机器视觉与数字图像处理教程 课件 第1章 机器视觉技术概述

机器视觉概述

视觉概述视觉概述视觉不仅是生理功能，也是认知世界的重要途径，涉及到光的感知、信息提取和处理及环境认知。视觉是人类通过眼睛接收光线刺激，进而在大脑中形成对外界物体形状、色彩、亮度和运动等特性的感知。古代对视觉的理解朴素阶段原始人类利用视觉寻找食物、躲避危险、识别同类等基本生存需求。中国古代对视觉的研究小孔成像：墨子与《墨经》中的光学实验，沈括和赵友钦对小孔成像的深入研究与系统论述；冰凸透镜成像：西汉刘安在《淮南万毕术》中提出的论述，“实验图像学”的开端。古希腊时期的视觉理论流射说（德谟克利特与柏拉图等），该理论认为，“视觉是由眼睛发出的光线实现的”。进入说（亚里士多德与开普勒等）：视觉是通过来自外部世界的各种物质或光线进入眼睛而形成的。机器视觉发展历程机器视觉发展历程机器视觉早期发展1957年，美国国家标准局的拉塞尔・柯希创造了世界上第一张数字图像；1977年，麻省理工学院AI实验室的大卫・马尔提出的视觉计算理论，将视觉信息处理视为一个多级、自下而上的分析过程；1981年，通用汽车的Consight成为首个投入生产的机器视觉系统，实现了每小时最多处理1400件不同铸件的能力。01标准化进程与应用领域的扩展美国制造工程师协会（SME）机器视觉分会和美国机器人工业协会（RIA）自动化视觉分会对机器视觉进行了定义；20世纪80至90年代的研究热潮，特别是数字图像处理理论体系的丰富，使机器视觉技术进入快速发展期；2000年自动成像协会（AIA）推出CameraLink标准，提升系统搭建灵活性和效率。02机器视觉发展历程网络化及高速性发展2006年AIA提出GigEVision标准，规范了视频和图像数据的网络传输方式，推动了机器视觉技术的网络化发展；2010年以来EmergentVisionTechnologies的创新产品线：10GigE、25GigE、100GigE摄像机；高速传输能力满足了更为复杂和苛刻的工业场景需求。人工智能时代0304以深度学习为代表的人工智能技术为机器视觉带来了全新的活力和变革；深度学习是机器学习的一个分支，基于人工神经网络（尤其是深度神经网络）模拟人脑处理数据的方式；卷积神经网络CNN通过多层非线性变换自动提取数据的层次化特征，实现端到端的学习与预测。改革开放初期，我国工业自动化水平较低，机器视觉技术几乎空白，核心硬件依赖进口；中科院自动化所、清华大学、浙江大学等高校率先开展视觉技术研究；基于深度学习的目标检测、缺陷分类、异常检测成为主流；自主可控的视觉软件平台逐步替代国外产品；“十四五”智能制造规划明确支持机器视觉关键技术攻关。我国机器视觉技术发展历程起步阶段（1980s–1990s）---技术引进与初步探索高速图像采集多接口兼容性发展期（2000–2010年）---产业萌芽与标准建设腾飞期（2011–2020年）---国产化突破与行业爆发创新引领期（2021至今）---智能化与生态构建CameraLink、GigEVision等国际标准逐步引入，推动设备兼容性提升，出现首批机器视觉系统集成商（如凌云光、华睿科技）；“十一五”规划将智能制造列为发展重点；国产CMOS传感器、高速相机、智能相机逐步成熟，海康威视、大华股份等龙头企业崛起，3C电子制造全面采用机器视觉进行精密检测；中国机器视觉产业联盟（CMVU）成立，推动行业规范；机器视觉技术特点易于信息集成

自动化程度高减少人工、提升效率，实现无人化生产速度快、信息量大高精度、高准确性高适应性和持续性非接触式测量高吞吐、多维度分析，适配高速产线

微米级检测，结果可靠，保障产品质量环境适应强，长期稳定，降低运维成本无损、安全、灵活，适用于敏感材料数据互联，智能决策，推动数字化工厂机器视觉系统及其组成机器视觉系统机器视觉系统是利用光学成像设备和计算机算法，自动获取、处理并分析图像信息，实现对物体的检测、识别、测量和定位等功能的技术系统。机器视觉技术是一门涉及人工智能、神经生物学、心理物理学、计算机科学、数字图像处理、模式识别等诸多领域的交叉学科。图像采集系统图像处理与分析单元工业相机（面阵/线阵、黑白/彩色、2D/3D）镜头（定焦、变焦、远心镜头）光源（LED环形光源、同轴光源等）图像采集卡（或嵌入式处理器）视觉软件平台机器视觉系统核心组成通信与集成接口GigEVision、USB3Vision、CameraLink支持与MES、SCADA、ERP系统对接控制与执行系统PLC、机器人控制器、伺服系统实现检测结果的反馈与动作执行

机器视觉系统主要功能识别是机器视觉系统的核心功能之一，它通过分析处理后的图像特征，识别出图像中的目标对象或模式，包括目标物体识别与分类、条形码识别、光学字符识别（OCR）。机器视觉系统主要功能识别高速图像采集多接口兼容性测量功能是机器视觉在精度和效率方面的体现，通过高分辨率的相机和先进的图像处理算法，机器视觉可以实现亚微米级的测量精度，满足高精度生产的需求。测量多接口兼容性检测功能是机器视觉在产品质量控制和安全监控方面的重要应用，以检测物体的形状、缺陷、生产过程中的异常，并实现产品分类、计数、判别及完整性检测等。检测定位要求机器视觉系统能够获得目标物体二维或三维的位置信息，即从采集的图像中确定目标物体的位置坐标和旋转角度；引导是在视觉定位的基础上，将计算出的目标位置信息实时发送给机器人或运动控制系统，引导其精确执行抓取、装配、焊接等操作。定位和引导

机器视觉典型应用机器视觉赋予了机器“看”的能力，进而辅助或替代人类完成各类复杂任务，大大提高了生产效率和产品质量，成为智能化升级的关键支撑技术。目前，机器视觉技术已经被广泛应用于工业、农业、交通、医疗等多个领域。机器视觉典型应用通过高分辨率摄像头和深度学习算法，机器视觉系统可实时检测生产线上的产品缺陷（如裂纹、划痕、尺寸偏差），检测精度可达微米级，显著降低人工漏检率并提升良品率。工业检测与自动化产品质量检测结合3D视觉引导技术，机器视觉可精准定位零部件位置（误差小于0.1mm），指导机械臂完成复杂组装任务，如电子元件贴装或发动机零部件装配，大幅提升生产效率和一致性。精密定位与装配利用多光谱成像和模式识别技术，系统可快速分类不同材质、颜色的物品（如物流包裹或食品分选），并优化包装路径，实现每小时处理上千件物品的高吞吐量。自动化分拣与包装汽车制造行业

机器视觉技术在汽车制造领域中的应用几乎无处不在。消费电子行业手机屏幕缺陷检测（划痕、亮点、黑斑）螺丝缺失/浮高检测FPC（柔性电路板）对位贴合高分辨率、微米级精度、高速响应半导体行业晶圆检测表面颗粒、划痕、图案缺陷检测；层间对准精度测量（Overlay）；自动缺陷分类（ADC）。封装测试引线键合（金线）检测；封装体外观缺陷识别；字符激光打标识别（OCR）。未来发展趋势仅能获取物体的平面信息（X,Y坐标、颜色、纹理），无法感知高度、深度、体积、曲面形态。2D视觉的局限性3D机器视觉通过获取物体的三维点云数据（X,Y,Z+颜色/强度），重建物体的空间形状与位置。真实还原空间结构支持复杂姿态识别实现高精度三维测量与引导3D机器视觉的兴起——感知维度的跃升机器视觉技术从2D向3D发展自适应模型优化通过引入元学习和神经架构搜索技术，视觉系统可动态调整网络结构与超参数，在半导体检测中实现缺陷分类准确率提升15%-20%，同时降低模型迭代周期50%以上。深度学习融合小样本学习突破结合对比学习和迁移学习算法，使系统仅需50-100张标注样本即可建立高鲁棒性检测模型，显著降低汽车制造中新型零部件质检的数据标注成本。多模态预训练架构构建视觉-语言联合大模型（如VisionTransformer变体），在智慧物流场景实现产品识别、属性分析、价签核对的端到端处理，错误率较传统方法下降40%。融合多波段探测技术捕捉物体发出的红外辐射，生成热图，反映表面温度分布。非接触测温；实时监测热异常；适用于黑暗环境；

红外成像利用X射线穿透物体，不同材料对射线吸收率不同，形成内部结构图像。穿透能力强；可检出内部缺陷；适用于金