自動化工程師都應(yīng)該了解的3個機器視覺技術(shù)
點擊下方卡片，關(guān)注“新機器視覺”公眾號
重磅干貨，第一時間送達
3D點云-機器視覺
雷達技術(shù)利用無線電波探測和識別遠距離的物體。你可以在許多工業(yè)應(yīng)用中發(fā)現(xiàn)雷達，包括空中交通管制和遙感。同樣的工作原理也適用于激光雷達(光探測和測距)，盡管這種技術(shù)使用的是光脈沖而不是無線電波。
激光雷達傳感器有一個發(fā)射器和一個接收器組成，發(fā)射機發(fā)出光脈沖，當(dāng)這個脈沖遇到物體，會把光反射回接收器。通過測量反射光返回接收器所需的時間，激光雷達可以確定到物體的距離，以及它的速度等運動特性。這些信息可以被映射成一個3D表示，即點云圖像。
激光雷達的優(yōu)點:
●魯棒性:激光雷達適應(yīng)各種天氣和光照環(huán)境。
●深度:激光雷達提供關(guān)于物體距離(三維)及其速度的信息。
●計算能力:與傳統(tǒng)相機相比，激光雷達需要更少的處理能力。
激光雷達的缺點:
●無顏色:激光雷達提供無顏色信息的單通道圖像。
●沒有文本:激光雷達不支持文本識別，因為文本需要非常高的點云密度。
高光譜成像-機器視覺
與其他光譜成像一樣，高光譜成像收集和處理來自電磁波譜的信息。人眼只能感知可見光，當(dāng)光線進入眼睛時，它落在視網(wǎng)膜上，視網(wǎng)膜是位于眼睛后部的最內(nèi)層，由三種類型的光敏感細(xì)胞組成。傳統(tǒng)相機的圖像也是由3個信號(紅、綠、藍)產(chǎn)生的，這3個信號與視網(wǎng)膜中的圖像非常接近。通過將紅、綠、藍三種光組合在一起，相機可以重現(xiàn)多種顏色。
但是電磁波譜比可見光要廣泛得多。光譜的其他部分可以提供有價值的信息。例如，短波長的x射線能夠穿透物質(zhì)并提供物體內(nèi)部結(jié)構(gòu)的視覺圖像。另一個例子是長波紅外輻射，可用于熱感測或夜視。
在機器視覺中，我們可以將光譜中不同部分的信息結(jié)合起來，以擴展傳統(tǒng)相機的功能。為此，我們需要在RGB信號上增加通道。通道的寬度和數(shù)量可以有很大的變化，從幾個(多光譜)到數(shù)百個(高光譜)甚至數(shù)千個(超光譜)通道，波長范圍從熱紅外到紫外。
高光譜成像的優(yōu)點:
●廣泛的功能:高光譜相機揭示了在光譜中看不到的細(xì)節(jié)。
●成像光譜學(xué):高光譜相機將成像和光譜學(xué)結(jié)合起來，使其能夠?qū)⒉牧峡梢暬⒋_定其特性，即提供空間和光譜信息。
●多功能性:高光譜相機可以優(yōu)化特定的應(yīng)用。
高光譜成像的缺點:
●高成本:高光譜相機比標(biāo)準(zhǔn)RGB相機貴幾倍。
●圖像尺寸大:高光譜相機需要顯著的數(shù)據(jù)存儲和處理能力。
●復(fù)雜性:要將接收到的信息調(diào)整為人類可讀的形式，需要額外的處理算法。
高光譜成像有很多應(yīng)用，包括:
●遙感:安裝在衛(wèi)星或無人機上的高光譜照相機從上方收集視覺信息。這可以用于特定的目的，如陸地石油勘探的地表掃描，以及水和海岸管理(如葉綠素含量)。
●工業(yè)應(yīng)用中的質(zhì)量控制:這包括檢測材料缺陷、食品藥品和自動垃圾分類等。
●醫(yī)學(xué)應(yīng)用:在這里，高光譜成像是一種新興的技術(shù)，特別是在疾病診斷和圖像引導(dǎo)的外科手術(shù)。
人工智能-機器視覺
從歷史上看，機器視覺和人工智能(AI)是密切相關(guān)的。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種現(xiàn)代人工智能工具，其靈感來自于我們的大腦感知視覺信息的方式。第一個卷積網(wǎng)絡(luò)是為了解決手寫數(shù)字?jǐn)?shù)據(jù)集的圖像識別問題而開發(fā)的。結(jié)果令人驚訝，證明了人工智能機器視覺輕松超越了當(dāng)時存在的所有其他方法。
如今，人工智能已不僅僅局限于圖像識別，它也被用于更復(fù)雜的任務(wù)，如對象檢測和實例分割。人工智能可以使用任何機器視覺系統(tǒng)的輸入，無論是激光雷達、傳統(tǒng)相機還是高光譜相機。機器視覺開發(fā)人員的角色是收集和準(zhǔn)備輸入數(shù)據(jù)，選擇適合特定任務(wù)的模型架構(gòu)，并訓(xùn)練模型以優(yōu)化其性能。
AI機器視覺的優(yōu)勢:
●很容易發(fā)現(xiàn)人類觀察者看不到的趨勢和模式。
●模型直接從數(shù)據(jù)中學(xué)習(xí)
●應(yīng)用范圍廣
AI機器視覺的缺點:
●時間密集:數(shù)據(jù)需要由人來收集和標(biāo)記，這可能是時間密集的。
●泛化錯誤:在新的、不可見的數(shù)據(jù)樣本上執(zhí)行相同的任務(wù)將需要重新訓(xùn)練模型。
●難以解釋:大多數(shù)人工智能算法不容易被人工操作人員解釋，這使得錯誤分析更加困難。
●資源密集型:使用先進算法的AI機器視覺將需要多個GPU單元。
人工智能機器視覺的一個很好的例子食品分揀機。利用先進的機器學(xué)習(xí)算法，以幫助優(yōu)化管理食品分類過程中的光學(xué)分類能力。相比較傳統(tǒng)檢測，通過這些算法，檢測或識別新產(chǎn)品效率更高、更直觀，而且很容易在線調(diào)整相關(guān)應(yīng)用。
該算法可以識別在蔬菜收獲過程中進入機器的危險異物，如石頭、金屬或玻璃等。其次，它監(jiān)控產(chǎn)品質(zhì)量，剔除壞的和不好的蔬菜。實踐證明：這兩項任務(wù)都以生產(chǎn)運行的速度實時執(zhí)行，并順利地集成到生產(chǎn)流水線中。
總之，機器視覺是一項強大的技術(shù)，能夠解決工業(yè)生產(chǎn)中一下棘手的問題。在本文中，我們只列舉了這三種常見的機器視覺技術(shù)，其它的機器視覺技術(shù)我們將在后續(xù)繼續(xù)為讀者分享。
本文僅做學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪文。