机器视觉是人工智能正在快速发展的一个分支，简单说来，它就是用机器代替人眼来做测量和判断。

1.机器视觉系统的构成

机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器视觉技术用计算机来分析一个图像，并根据分析得出结论。它可以探测部件，在此光学器件允许下处理更精确的观察目标，并对哪些部件可以通过哪些需要废弃做出有效的决定；它也可以用来创造一个部件，即运用复杂光学器件和软件相结合直接指导制造过程。

尽管机器视觉应用各异，但都包括以下几个过程：

（1）图像采集

光学系统采集图像，图像转换成模拟格式并传入计算机存储器。其中应用最广泛的就是采用图像卡，其工作原理就是将摄像机等输入的模拟图像信号经过A/D转换，或将数字摄像机的输出信号，通过计算机总线传输到计算机内存或显存，计算机可以对现场采集的图像进行实时处理和存储。

图像采集卡是基于PCI总线、PC/104-Plus总线、PCI-E总线和Mini PCI总线（图1）。由于标准视频信号是隔行扫描，在数字化的过程中每帧图像分成两场，奇数场和偶数场，两场之间相差20ms，每场的分辨率是288行或240行。对于高速运动的物体，按帧方式采集图像后有拖尾的现象，要解决这一问题需要采用仅采集一场并缩短曝光时间的方法，或采用数字逐行摄像机并缩短曝光时间的方案。



不同型号图像卡的区别主要表现在输入信号、图像质量、总线形式、处理功能等方面。图像质量由于不同板卡使用的芯片及设计的不同有较大差异。同时，不同用途的图像卡图像质量及价格也有很大的差别。

（2）图像处理

又称影像处理，即处理器运用不同的算法来提高对结论有重要影响的图像要素。它一般采用计算机对图像进行分析，以达到所需结果的技术。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别等多个部分。

（3）特性提取

处理器识别并量化图像的关键特性，然后这些数据传送到控制程序。

这里以布匹检测为例（图2），先利用高清晰度、高速摄像镜头拍摄标准图像，在此基础上设定一定标准；然后拍摄被检测的图像，再将两者进行对比。但是在布匹质量检测工程中要复杂一些：图像的内容不是单一的图像，每块被测区域存在的杂质的数量、大小、颜色、位置不一定一致；杂质的形状难以事先确定；由于布匹快速运动对光线产生反射，图像中可能会存在大量的噪声；在流水线上，对布匹进行检测，有实时性的要求。由于上述原因，图像识别处理时应采取相应的算法，提取杂质的特征，进行模式识别，实现智能分析。



（4）判决和控制

处理器的控制程序根据收到的数据做出结论，即应用程序把返回的结果存入数据库或用户指定的位置，并根据结果控制机械部分做相应的运动。根据识别的结果，存入数据库进行信息管理，以后可以随时对信息进行检索查询，管理者可以获知某段时间内流水线的忙闲，为下一步的工作作出安排；可以获知内被检测物品的质量情况等。

2.机器视觉系统的优点

机器视觉系统是实现仪器设备精密控制、智能化、自动化有有效途径，堪称现代工业生产的“机器眼睛”，其最大优点如下：

（1）实现非接触测量。

这种非接触测量方法既可以避免对被测对象的损坏又适合被测对象不可接触的情况，如高温、高压、流体、环境危险等场合；同时机器视觉系统可以同时对多个尺寸一起测量，实现了测量工作的快速完成，适于在线测量；而对于微小尺寸的测量又是机器视觉系统的长处，它可以利用高倍镜头放大被测对象，使得测量精度达到微米以上。对观测与被观测者都不会产生任何损伤，从而提高了系统的可靠性。

（2）具有较宽的光谱响应范围。

机器视觉则可以利用专用的光敏元件，可以观察到人类无法看到的世界，从而扩展了人类的视觉范围。对于微小尺寸的精密测量，利用机器视觉系统通过安装高倍工业镜头或显微镜头，从微小的生物细胞直径、数量，到细小的装配缝隙大小，再到较小的机械零件、电子产品的尺寸测量等各个领域都是机器视觉系统的用武之地。

（3）长时间工作。

人类难以长时间地对同一对象进行观察。机器视觉系统则可以长时间地执行观测、分析与识别任务, 并可应用于恶劣的工作环境。利用机器视觉解决方案，可以节省大量劳动力资源，为公司带来可观利益，因此其应用也越来越广泛。

如今，中国正成为世界机器视觉发展最活跃的地区之一，应用范围涵盖了工业、农业、医药、军事、航天、气象、天文、公安、交通、安全、科研等国民经济的各个行业。其重要原因是中国已经成为全球制造业的加工中心，高要求的零部件加工及其相应的先进生产线，使许多具有国际先进水平的机器视觉系统和应用经验也进入了中国。

3. 机器视觉系统光电参数类的改进

机器视觉系统中，经常采用EMVA1288标准作为光电参数，有一项光电性能参数为暗信号不均匀性（DSNU），经常也称为固定图形噪声（FPN），主要描述了在无光照的情况下曝光时间为零时由于像素结构、offset以及增益的不同等因素所引起的像元之间的不均匀性。标准中规定：在排除时域噪声的情况下，通过计算像素间的方差，即可得到DSNU值。



EMVA 1288定义的这种暗信号不均匀性实际是指“像素间”的暗信号不均匀性（pixels DSNU，pDSNU）。但是实际上还有一类DSNU：列（或者行）暗信号不均匀性（columns DSNU,cDSNU）。cDSNU典型地普遍存在于CMOS以及科学级CMOS这种一列像素对应一个（或多个）放大器类型的图像传感器，表示列与列像元间的不均匀性。这种不均匀噪声的值在某些相机中相对较大，不可忽略，尤其在高增益以及弱光条件下，更为明显。

如图3所示，为一台科学级CMOS相机在相同曝光（10ms）和光照条件下（0.005 lux）拍摄的高增益图像，两张图像的区别是左图拍摄时开启了某种固定背景校准功能，而右图则是在未校准模式下所拍摄的。按照EMVA 1288，这两种模式下二者的pDSNU值分别是1.5e和1.75 e，数值相差并不明显。但图3右图中可以看出明显的列状噪声条纹，这主要就是由于cDSNU所产生的干扰。如果去计算这两种模式的cDSNU，则分别为0.6 e和3.2 e，差别就比较大，也很好地反映了图像的列不均匀质量问题。需要特别说明的是，如果是中低增益以及较强光照条件下，图像中也会引入列光响应不均匀性(cPRNU)噪声。

因此，未区别DSNU的类型，均按照pDSNU的方式进行计算，这有可能会导致完全随机分布的不均匀性暗信号与列状有规律分布的不均匀性暗信号具有类似的DSNU值，但实际的图像效果可能差距很大。对列暗信号不均匀性应该再进行计算，以提供更为准确的噪声描述。

                                                                                                                内容来自网络
 

---