有效應用機器視覺 提升自動化工作效率

機器視覺系統需要根據拍下的影像性質來配置，相機的解析度是非常重要的關鍵。Wikimedia

實現智慧工廠需要的自動化科技類型繁多，機器視覺堪稱是其中的關鍵。因為機器人作為產線設備自動化應用的要角，機器視覺對機器人而言，猶如人類的眼睛，除了可有效幫助機器手臂提高對精度的誤差及抓取不規則物體的能力，更可以透過大數據的分析，將運動控制的過程及結果，做成各種有意義的數據，機器手臂與機器視覺的完美結合，將是實現智慧工廠的重要推手。

機器視覺系統的運作

機器視覺系統主要由影像擷取、影像處理分析、輸出或顯示三部分組成。目前絕大多數的機器視覺系統主要的應用在檢測方面，包括用於提高生產效率、控制生產過程中的產品品質、採集產品資料等。

機器視覺系統的組成元件包括相機、影像擷取卡、照明單元、光學元件與鏡頭、處理器、軟體及顯示裝置等。簡單的機器視覺系統可以識別2D或3D條碼，更複雜的系統可以確保檢測的元件滿足特定的容差要求、組裝正確、沒有缺陷。

雖然目前已有整合機器視覺照明、影像捕捉及處理等功能的智慧相機，可以為針對閱讀條碼或檢測部件是否存在等自動化視覺任務，提供相當經濟的解決方案，但如果有更複雜或要求更高速度的任務，仍然需要額外的處理能力。採用何種支援軟體以及相機如何連接到外部設備，也是機器視覺系統整合過程需要注意的重點，才能針對機器視覺所捕捉的影像進行有效分析。

照明單元對機器視覺的精確度，也會有非常明顯的影響。正確的機械視覺照明系統，能以高對比重複捕捉影像特徵。如果照明的配備不正確，機器視覺系統的成功率、可靠性、可重複性和易用性，都會處於較大的風險中。

LED照明目前已開始替代目前常用於機器視覺系統中的螢光燈、光纖鹵素燈及氙氣閃光燈光源，因為LED照明具有更高的一致性、更長的使用壽命和更好的穩定性。此外，LED照明還可以提供各種各樣的色彩並能選通發光，在高速機器視覺應用時會非常有用。

如果某個應用要求使用彩色相機，就需要白光照明待檢測的元件。如果需要區分待檢測元件的顏色，則白光需要在整個波長範圍內產生平等光譜(equal spectrum)，以便分析圖片中的顏色。但透過黑白單色相機，其實也可以識別圖像中的顏色，但這種方法需要選擇合適的燈光照明圖像。

因此為機器視覺系統找到顏色正確的照明光源，對能否捕捉正確影像影像甚鉅。為了使該影像能呈現出最佳的對比度，最好的方式是使用綠色光，因為綠色是紅色的互補色。這種對比可以被單色相機輕鬆地識別出來。如果為了濾掉紅色，則最好採用紅色光照亮物體。如果影像本身是五光十色，並且不需要識別其中的任何一種顏色，白光照明是更合適的選擇。

目前的機器視覺系統影像處理演算法，已可用於解決各種各樣的任務，如邊緣檢測、光學特性識別及幾何模式匹配。若要將一個元件從其他元件中區分出來，可以使用相對簡單的功能，如邊緣檢測演算。如果需要精確地檢測出元件的位置，則需要執行幾何搜索或BLOB分析。若要以高速檢測元件上的缺陷，需要用到對比分析或模型圖像匹配算。如果需要將缺陷歸類並檢測，BLOB分析或邊緣分析可以測量缺陷參數，並將其與已知的正常參數進行比較。

建立機器視覺系統的考量重點

一般而言，對製造過程要求精密度愈高的產業或技術，對機器視覺的需求也愈高，如電路板印刷、電子封裝、SMT表面黏著、電子電路焊接等，均需要使用機器視覺技術，除了可以逐漸提高生產的效率水準外，也可以避免讓有問題的產品銷售到消費者手中，有效維護企業口碑。

此外，機器視覺也可以在危險工作環境及人工視覺難以滿足要求的場合內有效運用，保護工人安全。透過機器視覺還可蒐集更多的檢測資訊，不僅可提高設備的使用效率，對調整產線、提升產品良率也有相當大的貢獻。

建立機器視覺系統，首先要根據系統工作要求來進行配置，如是要擷取運動物體圖像還是靜止物體圖像。一般來說，運動物體可以選擇CCD相機，較能滿足高精度的需求，但由於CMOS相機成本比較低，被使用的範圍也較為廣泛，業者可根據實際需求進行選擇。

其次則是要根據機器視覺系統拍下的影像性質來配置系統，對於清晰度要求比較高的圖像，自然要選擇解析度較高的相機，反之則選擇解析度較低的。一般而言，機器視覺系統的影像輸出主要分為兩種形式，一是機器自身識別、一是設備輸出識別。這兩種形式對工業相機的配置都有不同需求，前者可單獨考慮相機解析度，後者則需要同時考慮相機的解析度和輸出設備螢幕解析度。

機器視覺系統可能碰到的困難

雖然在工業生產領域，機器視覺系統可以提升產品的檢測速度和檢測品質，但在應用時仍須要克服視覺定位、測量、檢測和識別等諸多難題。

首先在打光的穩定性方面，機械視覺應用一般分成四大類：定位、測量、檢測和識別，其中測量對光照的穩定性要求最高，因為光照只要發生10-20%的變化，測量結果將可能偏差出1-2個畫素，一旦影像的邊緣位置發生變化，即使再厲害的軟體也解決不了問題。

此時就必須從系統設計的角度，排除環境光的干擾，同時要保證主動照明光源的發光穩定性。提升相機解析度也是提高精度，抗環境干擾的一種辦法。

在工件位置的一致性方面，機器視覺所測量的項目，無論是離線檢測，還是線上檢測，第一步工作都是要能找到待測目標物。當待測目標物出現在拍攝視場中時，機器視覺系統要能精確知道待測目標物在哪裡，但即使使用一些機械夾具，也不見得能保證待測目標物，每次都會出現在同一位置的，這就需要用到定位功能，如果定位不準確，測量結果有時就會有較大偏差。

在標定應用方面，在高精度測量時需要做以下幾個標定：第一，光學畸變標定如果不是用軟體鏡頭，一般都必須標定；第二，投影畸變標定，也就是因為安裝位置誤差代表的圖像畸變校正；第三，物像空間標定，也就是具體算出每個畫素對應物空間的尺寸。

目前的標定演算法都是基於平面來標定，如果待測量的物理不是平面，就會需要作一些特種演算法來處理標定。有些標定因為不方面使用標定板，也必須設計特殊的標定方法，不一定能通過軟體中已有的標定演算法全部解決。

在物體的運動速度方面，如果被測量的物體不是靜止的，就一定要考慮運動模糊對影像精度，目前靠軟體是無法解決的。由於運動速度快慢與檢測能力是成反比的，運動越快檢測的品質效果相對較差，因此提高運動精度和檢測細節特別重要。

最後是軟體的測量精度，由於軟體的精度只能按照1/2—1/4個畫素考慮，最好按照1/2，而不能像定位應用一樣達到1/10-1/30個畫素精度，因為測量應用中的軟體能夠從影像上提取的特徵點非常少。