一文了解工業(yè)機器視覺領域的3D檢測傳感器

近年來，機器視覺技術變得越來越復雜，工業(yè)領域的圖像處理更多的專注于3D傳感器，而且越來越多的技術已經完善并且投入到實際應用中，包括焊縫的檢測，以及在生產過程中對未分類部件進行倉揀或測量金屬板?？梢哉f，機器視覺已經轉向了3D。

在過去的幾年里，點云評估和測量軟件也得到了快速地的發(fā)展：從單一的圖像數(shù)據(jù)轉換成點云數(shù)據(jù)，對點云數(shù)據(jù)進行測量，計數(shù)和點云匹配。正如圖像處理行業(yè)的大多數(shù)玩家所知道的，獲得3D圖像有幾種不同的方式。

光譜共聚焦測量

光譜共焦傳感器由于檢測原理是基于白光色散，通過使用特殊透鏡系統(tǒng)，白光從小孔穿過會延長不同單色光的焦點光暈范圍，再計算被測物表面焦點的反射光的波長，由此可獲得被測物體到透鏡的精確距離數(shù)據(jù)，這意味著測量的過程不會受到反射光強度的影響，任意材質的物體幾乎都可以實現(xiàn)高精度檢測。

光譜共焦法是一種新的檢測技術，掃描被測物一次即可獲取表面全貌/部分的3D成像信息，具有檢測精度高、速度快和穩(wěn)定性好等特點。光譜共焦傳感器是對傳統(tǒng)激光檢測方式的一種補充，甚至是替代，因為它有效解決了行業(yè)內對透明物體、高反射鏡面和強吸光材料的高精度外觀檢測難題，非常適和于在3C電子、半導體、鋰新能源和精密五金等行業(yè)作為在線檢測的工具。

激光三角測量

傳統(tǒng)的激光三角測量法，這種方法可用于木材，橡膠和輪胎等垂直領域，以及汽車和軸的測量，金屬和鑄鐵工業(yè)或其他應用如道路表面的測量。

對于激光三角測量，需要在結構化光源（如激光線投影）上校準相機，以確保即使在高環(huán)境溫度下也能獲得高于1 kHz的高采樣率。通常測試對象在3D傳感器下方移動以捕獲3D點云。這意味著攝像機將檢測投射到物體上的激光線，并根據(jù)激光線輪廓計算高度信息。在相機下移動物體時，會創(chuàng)建多個配置文件，用于完成三維圖像。典型的設置包含一個激光器，它直接位于測試對象和相機之間，相機與激光器成30°角安裝。但是激光和相機的其他角度組合也是可以的。例如，為了獲得更準確的高度分辨率，相機和激光之間的角度可以加寬。但必須注意的是，角度越小，進入照相機的光就越多，評估結果就會更穩(wěn)定?，F(xiàn)在有越來越多的軟件可以處理3D圖像數(shù)據(jù)。該軟件可以將捕獲的數(shù)據(jù)轉換為點云，可以直接進行比較，使分析變得更加容易。

條紋投影

除了激光三角測量方法之外，還有一種稱為“條紋投影”的方法。基本原理也是三角測量，但是測試對象的整個表面都是用一次拍攝捕捉的。激光將光投射到條紋圖案中，因此物體不必在傳感器下方移動。光線從30°角投射到物體上，相機正對下方物體。

測量范圍可以從不到一毫米縮放到一米以上，但分辨率也可以相應地變化。由于其測量速度快，分辨率高，條紋投影可以用于小型和大型測試物體，在工業(yè)檢查中，應用于包括形狀偏差檢查，完整性檢測，組件部件位置或體積測量等。但需要注意的是，條紋投影對周圍的光很敏感。

3D立體相機

3D立體相機是另一種方法。它已經存在多年，越來越多地用于機器人或調試應用。立體圖像處理使用與人眼相同的原理即立體偏移。為了獲得3D圖像，該方法采用兩臺相機。但由于測試對象并不總是具有相同的特定特征，因此經常使用隨機模式投影。

ToF（time-of-flight）

幾年前，據(jù)說在所有的方法中，ToF（time-of-flight）方法由于其分辨率有限而不適用于工業(yè)用途。大多數(shù)ToF相機的分辨率低于VGA，z分辨率相對較低，重復精度以厘米為單位。但是市場上已經有一些像素為百萬像素的相機。 ToF（time-of-flight）相機使用類似于雷達工程的技術。集成照明發(fā)送一個紅外脈沖，傳感器測量反射光所需的時間。近來越來越多的用于3D物體檢測，但不能用于的測量。越來越多的應用領域是裝載和卸載機器人托盤。

處理機器視覺的軟件，在3D視覺中扮演著重要角色，它就像3D的“大腦”一樣，但它是否像人腦一樣學習？如何訓練它？傳統(tǒng)的方法當然是以這樣的方式對軟件進行編程，即檢查程序檢測部件，每個偏離編程的特點是一個壞的部分，然后就是用軟件對好壞部分的圖像進行訓練。我們也可以用深度學習的方式來處理。深度學習只是人工神經網絡（簡稱ANN）的另一個名稱，但卻是一個更精致，更簡單的化身。他們已經存在了40多年。

人工神經網絡通常表示為互相交換信息的相互連接的“神經元”系統(tǒng)。這些連接具有可根據(jù)經驗進行調整的數(shù)字權重，使神經網絡適應輸入并能夠學習。由于它在目標函數(shù)非常復雜且數(shù)據(jù)集很大的應用程序中的表現(xiàn)令人滿意，它已經成為機器學習的一個發(fā)展趨勢。在深度學習中，人工神經網絡可以自動提取特征。我們不需要拍攝圖像和手動計算如顏色分布，圖像直方圖，不同的顏色計數(shù)等，我們只需要在ANN中提供原始圖像。機器視覺行業(yè)對3D成像以及人工神經網絡和深度學習的新可能性寄予厚望，讓我們拭目以待。