我們?nèi)祟悘牡谝淮未蜷_眼睛的那天便開始學(xué)習(xí)識別各種圖案。那是一只鳥!這是一架飛機(jī)!那些是字母A，B和C!如果我們無法從環(huán)境中挑出特定的物體并對它們進(jìn)行分類，那么我們的視覺將幾乎沒有用處。

機(jī)器視覺系統(tǒng)也需要能夠發(fā)現(xiàn)和識別圖案。任何機(jī)器視覺任務(wù)中的第一步都是圖案匹配，即基于如邊緣這樣的形狀屬性在視場內(nèi)定位對象。這個(gè)過程如何工作?

事實(shí)證明，執(zhí)行圖案匹配有很多方法，因?yàn)檫@是一項(xiàng)涉及大量數(shù)據(jù)處理的任務(wù)，而且對優(yōu)化流程至關(guān)重要。在最基本的層面上，它涉及到使用圖像中各個(gè)像素的強(qiáng)度來確定形狀的輪廓(或邊緣)所在的位置。如果這些輪廓的排列與基于統(tǒng)計(jì)分析的模板圖案的排列合理相似，則視覺系統(tǒng)將輸出匹配。

對比度為王

由于邊緣的檢測基于各個(gè)像素不同的強(qiáng)度，所以良好的對比度非常重要。這一要求已經(jīng)締造了各種照明技術(shù)的創(chuàng)新，例如照明垂直于表面的同軸照明，以及從各個(gè)方向提供一致照明的圓頂照明。盡量減少環(huán)境光線的影響和來自反射表面的眩光也十分必要。良好的照明可以最大限度地檢測相關(guān)邊緣，并最大限度地減少對不存在的邊緣的感知。

有些情況下，僅有好的照明是不夠的，還需要一些圖像處理算法以顯示圖像的某些特征。這種圖像處理算法的一個(gè)例子是閾值處理，即生成不同像素強(qiáng)度的直方圖以計(jì)算強(qiáng)度閾值。該算法逐個(gè)像素地查看圖像，將低于閾值的所有像素設(shè)置為黑色，高于閾值以上的所有像素設(shè)置為白色。

Visionscape機(jī)器視覺軟件中的閾值示例。

查找圖案

機(jī)器視覺系統(tǒng)在產(chǎn)品線上玩工業(yè)版“大家來找茬”之前，它需要知道它在尋找什么。系統(tǒng)的操作員通過提供模板圖像來告訴它要尋找什么。然后系統(tǒng)記住形狀，包括邊緣的位置以及它們相對于模板圖案的整體大小相距多遠(yuǎn)。視覺系統(tǒng)能夠以各種尺寸和方向找到相同的圖案，這一點(diǎn)非常重要。

一旦系統(tǒng)知道它想找到什么，它就開始分析捕獲圖像的像素?cái)?shù)據(jù)。像素的強(qiáng)度范圍從0到255，這些值可用于計(jì)算。為了找到一個(gè)物體的邊緣，軟件通過執(zhí)行像素減法來查找對比度的較大變化。如果減法的結(jié)果接近零，則兩個(gè)像素不包含邊緣。強(qiáng)度差異很大-無論是正值還是負(fù)值-都表明邊緣可能存在。

像素相減的結(jié)果存儲在數(shù)據(jù)結(jié)構(gòu)中，并且軟件在修改后的圖像表示中水平和垂直掃描以找到輪廓。它會(huì)保持輪廓相對距離的選項(xiàng)卡，然后查找參考圖像與任何發(fā)現(xiàn)形狀之間的統(tǒng)計(jì)相似性?？梢酝ㄟ^改變系統(tǒng)的統(tǒng)計(jì)容差以便使匹配更可能或更不可能。高容差度會(huì)使誤報(bào)更常見，而容差更低的系統(tǒng)更可能錯(cuò)過真正的匹配。

未來的機(jī)器視覺：深度學(xué)習(xí)

在傳統(tǒng)的機(jī)器視覺中，您需要準(zhǔn)確地告訴系統(tǒng)您想要查找的內(nèi)容。這可能需要大量的編程工作。如果系統(tǒng)能夠找出自己想要尋找的東西，這不是很好嗎?這是將深度學(xué)習(xí)算法融入工業(yè)機(jī)器視覺系統(tǒng)的推動(dòng)力量。

深度學(xué)習(xí)利用諸如卷積神經(jīng)網(wǎng)絡(luò)(CNN)之類的高級算法使計(jì)算機(jī)能夠根據(jù)一組訓(xùn)練數(shù)據(jù)學(xué)習(xí)他們需要做什么。不需要指定對象的確切輪廓，而是將一系列圖像呈現(xiàn)給系統(tǒng)，并告訴他們包含或不包含特定對象的規(guī)范。在此訓(xùn)練期間，算法會(huì)自行發(fā)現(xiàn)圖像的哪些屬性指示該對象可能存在。這將大大提高識別率，因?yàn)橐曈X系統(tǒng)處理大量數(shù)據(jù)的能力使其在識別對象的定義特征方面比人類更好。

機(jī)器視覺正在迅速發(fā)展，專注于此的工程師們也在不斷展望未來。未來幾年在照明、相機(jī)和機(jī)器視覺算法等方面可能產(chǎn)生更多創(chuàng)新，使工業(yè)自動(dòng)化比以往更加精簡和靈活。