雙目視覺目標檢測的案例
基于雙目視覺的目標檢測與追蹤方案詳解
立體視覺測量提取算法示意圖
1）特征提取
特征檢測通常是使用加速段測試 (FAST) 算法中的特征檢測進行的，該檢測器在計算復雜性方面明顯優于其他替代方案，并且專為一致性高的多視圖特征提取而量身定制，這些屬性有利于將 FAST 角點檢測器用于在實時立體視覺中的應用。
使用稀疏特征檢測有一些固有的缺點，其中最值得注意的是無法從低紋理圖像區域收集信息，這可能會阻礙最終準確估計目標范圍的能力。范圍信息應主要從視覺子系統中提取，因為它提供比雷達更高的分辨率。為了減輕可能的負面影響，設置特征檢測閾值以產生半密集信息，即分布在視野中的數千個特征被識別為跟蹤候選。通過這種方法，可以獲得相當準確的范圍信息，而計算需求仍然比密集檢測方法低得多。
2）特征追蹤
算法運行所需的時間數據可通過狀態估計器獲得，該估計器隨時間跟蹤檢測到相應的特征，由此產生的運動信息對于運動物體分割具有重要價值。本文將詳細介紹實現的特征跟蹤框架。
①卡爾曼濾波器
檢測目標的半密集性要求對后續處理進行仔細考慮，可能數以千計的跟蹤特征需要非常有效的狀態估計器。為此，引入了卡爾曼濾波器。卡爾曼濾波器是貝葉斯濾波器遞歸方程的可實現公式，要素不是傳播完整的目標狀態密度，而是采用高斯分布進行近似，即
（9）
其中 N (x; m, P) 表示在具有均值 m 和協方差 P 的向量 x 上定義的高斯分布。卡爾曼濾波器遞歸方程的一個重要約束是它必須保留狀態分布的高斯結構。這意味著動態和測量模型必須是線性高斯變換。
展開 基于立體視覺的自動駕駛三維目標檢測，精度可媲美激光雷達！
來源 |
AI修煉之路
介紹
三維目標檢測是自動駕駛和虛擬現實中重要的場景理解任務。考慮到激光雷達成本昂貴，本文提出一個基于立體視覺的3D目標檢測方法。針對目標深度估計是影響三維目標檢測性能的關鍵因素，提出了一種基于「實例深度感知」、「視差自適應」和「匹配代價調整」的三維包圍盒中心深度預測模塊。此外，我們的模型是一個「端到端」的學習框架，不需要多個階段或后處理算法。我們在KITTI基準上進行了詳細的實驗，與現有的基于圖像的方法相比，取得了顯著的改進。
代碼開源：https://github.com/swords123/IDA-3D
一、引言
在本工作中，我們提出了一種基于立體視覺的三維目標檢測方法，該方法在訓練過程中不依賴于激光雷達數據作為輸入或監督，而只使用帶有相應標注的三維邊界盒的RGB圖像作為訓練數據。
首先利用立體區域提議網絡(RPN)從背景中提取目標，消除其對三維目標檢測的干擾。由于對象實例的深度估計是影響三維對象檢測性能的關鍵因素，因此我們設計了一個獨立的 「實例深度感知(IDA)」 模塊來預測對象三維邊界盒的中心深度。
不像以前基于立體的方法計算圖像之間每個像素的對應關系，我們測量每個實例的對應關系，把更多關注放在對象的全局空間信息。
為了減小對遠處目標深度估計的誤差，我們根據目標的位置「自適應地調整代價體中的視差等級的范圍」，并將視差等級的均勻量化轉換為非均勻量化。「匹配代價也被重新加權」，通過懲罰對對象實例不是唯一的深度級別，并提升具有高概率的深度級別，從而使深度估計更具鑒別性。所提出的體系結構的概述如圖1所示。
展開 基于雙目視覺的自動駕駛技術
來源 |
知乎@黃浴、
3D視覺工坊
不小心刪掉的文章，要求補上了。其實雙目視覺主要問題是立體匹配和視差計算，最新的討論見：https://zhuanlan.zhihu.com/p/65130734；另外，目標檢測的雙目視覺技術討論如下：https://zhuanlan.zhihu.com/p/87074244。
單目視覺是Mobileye（ME）的看家法寶，其實當年它也考慮過雙目，最終選擇放棄。
單目的測距和3-D估計靠什么？是檢測目標的Bounding Box（BB），如果無法檢測的障礙物，該系統就無法估計其距離和3-D姿態/朝向。沒有深度學習的時候，ME主要是基于BB，攝像頭標定得到的姿態和高度以及路面平直的假設估算距離。
有了深度學習，可以根據3-D的ground truth來訓練NN模型，得到3D大小和姿態估計，距離是基于平行線原理（single view metrology）得到的。不久前百度Apollo公布的單目L3解決方案講的比較清楚了，參考論文是“3D Bounding Box Estimation by Deep Learning and Geometry".
雙目當然可以算視差和深度了，即使沒有檢測出障礙物（因為有附加的深度信息，檢測器會比單目好），也會報警。問題是，雙目視覺系統估計視差沒那么容易，立體匹配是計算機視覺典型的難題，基線寬得到遠目標測距準，而基線短得到近目標測距結果好，這里是存在折衷的。
目前市場上ADAS存在的雙目視覺系統就是Subaru EyeSight，據說性能還行。
百度推出的阿波龍L4擺渡車量產100臺，就安裝了雙目系統。
展開 自動駕駛汽車的偽激光雷達-雙目立體視覺
來源 | 點云PCL
導讀：雙目立體視覺（Binocular Stereo Vision）是機器視覺的一種重要形式，它是基于視差原理并利用成像設備從不同的位置獲取被測物體的兩幅圖像，通過計算圖像對應點間的位置偏差，來獲取物體三維幾何信息的方法。
偽激光雷達-雙目立體相機
深度學習和計算機視覺在自動駕駛系統中已經非常流行且被廣泛應用。計算機視覺領域在過去的十年里得到了迅猛的發展，特別是在障礙物檢測方面。障礙物檢測算法，如YOLO或RetinaNet提供了二維邊界框，用邊界框給出了障礙物在圖像中的位置。
目前，大多數的目標檢測算法都是基于單目RGB攝像機的，不能返回每個障礙物的距離。為了能夠返回每個障礙物的距離，工程師們將相機與激光雷達（LiDAR，光探測和測距）傳感器進行融合，后者使用激光來返回深度信息。將計算機視覺信息和激光雷達輸出進行傳感器的融合。這種方法的問題是使用激光雷達，就會導致價格昂貴。所以經常有人使用的一個雙目攝像頭進行替代，并使用幾何信息來定義每個障礙物的距離，故可以將雙目相機獲取的數據稱之為偽激光雷達
單目與雙目的比較
雙目視覺利用幾何學來構建深度圖，并將其與目標檢測相結合以獲得三維距離。那么如何利用立體視覺實現距離估計？
展開 
雙目立體視覺技術涉及到的基本概念
這就是立體視覺的基本原理。
4. 博安盈雙目立體視覺系統：平行光軸的系統結構
在平行光軸的立體視覺系統中（圖三），左右兩臺攝像機的焦距及其它內部參數均相等，光軸與攝像機的成像平面垂直，兩臺攝像機的x軸重合，y軸相互平行，因此將左攝像機沿著其x軸方向平移一段距離b（稱為基線baseline）后與右攝像機重合。
由空間點A及左右兩攝像機的光心Ol、Or確定的極平面（Epipolar plane）分別與左右成像平面Cl、Cr的交線pl、pr為共軛極線對，它們分別與各自成像平面的坐標軸ul、ur平行且共線。在這種理想的結構形式中，左右攝像機配置的幾何關系最為簡單，極線已具有很好的性質，為尋找對象點A在左右成像平面上的投影點al和ar之間的匹配關系提供了非常便利的條件。
5. 雙目立體視覺智能視頻分析技術
恢復場景的3D信息是立體視覺研究中最基本的目標，為實現這一目標，一個完整的立體視覺系統通常包含六個模塊：圖像獲取、攝像機標定、特征提取、立體匹配、三維恢復和視頻分析（運動檢測、運動跟蹤、規則判斷、報警處理）。
5.1. 圖像獲取（ImageAcquisition）
數字圖像的獲取是立體視覺的信息來源。常用的立體視覺圖像一般為雙目圖像，有的采用多目圖像。圖像獲取的方式有多種，主要由具體運用的場合和目的決定。立體圖像的獲取不僅要滿足應用要求，而且要考慮視點差異、光照條件、攝像機性能和場景特點等方面的影響。
5.2. 攝像機標定（CameraCalibration）
立體視覺系統攝像機標定是指對三維場景中對象點在左右攝像機圖像平面上的坐標位置al(ul，vl)、ar(ur，vr)與其世界空間坐標A(X，Y，Z)之間的映射關系的確立，是實現立體視覺三維模型重構中基本且關鍵的一步。
5.3.
展開 【視覺檢測】機器視覺在塑膠件外觀缺陷檢測方面的應用
對于中大型工廠來說，每天都有大批量的塑膠件被生產出來，如果僅靠人力來對這數量龐大的產品進行缺陷檢測，無疑需要投入巨大的人力成本和管理成本，而且還難以保證檢測的效率和準確率。因此，引進機器視覺檢測設備就尤為必要。
塑膠件成型后，會出現一些不良問題，常見的包括變形、飛邊、批鋒、裂紋、缺料、污漬、顏色不均、黑點、色差、頂白、印刷不良、尺寸不符等外觀缺陷。
機器視覺檢測設備是全自動檢測作業，它實現了自動上料、自動檢測、自動剔除NG產品、自動裝料的一站式檢測流程。塑膠件被振動盤依次送入玻璃盤，工業CCD相機高速拍照，再由昊天宸研發團隊開發的檢測軟件系統對拍照圖片進行高速度、高精度、高穩定性的實時檢測、分析、計算，判斷樣件是否合格，然后將結果輸出、統計，發現不良品進行自動剔除。
和傳統的人工檢測方式相比，采用機器視覺檢測技術對塑膠件外觀缺陷進行檢測，優勢非常突出，更高效、更快速、精度更高，能夠大幅降低工廠在品檢方面的人工成本，從而增加企業收益。昊天宸科技多年深耕于機器視覺檢測領域，為塑膠件、PCB線路板、新能源電池、半導體、精密五金等行業客戶提供一站式機器視覺檢測解決方案，設備可非標定制，滿足不同企業的不同檢測需求。
塑膠透明件被廣泛運用于各個行業，并起著不可或缺的作用，比如各類日用品材料、照明器材、光學儀器類材料、光纖材料、封裝材料、光盤材料，等等。在透明件質檢過程中，外觀檢測是不可缺失的一環。今天我們就和大家分享機器視覺在塑膠透明件外觀檢測中的應用。
機器視覺檢測設備在塑膠透明件外觀檢測中的應用
在塑膠透明件生產過程，由于各種因素的影響，容易導致產品表面出現各種缺陷，影響產品的外觀和性能。塑膠透明件常見的外觀缺陷包括氣泡、油污、黑點、劃傷、斑紋、泛白、變色、光澤不佳等。
展開 視頻中的目標檢測與圖像中的目標檢測具體有什么區別？
希望視覺特征建模也能繼續發展，整個計算機視覺研究領域更加多元化，而非被機器學習邊緣化。
作者：亦辰
https://www.zhihu.com/question/52185576/answer/413306776
看到上面這么多大佬的回答，我也來補充一些自己的認識。
首先，從概念上來講，視頻目標檢測要解決的問題是對于視頻中每一幀目標的正確識別和定位。那么和其他領域如圖像目標檢測、目標跟蹤有什么區別呢？
1.與圖像目標檢測的區別
如Naiyan Wang 大佬所說，視頻中多了時序上下文關系（Temporal Context）。充分利用好時序上下文關系，可以解決視頻中連續幀之間的大量冗余的情況，提高檢測速度；還可以提高檢測質量，解決視頻相對于圖像存在的運動模糊、視頻失焦、部分遮擋以及奇異姿勢等問題。
（圖片來源于Flow-Guided Feature Aggregation for Video Object Detection）
2. 與目標跟蹤的區別
目標跟蹤通常可分為單目標跟蹤和多目標跟蹤兩類，解決的任務和視頻目標檢測相同的點在于都需要對每幀圖像中的目標精準定位，不同點在于目標跟蹤不考慮目標的識別問題。
3. 視頻目標檢測進展情況
與光流結合的方法
一直在follow MSRA的Jifeng Dai大佬（大佬主頁）的工作。
該工作的優勢是利用了連續幀冗余信息減少了大量運算，檢測速度很快。
展開 使用合成數據集來做目標檢測：目標檢測的介紹
下面是一個用于通用目標檢測問題的標注的例子。
你可以想象，為目標檢測而手動標注一幅圖像需要整整幾分鐘，而不是像用于分類那樣需要幾秒鐘。那么像這樣的大型數據集從何而來呢？
目標檢測數據集：真實
讓我們首先看看我們有什么樣的使用真實目標和人工標注的目標檢測數據集。首先，讓我們快速回顧最流行的數據集。
ImageNet數據集作為ImageNet大規模視覺識別挑戰(ILSVRC)的關鍵部分而受到歡迎，這是2010年至2017年舉辦的一系列比賽。ILSVRC系列見證了一些卷積神經網絡中最有趣的進展:AlexNet、VGG、GoogLeNet、ResNet和其他著名的架構都在這里首次亮相。
一個不太為人所知的事實是ILSVRC也一直有一個物體檢測競賽，而ILSVRC系列實際上是與另一個著名的競賽合作發展起來的，2005年至2012年舉辦的PASCAL Visual Object Classes (VOC) Challenge。這些挑戰也從一開始就體現了目標檢測，這就是第一個著名的數據集的由來，通常被稱為PASCAL VOC數據集。以下是“飛機”和“自行車”類別的一些示例圖片：
按照今天的標準，PASCAL VOC是相當小的：20個類，只有11530張圖片，27450個目標標注，這意味著PASCAL VOC每幅圖片只有不到2.5個目標。目標通常是相當大的和突出的照片，所以PASCAL VOC是一個“容易”的數據集。盡管如此，在很長一段時間里，它仍然是最大的手動標注的目標檢測數據集之一，并在數百篇關于目標檢測的論文中默認使用。
在規模和復雜性方面的下一步是Microsoft Common Objects in Context (Microsoft COCO)數據集。
展開 使用合成數據集來做目標檢測：目標檢測的介紹
手動標注現在是一個更困難的問題：你必須為每個目標提供一個邊界框，而不僅僅是點擊正確的類標簽，而且在一張照片上可能有許多目標。
下面是一個用于通用目標檢測問題的標注的例子。
你可以想象，為目標檢測而手動標注一幅圖像需要整整幾分鐘，而不是像用于分類那樣需要幾秒鐘。那么像這樣的大型數據集從何而來呢？
目標檢測數據集：真實
讓我們首先看看我們有什么樣的使用真實目標和人工標注的目標檢測數據集。首先，讓我們快速回顧最流行的數據集。
ImageNet數據集作為ImageNet大規模視覺識別挑戰(ILSVRC)的關鍵部分而受到歡迎，這是2010年至2017年舉辦的一系列比賽。ILSVRC系列見證了一些卷積神經網絡中最有趣的進展:AlexNet、VGG、GoogLeNet、ResNet和其他著名的架構都在這里首次亮相。
一個不太為人所知的事實是ILSVRC也一直有一個物體檢測競賽，而ILSVRC系列實際上是與另一個著名的競賽合作發展起來的，2005年至2012年舉辦的PASCAL Visual Object Classes (VOC) Challenge。這些挑戰也從一開始就體現了目標檢測，這就是第一個著名的數據集的由來，通常被稱為PASCAL VOC數據集。以下是“飛機”和“自行車”類別的一些示例圖片：
按照今天的標準，PASCAL VOC是相當小的：20個類，只有11530張圖片，27450個目標標注，這意味著PASCAL VOC每幅圖片只有不到2.5個目標。
展開 機器視覺檢測，讓沖壓件檢測如此簡單
機器視覺檢測設備外觀自動化檢測主要是適用于精密五金產品、電子元件、陶瓷零件、橡膠硅膠、螺絲螺母、手機零配件、汽車緊固件、航空緊固件等產品的外觀、尺寸、缺點等篩選。如果用人工檢測的辦法來檢測產品的外觀和尺寸質量，人工長時間用眼，眼睛非常容易造成疲勞，導致效率低，產品不合格率增加等情況。如果這個時候使用外觀檢測設備來進行檢測，檢測精度高，因機器不會像人有喜怒哀樂、七情六欲等主觀因素影響，因此不但可以降低人工的成本，同時還可以提高效率。
機器視覺檢測設備在五金沖壓件檢驗中的應用于：電器零件沖壓廠，汽車零件沖壓廠，日用品沖壓廠，家用電器零件沖壓廠，特種沖壓零件廠等。
機器視覺檢測設備在五金沖壓件檢測中的優勢：
1.可以檢測到任何圓之間的距離；
2、它可以檢測任何零件的邊緣之間的距離；
3、可以檢測從任意邊緣到圓心的圓心距，遠心距和近心距；
4、檢查沖壓產品是否傾斜，缺失或尺寸不良等；
5、同步實施檢測，結果可通過COM，I/O，Internet等方法輸出；
6、可以存儲和查詢檢測圖像；
7、自動統計（良品，不良品，總數等）。
機器視覺表面檢測是一項軟硬件結合系統工程。表面檢測可以是個不大不小的領域，它涉及金屬、薄膜、無紡布、玻璃、光伏等多個行業。表面缺陷不僅是影響產品外觀，還將直接影響產品的使用性能，如何嚴格控制產品表面質量，傳統的人工檢測已經不能適應高速生產的要求。機器視覺檢測技術是建立在計算機視覺研究基礎上的一門新興測試技術。與計算機視覺研究的視覺模式識別、視覺理解等內容不同，視覺檢測技術重點研究的是物體的幾何尺寸及物體的位置測量，如金屬三維尺寸的測量、模具等三維面形的快速測量、大型工件同軸度測量以及共面性測量等。
展開 一文帶你了解機器人是如何通過視覺實現目標跟蹤的！
Abstract：視覺跟蹤技術是計算機視覺領域（人工智能分支）的一個重要課題，有著重要的研究意義。在軍事制導、視頻監控、機器人視覺導航、人機交互、以及醫療診斷等許多方面有著廣泛的應用前景。隨著研究人員不斷地深入研究，視覺目標跟蹤在近十幾年里有了突破性的進展，使得視覺跟蹤算法不僅僅局限于傳統的機器學習方法，更是結合了近些年人工智能熱潮—深度學習（神經網絡）和相關濾波器等方法。本文主要介紹以下幾點：什么是視覺目標跟蹤（單目標跟蹤）、單目標跟蹤的基本結構（框架），目標跟蹤存在的挑戰，目標跟蹤經典相關方法及研究趨勢等。
01 單目標跟蹤任務簡介
目標跟蹤是計算機視覺領域的一個重要問題，目前廣泛應用在體育賽事轉播、安防監控和無人機、無人車、機器人等領域。下面是一些應用的例子。
車輛跟蹤
足球比賽
田徑比賽
視覺目標（單目標）跟蹤是指對圖像序列中的運動目標進行檢測、提取、識別和跟蹤，獲得運動目標的運動參數，如位置、速度、加速度和運動軌跡等，從而進行下一步的處理與分析，實現對運動目標的行為理解，以完成更高一級的檢測任務。
其具體任務即根據所跟蹤的視頻序列給定初始幀（第一幀）的目標狀態（位置、尺度），預測后續幀中該目標狀態。
展開 
計算機視覺必讀：目標跟蹤、網絡壓縮、圖像分類、人臉識別等
目標跟蹤(object tracking)
目標跟蹤旨在跟蹤一段視頻中的目標的運動情況。通常，視頻第一幀中目標的位置會以包圍盒的形式給出，我們需要預測其他幀中該目標的包圍盒。目標跟蹤類似于目標檢測，但目標跟蹤的難點在于事先不知道要跟蹤的目標具體是什么，因此無法事先收集足夠的訓練數據以訓練一個專門的檢測器。
孿生網絡 類似于人臉驗證的思路，利用孿生網絡，一支輸入第一幀包圍盒內圖像，另一支輸入其他幀的候選圖像區域，輸出兩張圖的相似度。我們不需要遍歷其他幀的所有可能的候選區域，利用全卷積網絡，我們只需要前饋整張圖像一次。通過互相關操作(卷積)，得到二維的響應圖，其中最大響應位置確定了需要預測的包圍盒位置。基于孿生網絡的方法速度快，能處理任意大小的圖像。
CFNet 相關濾波通過訓練一個線性模板來區分圖像區域和它周圍區域，利用傅里葉變換，相關濾波有十分高效的實現。CFNet結合離線訓練的孿生網絡和在線更新的相關濾波模塊，提升輕量級網絡的跟蹤性能。
生成式模型(generative models)
這類模型旨在學得數據(圖像)的分布，或從該分布中采樣得到新的圖像。
展開 沖壓質量模板匹配視覺檢測技術應用
通過計算機視覺和圖像處理技術，開發沖壓件質量在線視覺檢測系統，可提高沖壓件質量檢查效率，降低人員勞動負荷。
目前整車廠主流沖壓線生產節拍大都是每分鐘12 ～18 件，每個沖壓件進行全面品質檢查大約需要8 ～10min，生產節拍遠大于品質全檢的速度，因此無法做到零件的全檢。沖壓質檢體制主要包括在線抽檢和線下抽檢，在線抽檢由兩名線檢人員周期性地在3 ～5s 的時間內檢查零件的部分區域，線下抽檢由兩名抽檢人員每間隔約100 件進行零件的全檢。這種檢查體制存在偶發不良漏檢和批量不良的風險，如圖1 所示，質檢人員長期重復性動作，也存在作業疲勞、檢出能力下降導致漏檢的情況。
圖1 不良漏檢和批量不良情況
隨著計算機芯片運算能力的提升以及人工智能算法的深入應用，目前已出現通過計算機視覺檢測取代人工檢查的應用案例，如一種基于深度學習的多分類缺陷監測系統，通過采集大樣本量的缺陷數據，對檢測模型進行訓練，使其能夠識別出開裂、凸凹點等缺陷，如圖2 所示。相對于深度學習的檢測系統，模板匹配檢測系統不需要大數據的訓練，即可輔助進行在線缺陷檢測，具有較高準確率，能消除人工漏檢造成的批量不良風險，降低質檢人員的作業負荷。
圖2 視覺監測凸凹點缺陷
硬件布置方案
系統的硬件部署要在現有沖壓線上增加，并盡可能減少對現有生產線的改造，故沿用了現有沖壓線的自動化方案(機械臂、傳送皮帶)，在此基礎上通過在零件傳送路徑上布置8組攝像頭和LED光源(俯視、前視、后視、側視各2 組)，實現對在線零件的圖像采集，如圖3 所示。
圖3 視覺監測布置示意圖
檢測方案
沖壓零件通過機械臂放置到傳送皮帶上，依次經過攝像頭拍攝點，零件的位置、角度是一種有序排列，如圖4 所示。
展開 機器視覺定位之零部件尺寸檢測技術
傳統意義上的生產需要設備處于時常工作狀態以便于隨時檢測，然而這樣的工作方式導致了設備在一定的時間內出現設備閑置的現象，大大的浪費了生產資源并無法實現可靠的自動化生產；還有一個更為重要的原因在于工業生產線上生產出的產品，對于其尺寸精度的測量人們大多數都通過自己的主觀意識或者粗淺的測試方法去判別零部件尺寸是否合格，這樣的判斷方式檢測出的精度根本滿足不了客戶的需求。基于上述諸多問題的提出，一種基于機器視覺的檢測方法應運而生，此概念的提出為生產加工業實現自動化、智能化帶來了空前的變革。隨著機器視覺的應用，機器視覺的應用大大的提高了產品的質量、降低了人口紅利并能在一定程度上降低生產成本，帶動生產加工業走向自動化、智能化的道路。
一、系統的整體結構
本研究是基于工業生產線上對不同零部件尺寸的檢測，機器視覺的零部件尺寸檢測主要分為圖像采集、圖像分析處理、顯示結果及控制三個部分。系統主要由計算機主機、工業相機、LED光源和光電傳感器、PLC可編程控制器以及單片機控制器、暗箱等。
展開 汽車覆蓋件質量缺陷視覺檢測研究
由于人工檢查在實際應用中遇到的困難和機器視覺檢測技術的不斷發展，給沖壓生產提供了新的檢測方法。機器視覺檢測技術的優點是檢測快速、準確、可靠，安全性高，不直接接觸零件，不損傷零件。還可以減少質量檢測人員，降低制造成本，對每一個檢測的零件留有檢測照片，可以實現零件質量的精準追溯。
視覺檢測系統一般由光源、光源控制器、光學鏡頭、相機、傳感器、圖像處理單元、圖像分析處理軟件、通信輸入輸出單元等部分組成。根據覆蓋件的特點，選擇的相機是500 萬像素滾動快門黑白相機，配備10 ～50mm 變焦鏡頭。光源采用LED 球積分光源，適用于零件表面有凹凸不平，弧面表面檢測。圖像處理軟件采用SGVision 視覺軟件，該款軟件無需編程，算法工具豐富，功能強大，使用方便。
開裂問題視覺檢測
開裂問題是覆蓋件最嚴重的質量問題，在實際生產中，員工在裝框前每件零件質量檢查的時間只有12 秒左右，在短時間內檢查完整個零件是很困難的。使用機器視覺檢測零件質量，可以在1 秒內完成零件拍照和檢測。開裂問題視覺檢測的流程如下：
⑴用相機對合格的零件進行拍照，選取一張清晰的照片作為參考圖，再用特征匹配工具選取零件一個部位作為ROI(檢測區域)，確定零件定位部位，后續零件檢測定位會更加準確。特征匹配算法的設置界面如圖1 所示。
圖1 特征匹配算法設置界面
⑵選用相似度算法檢測零件是否有開裂，相似度算法用于與設定的ROI 區域(藍色框)內與模板基準圖進行比對，可同時設置多個檢測區域與忽略區域，從而判斷零件是否有開裂問題。相似度算法設置如圖2 所示。
圖2 相似度算法設置界面
⑶2 個算法設置完成后，先點“測試當前”按鈕，看軟件能否正確檢測出模板中的照片，如果檢測“OK”，則算法設置完成。
展開 