自动化工程师都应该了解的3个机器视觉技术
点击下方卡片，关注“新机器视觉”公众号
重磅干货，第一时间送达
3D点云-机器视觉
雷达技术利用无线电波探测和识别远距离的物体。你可以在许多工业应用中发现雷达，包括空中交通管制和遥感。同样的工作原理也适用于激光雷达(光探测和测距)，尽管这种技术使用的是光脉冲而不是无线电波。
激光雷达传感器有一个发射器和一个接收器组成，发射机发出光脉冲，当这个脉冲遇到物体，会把光反射回接收器。通过测量反射光返回接收器所需的时间，激光雷达可以确定到物体的距离，以及它的速度等运动特性。这些信息可以被映射成一个3D表示，即点云图像。
激光雷达的优点:
●鲁棒性:激光雷达适应各种天气和光照环境。
●深度:激光雷达提供关于物体距离(三维)及其速度的信息。
●计算能力:与传统相机相比，激光雷达需要更少的处理能力。
激光雷达的缺点:
●无颜色:激光雷达提供无颜色信息的单通道图像。
●没有文本:激光雷达不支持文本识别，因为文本需要非常高的点云密度。
高光谱成像-机器视觉
与其他光谱成像一样，高光谱成像收集和处理来自电磁波谱的信息。人眼只能感知可见光，当光线进入眼睛时，它落在视网膜上，视网膜是位于眼睛后部的最内层，由三种类型的光敏感细胞组成。传统相机的图像也是由3个信号(红、绿、蓝)产生的，这3个信号与视网膜中的图像非常接近。通过将红、绿、蓝三种光组合在一起，相机可以重现多种颜色。
但是电磁波谱比可见光要广泛得多。光谱的其他部分可以提供有价值的信息。例如，短波长的x射线能够穿透物质并提供物体内部结构的视觉图像。另一个例子是长波红外辐射，可用于热感测或夜视。
在机器视觉中，我们可以将光谱中不同部分的信息结合起来，以扩展传统相机的功能。为此，我们需要在RGB信号上增加通道。通道的宽度和数量可以有很大的变化，从几个(多光谱)到数百个(高光谱)甚至数千个(超光谱)通道，波长范围从热红外到紫外。
高光谱成像的优点:
●广泛的功能:高光谱相机揭示了在光谱中看不到的细节。
●成像光谱学:高光谱相机将成像和光谱学结合起来，使其能够将材料可视化并确定其特性，即提供空间和光谱信息。
●多功能性:高光谱相机可以优化特定的应用。
高光谱成像的缺点:
●高成本:高光谱相机比标准RGB相机贵几倍。
●图像尺寸大:高光谱相机需要显著的数据存储和处理能力。
●复杂性:要将接收到的信息调整为人类可读的形式，需要额外的处理算法。
高光谱成像有很多应用，包括:
●遥感:安装在卫星或无人机上的高光谱照相机从上方收集视觉信息。这可以用于特定的目的，如陆地石油勘探的地表扫描，以及水和海岸管理(如叶绿素含量)。
●工业应用中的质量控制:这包括检测材料缺陷、食品药品和自动垃圾分类等。
●医学应用:在这里，高光谱成像是一种新兴的技术，特别是在疾病诊断和图像引导的外科手术。
人工智能-机器视觉
从历史上看，机器视觉和人工智能(AI)是密切相关的。卷积神经网络(CNN)是一种现代人工智能工具，其灵感来自于我们的大脑感知视觉信息的方式。第一个卷积网络是为了解决手写数字数据集的图像识别问题而开发的。结果令人惊讶，证明了人工智能机器视觉轻松超越了当时存在的所有其他方法。
如今，人工智能已不仅仅局限于图像识别，它也被用于更复杂的任务，如对象检测和实例分割。人工智能可以使用任何机器视觉系统的输入，无论是激光雷达、传统相机还是高光谱相机。机器视觉开发人员的角色是收集和准备输入数据，选择适合特定任务的模型架构，并训练模型以优化其性能。
AI机器视觉的优势:
●很容易发现人类观察者看不到的趋势和模式。
●模型直接从数据中学习
●应用范围广
AI机器视觉的缺点:
●时间密集:数据需要由人来收集和标记，这可能是时间密集的。
●泛化错误:在新的、不可见的数据样本上执行相同的任务将需要重新训练模型。
●难以解释:大多数人工智能算法不容易被人工操作人员解释，这使得错误分析更加困难。
●资源密集型:使用先进算法的AI机器视觉将需要多个GPU单元。
人工智能机器视觉的一个很好的例子食品分拣机。利用先进的机器学习算法，以帮助优化管理食品分类过程中的光学分类能力。相比较传统检测，通过这些算法，检测或识别新产品效率更高、更直观，而且很容易在线调整相关应用。
该算法可以识别在蔬菜收获过程中进入机器的危险异物，如石头、金属或玻璃等。其次，它监控产品质量，剔除坏的和不好的蔬菜。实践证明：这两项任务都以生产运行的速度实时执行，并顺利地集成到生产流水线中。
总之，机器视觉是一项强大的技术，能够解决工业生产中一下棘手的问题。在本文中，我们只列举了这三种常见的机器视觉技术，其它的机器视觉技术我们将在后续继续为读者分享。
本文仅做学术分享，如有侵权，请联系删文。