关于机器视觉搭配不同目的嵌入式的方法分享

在智能工厂发展热潮中，从「制」造逐步升级至「智」造，其中的重要关键就在于机器视觉的智能应用与集成效益，尤其在工站区段的产速、良率提升，应用工业用机器视觉模块加以改善，因为摄影设备体积小、高度集成、便于延伸开发，更利于智能制造的弹性应用…

机器视觉在智能工厂应用中扮演极吃重的角色，尤其是在提升工厂的生产效能、因应弹性生产等需求上，机器视觉可有效发挥针对不同工站需求，在智能工厂中执行重要影像辨识、分析与判断等关键功用，在过往中／小型影像系统中，传统采行的工业用影像撷取模块特点是具备高集成度、开发环境与提供完整SDK、体积小巧等，在系统配置上也具备极佳设置弹性优势，因应产速越来越快，机器视觉要求的分析处理效能也越来越高，配置能满足高产速、商品多元化的机器视觉平台极具挑战。

机器视觉配置类型

工业用机器视觉系统，一般会有几种不同设置方案，一种是最常见、早期以工业计算机搭配机器视觉模块集成，也有小型工厂以常规PC主机搭配的方式加以集成，但这种方案常见的问题在于PC配置的空间浪费、设备部署会产生大量线材，造成工站集成的复杂度偏高，而繁复接线也容易造成设备误动作或故障问题。

实际上工业计算机或是PC集成的机器视觉系统仍具后端集成的极佳优势，因为PC或工业计算机本身即拥有丰沛的计算机运算效能辅助，在实时解析撷取图象功用上有足够的效能优势，而工业计算机或是PC在横向扩充可提供更多弹性，对单加工站点的机器视觉模块数量扩增需求，亦具极大优势，甚至于基于x86的运算系统架构，不仅机器视觉模块有更丰沛的开发资源集成，连接前／后端支持系统也能用更弹性、更快速的方式建立系统平台。

x86嵌入式平台机器视觉设备 兼具简化部署、二次开发优势

而另一种机器视觉应用架构为基于DSP+ARM或是其它嵌入式系统平台的机器视觉模块，而这类机器视觉模块为将部分算法、设置在DSP或是部分配置在ARM运算架构上，尤其是有些特定算法(如数码滤波、图象处理)可设置在DSP中，象是处理大量、密集型态的信号处理，在DSP就能有极佳的集成效益，而ARM运算架构可实现如使用者接口GUI、繁复的数学函式、逻辑判断整体应用处理，利用不同运算优势有效在机器视觉模块前端已处理完大量数据与分析判断，而DSP+ARM的方案可改善早期机器视觉模块成本偏高、设备连接辅助的额外设置问题，也能大幅节约配置机器视觉模块的成本。

至于x86嵌入式系统搭配机器视觉模块的集成方案，其实就是前两种方案的高度结合，即机器视觉模块原先需搭配的工业计算机或PC，透过新的集成微缩技术，已经改采极度微缩的嵌入式系统载板直接把系统载板与机器视觉模块高度集成，整个拍摄模块其实就包含了x86硬件运算系统与拍摄模块，这么做最直接的好处就是原先需搭配机器视觉模块的工业计算机、PC，因已被微缩到拍摄模块中，自然衔接线材变成功能载板，现场设置时好处就是机器视觉模块配置可与DSP+ARM形式的机器视觉系统配置同样简洁，却能拥有开发资源丰沛的x86系统平台优势，这也是目前较热门的机器视觉部署方案。

提升机器视觉判读质量 需从多方下手

另一方面，在机器视觉模块上，一般要提升系统判别质量，多数会采取提升拍摄模块的分辨率、画面更新率(frame rate)等，但现实的问题若同时在拍摄模块分辨率进行提升、frame rate也拉高，这会导致运算分析的处理器也必须对应升级，用更高阶的CPU来处理高分辨率与高影格导致的大量数据内容分析，这会牵涉到系统实用性与成本问题，如何在质量／效能与成本取得平衡，是系统开发人员集成初期一定得面对的课题。

从另一个角度观察，对于处理效能有限、仅有单一功能的视觉分析系统固然在配置成本显得较低，但实际上却无法在未来有更好的机器视觉系统扩展性，若要提升系统的未来扩展性，肯定需要再配置更高阶的CPU，透过更强大、多工的运算效能，支持未来更进阶繁复的图象分析与处理任务。

此外，机器视觉模块另一个选用关键在于，当系统开发者在单一工站需要扩充多摄像头协同分析时，应用单一机器视觉模块未能提供多组摄像扩充支持，肯定无法顺畅进行横向扩充应用。

生产环境恶劣 机器视觉设备强度亦需同步提升

而配置机器视觉系统另一个大问题是设置的工厂环境状况并不佳，如金属加工会有切削金属碎屑、粉尘喷溅，饮料包装厂会有液体喷溅，而在工具机系列加工处理环境中，则会有高震动、高粉尘问题影响，机器视觉系统配置在这种环境中，相关设备的环境耐受程度若没有对应升级，可能也会导致设备出现损伤、故障。

对机器视觉系统来说，影像传感器的规格，也是直接影响系统的判读效率、准确度的关键，传感器的尺寸大小面积即左右了机器视觉的影像质量，影像质量提升对检测应用会有最直接的效益，因为传感器尺寸与影像质量好坏，可再进行高速、高阶检测应用时更有效率的检验出瑕疵工件。但在初级检验，例如精度要求不高的螺丝分检、料件分检等工站，导入分辨率、高阶传感器的机器视觉模块也非必要，在初阶的机器视觉应用反而用中／低阶应用模块就可应付所需。

搭配协同处理器优化影响 提升判读画面质量

另在拍摄画面的曝光时间差方面，一般可从滚动快门(Rolling shutter)与全域快门(global shutter)不同画面曝光时间差检视，滚动式快门为利用电子信号在感光元件上进行循序曝光、直到整个画面曝光并记录完成。至于全域快门则是在曝光时为以全幅传感器一次性同时曝光整个传感器画面、并完成画面纪录。

早期摄像机元件模块因为集成处理器的效能有限，大多利用滚动式快门处理曝光画面，以其减少资料处理量、兼顾效用、成本等目的，但滚动式快门在撷取画面容易产生残影问题，因应高产速的机器视觉应用并不合适，至于新一代摄像机元件搭配的画面处理器效能大幅精进，大多应用全域快门进行画面曝光与纪录，使用全域快门的传感器更能达到高速撷取下同时具无残影高正确性影像的使用目的。

在机器视觉整个运行过程，影像会自撷取、分析进而透过分析结果对自动化设备进行判断与执行，影响最终决策质量关键在于最初影像撷取的质量与正确性，但生产环境毕竟在拍摄条件必非完善，例如工件本身的反光问题、工站环境照明、机器视觉镜头质量、辅助光源状态等，系统撷取的影像常会有亮度表现不一致或有暗边等质量问题，也会令影像系统判读质量出现偏差值。

目前多数业者会选择在导出影像给系统分析前，将原始影像先经由协同处理器进行撷取画面的质量优化预先调整，也就是说撷取影像在进入后端系统进行图象解析、判读前已先经过协同处理器协助将画面图象经过质量优化处理，提升整体机器视觉系统的判读质量。一般协同处理器可为FPGA搭配各家自力研发的影像优化算法集成，进行多种图象校正、质量改善等处理。