搜索
机器视觉发展趋势概念•机器视觉是通过计算机来模拟人类视觉功能，以让机器获得相关视觉信息和加以理解。•机器视觉系统的原理是计算机或图像处理器以及相关设备来模拟与人类视觉功能，从客观事物的图像中提取信息进行处理，获得相关视觉信息，并加以理解，最终用于实际检测和控制等领域。•机器视觉是将图像转换成数字信号进行分析处理的技术，涉及人工智能、计算机科学、图像处理、模式识别等诸多领域。应用•随着人工智能时代的演变，机器视觉将更多地出现在新兴领域，比如智能机器人、自动驾驶、人脸识别、安防监控、医疗影像等视觉图像应用中。•现今机器视觉应用领域十分广泛，其中工业占据了主要市场，包括电子制造、汽车、医药、交通和包装机械等工业细分领域。•在现代自动化生产过程中，机器视觉应用已成为生产标配，替代人类完成产品质量检测、工况检测、成品检验、产品分类以及机器人定位等工作，提升生产质量和生产效率。优势•机器视觉具有高度自动化、高效率、高精度和能够适应较差环境等优点，将在我国工业自动化的实现过程中产生重要作用。•机器视觉相对人眼识别的优势十分明显：环境适应性强、长时间工作、精度高、效率高，从而达到节省时间、降低生产成本、优化物流过程、提高生产效率和产品质量、减轻测试及检测人员工作强度、降低不良率等目的。•在工业生产的过程中，机器视觉代替人工已经成为趋势。市场•机器视觉应用渗透各个产业，其中包括工业、农业、医药、军事、航天、气象、天文、公安、交通、安全、科研等领域。•从规模来看，国内机器视觉应用下游中，电子制造、汽车、制药以及包装机械市场份额占比接近70%。其中电子制造行业整体规模最为庞大，而机器视觉在汽车行业渗透率已增至30%。•未来随着消费电子领域需求的爆发、汽车行业与食品行业质检要求的提高、制药行业与印刷行业自动化升级改造提速，机器视觉的渗透率将不断上升，发展空间巨大。国外•2016年全球机器视觉系统及部件市场规模约45.7亿美元，2011-2016年复合增长率10%。预计2018年全球市场规模或达55亿美元。从产业地区分布看，2016年全球机器视觉产业主要分布于德国、美国和日本地区，占比分别为30%、24%和14%。•虽然中国机器视觉起步较晚，但随着全球制造中心向国内转移，市场发展迅猛，已成为继美国和日本之后的全球第三大机器视觉市场。国内•现代工业自动化技术日趋成熟，越来越多的制造企业考虑如何采用机器视觉来帮助生产线实现检查、测量和自动识别等功能，以提高效率并降低成本，从而实现生产效益最大化。机器视觉作为新兴技术被寄予厚望，被认为是自动化行业一个具备光明前景的细分市场。•2017年中国计算机视觉市场规模为68亿元，预计2020年市场规模达到780亿元，年均复合增长率达125.5%。•2015-2017年，仅工业领域，中国机器视觉市场规模分别达到了16亿元、19亿元和26亿元。工业4.0•工业4.0离不开智能制造，智能制造离不开机器视觉。作为人工智能的重要分支之一，机器视觉已然成为实现工业自动化和智能化的必要手段。•随着市场的迅速扩展和技术的迅速成熟，机器人产业迎来了前所未有的良好发展机遇，因此将很大程度上利好机器视觉产业发展。原本以人为主导的生产模式，逐渐向以工业机器人为主导的生产模式转变。工业大国提出机器人产业政策，如德国“工业4.0”、日本机器人新战略、美国先进制造伙伴计划、中国“十三五规划”与《中国制造2025》等国家级政策，皆纳入机器人产业发展为重要内涵，将促使工业机器人市场持续增长，从而带动机器视觉市场发展。智能制造•软硬件技术不断突破，企业将以智造需求为导向加速研发工业视觉解决方案。•目前，机器视觉软硬件技术不断取得突破，以工业相机、图像采集卡、光源及图像处理软件为核心的视觉产品日益完善，并逐渐应用于电子制造、汽车制造、机械加工、包装与印刷等行业。•随着智能制造全面启动实施，各行各业对采用机器视觉的工业自动化、智能化需求日益凸显，市场发展潜力巨大。智慧工厂/无人工厂•企业加速布局机器视觉产业化应用，将以智能视觉为核心推动智慧工厂建设。•目前，机器视觉技术日益成熟，软硬件产品不断丰富，并逐步在工业生产中发挥重要作用。例如，基于机器视觉的检测系统可以对产品进行自动检测并控制产品质量；将具备机器视觉功能的智能化机器人和机械手臂应用于自动化生产线上，能够实现码垛、焊接、涂装、装配等功能；•未来，企业将加速布局机器视觉的产业化应用，重点研发针对具体产业应用的专用视觉系统，并逐步发展为一般通用系统，通过在加工、装配、检测、包装、物流等环节嵌入机器视觉技术，提高系统集成度，推动智慧工厂建设。技术融合•机器视觉与多种技术融合逐步深入，将成为提升产业自动化水平的重要抓手。•机器视觉将融合人工智能、运动控制、信息网络等多种技术，由单一的检测、定位、测量功能向大数据分析、智能控制方向发展。•基于机器视觉的自动化监测、智能控制系统将广泛应用于工业生产各个领域，并主要从中端生产线向前端制造和后端物流环节延伸。机器视觉+深度学习•2018年，机器学习、深度学习等算法能力的增强将促进计算机视觉技术不断突破，谷歌、英伟达、华为、寒武纪等发布的AI芯片产品将进入大批量商用上市阶段，人工智能产业将进一步加深融合。未来发展•未来，人们安全和效率需求不断提升，计算机视觉技术在各行业应用能有效满足人们需求，市场发展空间巨大。•国家政策对人工智能行业的支持也为计算机视觉的发展提供了有利的环境。•随着计算机视觉技术日渐成熟，企业商业化落地能力不断提高，未来计算机视觉市场规模将迎来突破性发展。基于机器视觉的光伏面板缺陷检测系统光伏组件•单体太阳电池不能直接做电源使用。作电源必须将若干单体电池串、并联连接和严密封装成组件。•光伏组件（也叫太阳能电池板）是太阳能发电系统中的核心部分，也是太阳能发电系统中最重要的部分。缺陷类型机器视觉系统构成•图像采集/获取系统---眼睛•图像分析/处理系统---大脑。关键，核心，难点•执行机构---四肢图像采集系统图像分析系统执行机构图像分析结果图像采集系统图像分析系统执行机构图像采集系统•光源•摄像机•图像采集卡•获取待检测目标图像，尽量突出特征•4096*14500像素，24位图像分析系统•计算机、嵌入式处理器•软件算法•图像预处理•特征提取•模式识别图像预处理特征提取模式识别处理后图像特征向量图像预处理•图像增强•图像增强目是针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果的图像处理方法。•图像去噪•图像分割•图像变换特征提取•特征提取的作用是从图像中提取可以描述目标特性的表达量，把不同目标间的差异映射到低维的特征空间，从而有利于压缩数据量、提高识别率。•表面缺陷检测通常提取的特征有纹理特征、几何形状特征、颜色特征等，用多信息融合的特征向量来表示不同类型的缺陷;模式识别•根据提取的特征集来训练分类器，使其对表面缺陷类型进行正确的分类识别。•统计模式识别按其实现方式又分为有监督学习的模式识别和无监督学习的模式识别。•有监督学习的模式识别主要有基于概率统计的分类器、线性分类器、人工神经网络分类器和支持向量机等。人工智能---深度学习•人工神经网络•开源框架Caffe，TensorFlow•卷积神经网络CNN•常用网络模型包括AlexNet、VGG、GoogLeNet、ResNet等训练数据集识别精度损失函数NGOK…………检测结果检测结果谢谢！