机器视觉 – AYXWORKS Smart Living

VIS-001

什么是机器视觉？什么时候需要人工智能？

机器视觉使用图像或相关的视觉测量来检查、识别、测量或指导过程。它并不总是需要人工智能。稳定的几何形状和良好控制的照明可以通过传统算法有效地处理；当外观对于实际的手写规则变化太大时，学习的模型可以提供帮助。

详细解释、示例与来源

首先定义决策：存在缺陷、尺寸在公差范围内、正确的标签或可用的拾取姿势。然后在添加模型训练之前测试简单的基线。将照明、摄像机放置和零件展示保持在范围内；人工智能无法可靠地恢复图像从未捕获的信息。根据业务和安全后果衡量错误接受和错误拒绝。当安装系统的原因是罕见缺陷时，分类器的整体精度是不够的。

参考资料

延伸阅读

VIS-002

检查或拣选系统应该使用 2D 还是 3D 视觉？

当所需信息在受控几何图形下的图像平面中可见时（例如许多标签、边缘和表面检查），请使用 2D。当高度、形状、体积或物体姿势很重要时，使用深度或 3D 信息。需求来自测量，而不是来自 3D 更高编号的升级。

详细解释、示例与来源

自上而下的标签检查可能不需要深度；从垃圾箱中取出重叠的零件通常是这样。在工作距离测试表面材料、遮挡、视野和所需分辨率。分配时间用于照明、校准和机器人集成，而不仅仅是购买传感器。 3D 系统仍然无法处理透明或反射部件，而简单的 2D 设置可以在正确的任务上胜过它。验证过程输出的最终误差，而不仅仅是相机的标称精度。

参考资料

延伸阅读

VIS-004

为什么照明、校准和坐标系对于机器人视觉至关重要？

照明决定传感器可以观察到的内容，校准将测量结果与模型联系起来，坐标系将相机信息与机器人运动联系起来。其中任何一个错误都会使视觉上令人信服的检测产生不正确的测量或运动。高置信度的人工智能结果不会纠正错误的几何变换。

详细解释、示例与来源

记录相机内在特征、畸变、相机与机器人的关系、工具框架以及每个接口使用的单位。在靠近设备之前验证已知目标的变换方向和时间戳。在整个工作空间的多个位置和方向测试整个链条。更换镜头、相机安装座、工具或固定装置后重新检查。保持校准数据与硬件配置的版本一致，这样机械调整就不会默默地使保存的配置失效。

参考资料

延伸阅读

VIS-005

在生产前我应该如何验证视觉系统？

在未用于调整系统的代表性和困难案例上进行测试。衡量对流程至关重要的错误，包括错误接受、错误拒绝、不确定的结果和失败的收购。验证零件、照明、位置和操作条件的预期变化，而不是一组精选的图像集。

详细解释、示例与来源

分割数据，以便同一零件或生产批次的近乎重复的图像不会在训练和测试之间泄漏。包括带有独立检查标签的损坏、边缘和不熟悉的示例。在启动前定义阈值选择、升级和偏差监控。对于引导机器人，还可以测量姿势和拾取结果，而不仅仅是图像标签。保留版本化的验收数据集，并在模型、光学或照明更改后重新运行它。当视觉输出支持保护功能时，普通模型评估不足以提供足够的安全证据。

参考资料

延伸阅读

VIS-003

检测、分割、分类和异常检测有何不同？

分类为输入分配标签；对象检测定位实例，通常带有边界框；分割标记图像区域或像素；异常检测标记偏离学习或定义的正常模式。选择流程实际需要的输出，而不是使用可用的最复杂的模型。

详细解释、示例与来源

分类门可能只需要一个类别，而抓取器可能需要对象边界和姿势。当缺陷多种多样时，异常检测可能很有用，但高异常分数并不能解释缺陷或证明拒绝是合理的。在收集大型数据集之前定义注释规则和不明确的情况。评估完整的决策路径，包括阈值和不确定输出的处理。更详细的预测可以增加注释和验证工作，但不会改善最终决策。