机器视觉之路

        机器视觉是将计算机科学、光学、机械工程、工业自动化等多个学科集合起来应用于汽车工业、农业、交通、医药、包装、军事等多个领域的新兴技术，有着广泛的应用前景和潜力。随着计算机硬件的不断升级，也使得机器视觉系统的性能有了很大的提升，检测范围和检测能力都在横向、纵向上不断延伸。机器视觉与计算机视觉有着区别，各自专注点不同，与图像处理也有差异，它们之间有着如下的关系：

        Computer vision: 计算机视觉，关注计算智能、机器学习、认知视觉、数学统计、几何分类等；

        Machine vision:  机器视觉，专注自动机器人视觉、信号处理、物理光学等；

       Image processing: 图像处理，涉及图像处理、智能相机、神经分类学、生物视觉等

       自从自己选择模式识别与智能系统这个研究方向以来，从事机器视觉的学习和工作已有六年有余，从最初的计算机图形学、数字图像处理、模式识别、小波分析、数学形态学、神经网络等以理论为基础的学习，到面阵相机、采集卡、镜头、光源、线阵相机、图像采集、图像处理、图像传输、踢废控制等以硬件和编程系统为实践的工作，再到整个机器视觉在线检测系统、离线检测系统、多相机视觉检测系统等等一个个实际项目，对整个机器视觉有着浓厚的兴趣和特殊的理解。

        机器视觉检测系统涉及到很多环节，比如首先是根据检测需求和检测环境，设计检测速度和检测精度，在此基础上研究拍摄方式、安装方式以及视场、角度等采图需求，设计支架，根据触发方式设计信号；接下来就需要根据项目需求和预算选择合适的相机（面阵还是线程，采集分辨率、帧率、防尘、放水等）、跟选择相机相匹配的镜头（焦距、物距、光学厚度等）、光源（形状、颜色、亮度、寿命、频闪等）、采集卡（接口、传输速率、传输距离等）、编码器、处理器（基于PC，还是智能相机）；然后需要设计结果处理方式（剔除、打标、控制其它工艺，或者只是测量得出结果等），根据采图方式和处理设计电气控制；与此同时，就需要开始设计检测软件了，主要分为采集图像部分、图像处理部分、结果处理部分，如果需要C/S架构，那么还需要有传输部分。通常来讲，软件除了显示采集图像外，还应该有采集信息、信号信息和检测信息，这样有助于分析检测系统运行性能。

        在开发阶段完成后，就需要进行测试阶段，结合现场环境和现场产品进行整体测试。这里面包括采集图像测试，图像质量是否符合检测需求，相机曝光是否合适，触发信号是否正确等等；检测图像测试，检测的正确性，缺陷产品是否都能检测出来，哪些缺陷不能检出，检测速度是否满足需求等等；结果处理的测试，踢废的正确性，能否响应快，结果显示是否正确等等。通常来讲，图像的质量直接影响到检测效果，因此图像质量要求很高；图像处理的效率直接影响到检测速度，因此算法设计也要求高效。在测试阶段尽量暴露问题，针对问题进行改进和完善。

      在系统能正常运行之后，就需要进行培训了。培训是个不容忽视的环节。视觉检测系统的操作员能力也会影响到整个系统的运行性能和检测效果，当然，检测系统的操作环节设计需要尽量简洁、直观，操作方便，报警及时准确等等。除此之外，就是培训，操作员对整个机器视觉检测系统的理解有助于对质量的把控。培训除了需要详细讲述检测系统的操作之外，还需要普及机器视觉检测知识，包括检测原理，与人眼检测的区别，硬件知识，包括相机、镜头、采集卡和光源等等。机器视觉对于很多工厂的操作员来说很陌生，那么在应用机器视觉检测系统和推广到其它领域时，都需要将机器视觉相关知识传播到该行业和领域。通过培训，让更多的人了解机器视觉的能力，知晓在生产环节对质量有着苛刻的要求。

      随着制造业的蓬勃发展，人力成本的上升和客户对质量的苛求，使得机器视觉在不同行业有了用武之地，比如印钞、印刷、制药、纺织、汽车、交通、日常生活等等，都在引入机器视觉系统。相信这个趋势会越来越广阔，应用平台和层次会不断拓展，机器视觉之路会越走越宽，也越走越远。

     驻足回首从事机器视觉应用的那些岁月，有过泪水，几许欢乐，有过收获，点滴真情；那人，那事都留在记忆里，勾勒出一幅幅画面，沿着机器视觉的道路绵延。还将在机器视觉里继续追逐，因为机器视觉的进步源自孜孜不倦地追求，我才刚刚上路。。。不知道前方道路几许坎坷，只能简单的拍拍身上尘土，又该上路了。。。