影响机器视觉识别与定位系统的关键因素

机器视觉在生产制造中主要用在视觉引导，尺寸测量，产品检测，物体识别等几个领域?在这几个领域中，一个最基本的算法就是产品识别和定位，比如视觉引导机器人，要在图像中识别出要抓取的产品，并定位出坐标，才引导机器人到的产品位置。

机器视觉在生产制造中主要用在视觉引导，尺寸测量，产品检测，物体识别等几个领域?在这几个领域中，一个最基本的算法就是产品识别和定位，比如视觉引导机器人，要在图像中识别出要抓取的产品，并定位出坐标，才引导机器人到的产品位置。

尺寸测量，产品检测等也是一样的，在测量和检测之前，首先要知道有没有产品，产品的位置在哪里，才可以应用后续的各种分析工具?因此，产品识别和定位是一个基本问题视觉定位系统组成依托机器视觉的机器人定位系统包含摄像机系统和控制系统。

?其中摄像机系统中包括计算机(具有图像采集卡)、摄像机，主要收集视觉图像，并应用机器视觉算法控制系统包含控制箱和计算机，对计算机末端具体位置完成控制工作区利用CCD摄像机进行拍摄，并使用计算机识别图像，得到跟踪特征，完成数据的计算和识别，借助逆运动学方式获取机器人每一位置的误差，再对高精度末端执行模块进行控制，科学调整机器人的位置和位姿。

视觉定位系统关键因素在工业生产领域，尤其是工业机器人的应用中，视觉识别定位系统显得尤为重要，在实际的生产中，要关注的不仅是能不能准确抓取，同时还要关注到其速度问题，而这一块一直是行业内的问题，我们经常遇到的工业机器人抓取通常速度是比较慢的。

而一旦将速度提升上来，抓取的精度便会产生问题首先是数据量，在较为复杂的生产环境中，系统需要准确找到需要识别定位的产品; 其次是速度，如何在一些标准的生产线将速度提升到ms级别，过往的算法虽然可以在普通发挥作用，但是随着算法不断发展，深度学习算法往往需要搭载更加理想的GPU来实现; 然后便是问题的核心，定位精度，在深度学习系统中，我们看到的图像都是有一定的缩放，我们需要整个系统在原图达到像素精度的匹配; 剩下的就是识别的准确性，在很多情况下，我们能能到的学习数据很少，在这种状态，如何来进一步提高识别的准确性。

视觉定位 面临挑战如果要设计一个可行的产品识别和定位的算法，需要克服几方面的困难：· 快速的指定产品：工业产品千差万别，因此，对于每一个具体的应用，需要从几张，甚至一张图像上，快速指定需要查找的产品，比如当前产线需要定位铆钉的位置，拍一张照片并进行相应的学习，就可以在后续的图像中进行搜索定位。

· 快速的搜索产品：对于一张200万像素的图片，通常要求在几十毫秒的时间可以识别和定位出产品的位置· 高精度的定位：工业生产对精度和公差有严格的要求，因此产品的定位就要力求准确现在普遍要求识别定位算法可以达到一个像素级别的定位。

· 可以适应产品缺失、遮挡、脏污等的影响：如果一个产品被遮挡，导致产品在图像中缺失一定比列，需要依然可以识别定位到物体反之，如果产品表面发生脏污，导致表面的特征发生变化，需要依然可以识别定位· 可以适应光照亮度不均匀的影响：如果产品的亮度发生变化，比如一半亮一半暗，需要依然可以识别定位。

· 可以识别旋转的产品：产品通常可能在360度范围内旋转· 可以识别多个产品：一张图像中可能有多个产品，需要分别识别定位· 可以准确识别接近对称的物体：接近对称的物体很容易别识别成错误的方向，需要进行相应的设计。

· 可以应对物体的极性翻转：比如学习的产品是白底黑字，但是实际上产品图像有可能是黑底白字，需要可以识别（文章来源于中国传动网，如有侵权，请联系删文）

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。