點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

在比利時的一間溫室中，有臺小型機器人，它穿過生長在支架托盤上的一排排草莓，利用機器視覺尋找成熟完好的果實，然后用 3D 打印的爪子把每一顆果實輕輕摘下，放在籃子里以待出售。如果感覺果實還未到采摘的時候，這個小家伙會預估其成熟的時間，然后重新過來采摘

這有趣的畫面是比利時公司 Octinion 的一場實驗，它認為，這套系統(tǒng)能夠取代傳統(tǒng)的草莓種植和收割模式。在加州，嚴格的移民政策加上豐富的經(jīng)濟環(huán)境令移民農(nóng)場工的數(shù)量不斷減少，而本地工人也不想干這種工作，這導致草莓種植者很難找到工人來采摘水果。在英國，英國脫歐使農(nóng)業(yè)工作對東歐工人的吸引力下降，而這些工作此前大多被他們承包。如今，大多數(shù)發(fā)達國家都面臨著類似的農(nóng)業(yè)勞動力短缺的挑戰(zhàn)。

Octinion 公司開發(fā)的這臺機器人可每五秒鐘摘一顆草莓，而人類的速度要稍快，平均每三秒摘一個。

" 我們要略慢一點，但在經(jīng)濟上我們是有利可圖的，因為每個果實的成本是類似的。" 科恩說。

Octinion 基于成本約束、以及其他采摘草莓的要求開始設計這臺機器人。比如，草莓的莖在采摘時不應留在果實上，因為它會在籃子里刺破其他的草莓。當果實開始包裝時，更紅的一面應該放在上面，以吸引消費者。機器人的視覺系統(tǒng)能夠完成這項任務。

這臺機器人的設計目的是為了與 " 桌面 " 生長系統(tǒng)配合，即草莓生長在一排排托盤上，而不是田野里，因為這是行業(yè)正在發(fā)展的方向。在歐洲，溫室種植草莓已經(jīng)成為一種標準方式，生產(chǎn)的草莓大多出口到了美國。Driscolls 等主要生產(chǎn)商已經(jīng)開始轉(zhuǎn)向托盤生長系統(tǒng)，因為架高種植要更便于機器人或人類采摘。Driscolls 一直在開發(fā)另一個草莓采摘機器人，但它總會把草莓割傷。而 Octinion 的機器人則會計算是否會擦傷草莓，如果會則不摘。

除了更便于采摘，托盤生長系統(tǒng)還更節(jié)水，因為系統(tǒng)只需澆灌草莓周圍少量的土壤即可，并且單位面積產(chǎn)量更高。

在工業(yè)領域，機器視覺技術(shù)也已經(jīng)應用于工業(yè)自動化系統(tǒng)中，以取代傳統(tǒng)上的人工檢查來提高生產(chǎn)質(zhì)量和產(chǎn)量。從拾取和放置、對象跟蹤到計量、缺陷檢測等應用，利用視覺數(shù)據(jù)可以通過提供簡單的通過失敗信息或閉環(huán)控制，來提高整個系統(tǒng)的性能。

視覺的使用并不僅僅在工業(yè)自動化領域，我們也看到了相機在日常生活中的大量應用，例如用于計算機、移動設備，特別是在中。攝像頭僅僅是在幾年前才被引入到汽車中，但是現(xiàn)在汽車中已經(jīng)配備了大量攝像頭，以為駕駛員提供完整的360°車輛視圖。

機器視覺檢測可以改善自動化設置。集成的機器人解決方案可以快速輕松地提供機器視覺檢測的優(yōu)勢。但是，即使技術(shù)有所改進，視覺也是機器人技術(shù)的一個比較“棘手”的問題。

機器視覺檢測系統(tǒng)最常見的功能是檢測已知物體的位置和方向，在完善硬件、程序和算法設置等環(huán)節(jié)之外，也需要充分考量照明、背景等因素。

如果有過在低光照下拍攝數(shù)碼照片的經(jīng)驗，就會知道照明至關(guān)重要。糟糕的照明會毀掉一切。成像傳感器不像人眼那樣適應性強或敏感。如果照明類型錯誤，視覺傳感器將無法可靠地檢測到物體。有各種克服照明挑戰(zhàn)的方法。一種方法是將有源照明結(jié)合到視覺傳感器本身中。其他解決方案包括使用紅外照明，環(huán)境中的固定照明或使用其他形式的技術(shù)，例如激光。

球體是計算機視覺檢測的簡單對象。如果使用模板匹配算法可能只是檢測它的圓形輪廓。但是，如果球被壓扁，它會改變形狀，同樣的方法將不再起作用，這就是變形。它會導致一些機器視覺檢測技術(shù)遭遇相當大的問題。鉸接類似，是指由可移動關(guān)節(jié)引起的變形。例如，當您在肘部彎曲手臂時，手臂的形狀會發(fā)生變化。各個鏈接（骨骼）保持相同的形狀，但輪廓變形。由于許多視覺算法使用形狀輪廓，因此變形和鉸接會使得物體識別更加困難。

機器視覺檢測系統(tǒng)最常見的功能是檢測已知物體的位置和方向。因此，大多數(shù)集成視覺解決方案通常都克服了這些挑戰(zhàn)。只要整個物體可以在攝像機圖像內(nèi)被查看，檢測物體的位置通常是直截了當?shù)摹ＴS多系統(tǒng)對于對象方向變化的檢測非常靈敏。但是，并不是所有的方向都是易于檢測的。雖然檢測沿一個軸旋轉(zhuǎn)的物體是足夠簡單的，但是檢測物體的3D旋轉(zhuǎn)則更為復雜。

圖像背景對物體檢測有很大的影響。舉一個極端的例子，對象被放置在一張紙上，在該紙上打印同一對象的圖像。在這種情況下，機器視覺檢測設置可能無法確定哪個是真實的物體。完美的背景是空白的，并提供與檢測到的物體良好的對比。它的確切屬性將取決于正在使用的視覺檢測算法。如果使用邊緣檢測器，那么背景不應該包含清晰的線條。背景的顏色和亮度也應該與物體的顏色和亮度不同。

遮擋意味著物體的一部分被遮住了。在前面的幾種情況中，整個對象出現(xiàn)在相機圖像中。遮擋是不同的，因為部分對象丟失。視覺系統(tǒng)顯然不能檢測到圖像中不存在的東西。有各種各樣的東西可能會導致遮擋，包括其他物體、機器人的部分或相機的不良位置。克服遮擋的方法通常涉及將對象的可見部分與其已知模型進行匹配，并假定對象的隱藏部分存在。

在某些情況下，人眼很容易被尺度上的差異所欺騙。機器視覺檢測系統(tǒng)可能被他們弄糊涂了。想象一下，你有兩個完全相同的物體，只是一個比另一個大。想象一下，您正在使用固定的2D視覺設置，物體的大小決定了它與機器人的距離。尺度的另一個問題，也許不那么明顯，就是像素值的問題。如果將機器人相機放置得很遠，則圖像中的對象將由較少的像素表示。當有更多的像素代表對象時，圖像處理算法會更好地工作，但也存在一些例外。

不正確的相機位置可能會導致以前出現(xiàn)過的任何問題，所以重要的是要正確使用它。嘗試將照相機放置在光線充足的區(qū)域，以便在沒有變形的情況下盡可能清楚地看到物體，盡可能靠近物體而不會造成遮擋。照相機和觀看面之間不應有干擾的背景或其他物體。

運動有時會導致計算機視覺設置出現(xiàn)問題，特別是在圖像中出現(xiàn)模糊時。例如，這可能發(fā)生在快速移動的傳送帶上的物體上。數(shù)字成像傳感器在短時間內(nèi)捕獲圖像，但不會瞬間捕獲整個圖像。如果一個物體在捕捉過程中移動太快，將導致圖像模糊。我們的眼睛可能不會注意到視頻中的模糊，但算法會。當有清晰的靜態(tài)圖像時，機器視覺檢測效果最佳。

?

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~