资源配置与系统集成 - 机器视觉系统的三大步骤（需求分析资源配置与系统集成）

B、资源配置

机器视觉系统集成时，涉及到多门技术，最基本的系统也需要照明、成像、图像数字化、图像处理算法、计算机软件硬件等，稍微复杂一点的系统还会用到机械设计、传感器、电子线路、PLC、运动控制、数据库、SPC等等。显而易见，要把这么多不同方面的技术和知识组合到1个系统里，使其相互完美配合并稳定地工作，对系统集成人员提出了很高的要求，需要根据具体的需求来确定所需要配置的资源和对策。

B.1机械设计
由于需求不同，对机械部分的要求差别很大，如果是全自动的机器视觉系统，机械部分一般需要完成的功能有理料、输送、定位、剔除、下料等功能，而有的机器视觉系统则只需要适当的固定支架来固定相机、镜头和计算机即可，差别很大。例如，制药生产线上使用的西林瓶灯检机，需要完成理瓶、输送、旋转、刹车急停、相机同步、快速归位、下料、分流剔除等多个动作，而且需要提供多达15个检测工位，以完成液体内部悬浮物、玻璃碎屑、瓶身破损、细菌群落、瓶口封装、瓶底等多项指标的检测，各种机械零件多达上千个，系统非常之复杂；而停车场使用的车牌识别系统的机械部分则非常简单，只需要相机固定和保护等安装配件即可。一般系统集成商不愿意介入特别复杂的机械设计，一方面是因为在用户的观念中，机械设计没有太多的技术含量；另一方面是机械加工周期较长，1个小小的设计错误也会导致返工，时间拖得较长。所以，虽然在很多情形下，机械设计在机器视觉系统中占了很大的比重，而且是关键部分，但投入相对较少，导致整个系统开发过程不顺利。有时候，和制造机械设备的公司合作是最好的选择。需要指出的是，对于需要复杂机械系统的全自动系统，由于大多数系统只能针对特定的产品工作，所以，除非生产量达到一定数量，或者该产品会生产很长时间，一般情况下，半自动系统就足够了。自动系统开发周期长，成本高，生产过程中换型困难，而半自动系统只需要更换1个夹具，重新设置检测指标和合格判据就可以了。

B.2照明光源
这个看似简单的照明系统是机器视觉系统最为关键的部分，直接关系到系统的成败，其重要性无论如何强调都是不过分的。好的设计能够使我们得到1幅好的图像，从而改善整个系统的分辨率，简化软件的运算，而不合适的照明，则会引起很多问题。例如花点和过度曝光会隐藏很多重要的信息；阴影则会引起边缘的误检；而信噪比的降低以及不均匀的照明会导致图像处理阈值选择的困难。在实际应用中，得到场景的图像很容易，但是得到1幅适合机器视觉算法要求的图像则很难，因为被测目标多种多样，形状大小不同，检测指标各异，而且各种材料的反光特性及颜色也不一样，要把所需要检测的特征突显出来，而对不需要的特征加以抑制，并不是简单的任务。这主要通过设计或选择合适的照明光源来解决。针对特定的物体和场景，设计／选取成本低廉、安装简单、照明效果好的照明系统，就是我们搭建机器视觉系统首先需要完成的任务。那么什么样的图像才是好的图像呢?一般说来，1幅好的图像需要满足以下条件：
1、充分利用视场使被检测物体特征充满视场，从而可以最大限度地利用系统的分辨率；
2、对比度合适灰度级的最大值接近255，而最小值接近0；
3、焦距准确 图像没有因为景深或运动而不清晰；
4、照明均匀，避免反光；
5、图像畸变小；
6、感兴趣的特征容易被检测识别，其他特征不显示或得到抑制。如果选择的光源，能使图像达到这些基本的要求，就完成了机器视觉系统集成的第1步。

B.3成像系统
从系统集成的角度，简单列举选择这些硬件的原则。
由于相机镜头和板卡经过多年的发展，目前已经相当成熟，而且在国内市场上，选择的余地也不大，一般是本着经济的原则，够用就好。
选择相机时，我的建议是，如果可能，就用USB接口或1394接口的相机，这样可以省掉1个板卡的费用，以后硬件或软件升级时工作量会小一些。对于高端的应用，除了CameraLink，似乎别无选择。最新开发的GigE接口相机，由于TCP／IP协议Packet传输的特性，在某些场合是不能保证数据的实时性的，但其最大的优点是，数据线距离可以很长，主机可以安装在办公室内，这样现场就只需要适当地安装和保护相机和镜头。镜头的可选择性更少，除了Computar，Nikon，Tamron，Navitar及Moritex几个制造商外，市场上也没有多少选择空间，当然大多数情况下，也就够用了。如果需要更好的成像效果，可以采用单反相机镜头，这样做一般需要转接口。Fujinon在厦门有生产，可是国内市场上未见销售。德国CarlZeiss镜头很好，可惜价格太贵，不太适合中国市场。

B.4计算机系统
机器视觉系统的最佳配置，是使用工控机还是使用嵌入式系统?在这个问题上，见仁见智，各有优缺点，主要还是看使用的场合和系统的需求。2种系统的主要特点见下表：

 

 

通过这些对比可以看出，如果安装空间允许，选择基于工控机的视觉系统还是有更多的优点的。但是，如果现场必须使用体积很小的嵌入式系统，那么我们别无选择。各公司的成熟产品一般都采用了嵌入式主机，例~HKeyence，0mron，Siemens，Cognex等。这更多的是由于商业销售的考虑，因为这样做可以保证自己产品的独特性，给差异化销售找到借口；另一方面可以使用户自己不能更换零件，从而保证售后服务的利润。

B.5图像处理
图像处理作为机器视觉系统必不可少的部分，显得如此重要，以至于很多情况下，初学乍到的人会以为图像处理就是机器视觉。其实，我们所说的图像处理实际包含了图像增强和图像分析2个部分。图像增强是指经过某种处理，使图像改变，实现对比度提高、清晰度增加、特征突出等目的；而图像分析是指经过某种运算，来提取某种有用的信息，如有无、好坏、位置等，以便用来进行判断或控制。例如，如何使模糊的图像恢复到清晰，是典型的图像增强处理，只要得到清晰的图像就达到了目的；在繁忙的机场抓拍过往旅客的面孔，找到可疑恐怖分子，则是典型的图像分析过程。

经过多年的发展，图像增强算法已经基本成熟，例如提高对比度的灰度拉伸、假彩色、边缘提取、滤波、傅立叶变换、小波变换等。在机器视觉系统集成时，这些一般都是在图像分析前作为图像预处理进行的，而图像分析算法才是机器视觉真正需要解决的问题。

通过针对某个真实场景的图像，设计1种算法，来得到有用的信息，完全依赖于技术人员的经验和能力。在这个过程中，公司投入了大量时间和金钱来进行研究，而得到的算法往往具有经济价值，公司或个人都会严格保密。例如，如果机场候机厅里只有1个乘客，那么设计个算法来找到这个乘客的位置，是相对容易的，很多公司或个人都可以实现，而且使用的方法或者计算时间也差不多，而要在成千上万的游客中，找到具有某个特定特征的乘客，就不是那么容易了，各人设计出的算法肯定千差万别，谁能够在最短时间内最可靠地找到目标，就是最有价值的。这种情况下，除了经验之外，灵感和创造能力也很重要。也就是说，作为系统集成所需要的图像处理算法，需要很多的实践经验，而这些算法大多不是能够从书本或文章里学到的。

B.6 自动控制
作为1个子系统完美配合工作中的机器视觉系统，自然会用到光电传感器、数字IO接口、PLC、运动控制等工业控制元器件，这些方面的知识也是必不可少的。虽然如此，这些都是成熟的技术，有基本的知识直接拿来使用就可以了，不需要我们重新设计，而且零件供应商也会提供一定的技术支持。一般在整个系统的开发过程中，这方面花费的时间和精力是最少的。

C、系统集成

明确了我们的需求，估计了我们需要配置的资源，理解了各子系统需要完成的工作，就到了把这些知识综合考虑组成1个整机系统的时候了。把这些不同领域里得到的零部件组合在一起，希冀打开电源时就能够完美的工作，是不太现实的。这个过程里有很多意想不到的问题需要解决。一般情况下，我们需要遵循一定的原则，才能使出现的问题最少。这里根据我们的经验给出一些建议。

1、尽量使用能够采购的零件(off—the—shelfcomponents)：在可能的情况下，应当尽可能使用现成的备件，如镜头、相机、板卡等，能够买到的东西就不要自己做。我已经多次看到不同的公司和研究室为了节省成本，自己设计制造很容易买到的零件，结果浪费了很多时间，走了很多弯路。例如，有1个公司咨询为什么成像效果不好，我去现场一看，他们使用了1个直径20毫米的凸透镜作为镜头，为了节省成本，15元人民币买来的，可想而知成像效果如何，岂不知连SONY 也不得不向CarlZeiss采购镜头！

2、分而治之(divide and conquer)：把系统分割成多个模块，把每1部分集成到一起，确保能够正确地工作，然后再把这些模块组成1个大系统。这和软件开发常用的方法是一样的，只有把1个大的系统分割成小到我们能够很容易处理的小块，才能够有效的完成。这也需要富有经验的项目负责人来完成这项工作。

3、充分考虑现场条件：在实验室里开发的系统，安装到使用现场后常常碰到问题。这主要是环境光、电磁干扰和振动几个方面的原因造成的。机器视觉系统毕竟使用了光学系统，安装现场的照明情况或自然光的影响，有时会导致我们设计的算法根本无法工作，从而致使系统失败；工厂的供电一般是带有各种电磁干扰的，很容易从电源线或其他地方进入计算机系统，从而导致系统不能稳定工作。如果系统时而工作正常，时而死机，一般都是这个原因造成的。另外，工业现场各种机器同时工作，有时振动会导致问题。例如，如果算法采用两幅图像相减的方法，肯定不能正常工作，因为振动导致的图像移位，使得图像已经对不准了。这种情况下，尺寸测量也会产生误差。所以，系统集成的过程中，最好能够模拟现场情况，否则很难1次成功。

4、把困难乘2：在新产品开发过程中，往往会遇到意想不到的问题。例如，有时候1根电线接触不良就会导致整个系统不工作，而查找这个问题并不是1件容易的事；有时软件有小小的问题，改成正确的代码只需要几分钟，但是也许2个星期也找不到问题所在。所以，整个系统集成时，碰到的问题和解决问题需要的时间往往比预计的要多。越是复杂庞大的系统，越是如此。一般我们需要把已知需要解决的问题总数乘以2或3，才能真正地做出切合实际的工作计划。