机器视觉检测典型案例，如何在工业自动化生产中进行无缝连接？

首先，机器视觉和计算机视觉是两个不同的概念，机器视觉侧重工程的应用，强调实时性、高精度和高速度；而计算机视觉cv侧重理论算法的研究，强调理论，由于理论的研究发展速度往往快于实践应用，因此计算机视觉的很多技术目前还难以应用到机器视觉上，二者有交集有融合，但在具体应用方面还是有些许不同。

回到机器视觉检测的案例上来说，在工业应用领域，通常需要对待检测物料的检测精度、检测速度、检测场景的复杂性等有诸多要求。

一套机器视觉的检测系统通常需要包括图像采集系统，进料系统，检测系统，控制系统，分拣系统、光源等几大类：

图像采集系统一般指包含CCD、CMOS等工业相机的图像采集硬件、驱动软件以及采集后的图像进行存储、传输给上位机的软件系统。

进料系统主要是将待检测的物料供给给图像采集系统的一个传输装置，通常需要和下位机的控制程序进行对接，以合适的速率供给到图像采集系统。

检测系统在合适的光源配合下，通常在一个密闭的装置内（以减少环境光的干扰），以传统的图像检测算法（一般包括测量、检测、识别、定位等）对物料进行测量计算。近些年来，随着人工智能、机器学习和深度学习的不断发展，可以构建深度神经网络(如卷积神经网络等)来学习简单特征、建立复杂特征、学习映射并输出，训练过程中所有层级都会被不断优化。在具体的应用上，例如自动ROI区域分割；标点定位，通过YOLO、SSD等定位方法，可以快速定位目标物件，大大提升检测系统的鲁棒性。

控制系统则负责整个系统的衔接，是整个机器视觉系统的传输控制中枢纽带。拿检测物料瑕疵为例，经过了检测系统的检测判定，控制系统会根据判定结果发送对应的指令给分拣系统。

分拣系统会根据控制系统的指令，驱动电机控制相关触动装置（如机械臂）去分拣物料。

这样整个视觉系统从进料到分拣系统出料，就形成了整套流程的一次处理。

根据早些年从业经验，业界借助于NI公司的Machine Vision Builder，Machine vision assistant可以很好的构建整个机器视觉检测系统，串联整个pipeline，大大减少人工检测/分拣的成本，近年来随着人工智能深度学习技术的发展，可大大提升检测质量和检测性能效率。

未来机器视觉系统的发展和进化，一方面是从硬件产品更新迭代，另一方面从软件技术、算法发展协同进步才能获得巨大提升空间。

某医药生产企业是一家专门从事生物医用材料研发和生产的国家级高新技术企业，其最新开发的止血愈疮纱产品市场反馈良好，订单量持续增长。这一利好趋势却给该企业的生产带来了压力，为满足市场需求，该企业扩招了25名工人，希望以此提高产能。然而，工人招进来了，产能却没有明显提升，不仅如此，还出现了一系列质量问题，药片裁切大小不一、漏装等问题频繁发生，显然，无法通过简单地增加劳动力来解决产能问题，于是，企业尝试升级传统生产线来解决此问题，找到了工业互联网服务商——容商天下。

容商天下的专家团队对该企业进行了实地调研，并制定了改造方案。在场地有限的前提下，为保证速度的同时减少空间占用，方案选定了SCARA机器人替换人工。通过加装5台SCARA机器人、5套视觉设备、1套视觉处理系统实现整条产线的自动化改造：

①用裁切机替代人工切割原材料，确保药片大小均匀；

②用容商天下独创的AVPS视觉处理技术代替肉眼判断，筛选合规药片；

③利用3D空间视觉定位技术感知药片的位置、方向及中心点，精准抓取并自动对标铝箔盒的空格位置，完成装填；

② 用视觉分析技术进行质检，发现漏装及时预警并停机，确保产品质量。

项目实施后，该企业成功实现了包装、检测自动化，替代人工15名，节省人工成本120万，生产效率提升50%，产品质量提高至99%。值得一提的是，整条产线仅用一套视觉系统即可控制所有设备，不仅节省实施成本，还支持产线无限延伸，满足企业未来发展需求。