 学 报第33卷 。
