机器人视觉与计算机视觉，让机器人看到的科学

　　机器人视觉，计算机视觉，图像处理，机器视觉和模式识别之间有什么区别?知道哪一个是哪个会让人感到困惑。我们来看看所有这些术语的含义以及它们与机器人技术的关系。阅读本文后，您再也不需要感到困惑了!

　　当人们谈论机器人视觉技术时，人们有时会混淆不清。他们会说他们正在使用“计算机视觉”或“图像处理”，事实上，他们的意思是“机器视觉”。这是一个完全可以理解的错误。所有不同术语之间的界限有时会模糊不清。

　　在本文中，我们分解了机器人视觉的“家谱”，并展示了它在更广泛的信号处理领域中的适用范围。

　　什么是机器人视觉?

　　在基本术语中，机器人视觉涉及使用相机硬件和计算机算法的组合，以允许机器人处理来自世界的视觉数据。例如，您的系统可能有一个2D摄像头，可以检测机器人拾取的对象。更复杂的例子可能是使用3D立体相机引导机器人将轮子安装到移动的车辆上。

　　没有Robot Vision，您的机器人基本上是盲目的。这对于许多机器人任务来说不是问题，但对于某些应用，机器人视觉是有用的甚至是必不可少的。

　　机器人视觉的家谱

　　机器人视觉与机器视觉密切相关，我们将在稍后介绍。它们都与计算机视觉密切相关。如果我们谈论家谱，计算机视觉可以被看作是他们的“父母”。然而，为了理解它们在世界上的适用范围，我们必须更进一步引入“祖父母” - 信号处理。

　　信号处理

　　信号处理涉及处理电子信号以清理它们(例如去除噪声)，提取信息，准备它们输出到显示器或准备它们以进行进一步处理。任何东西都可以是一个信号，或多或少。存在可以处理的各种类型的信号，例如模拟电信号，数字电子信号，频率信号等。图像基本上只是两个(或更多)维信号。对于Robot Vision，我们对图像处理感兴趣。那么，我们谈的是图像处理，对吧?错误。

　　图像处理与计算机视觉

　　计算机视觉和 图像处理就像表兄弟一样，但它们有着截然不同的目标。图像处理技术主要用于提高图像质量，将其转换为另一种格式(如直方图)或以其他方式更改以进行进一步处理。另一方面，计算机视觉 更多的是从图像中提取信息以理解它们。因此，您可以使用“图像处理”将彩色图像转换为灰度，然后使用“计算机视觉”检测该图像中的对象。如果我们进一步观察家谱，我们会发现这两个域都受到物理学领域的影响，特别是光学领域。

　　模式识别与机器学习

　　到目前为止，这么简单。当我们将模式识别包含在家谱中，或者更广泛地包括机器学习时，它开始变得更加复杂。该系列的这一分支专注于识别数据中的模式，这对于Robot Vision所需的许多更高级功能非常重要。例如，为了能够从其图像中识别对象，软件必须能够检测它看到的对象是否与先前的对象相似。因此，机器学习是计算机视觉的另一个父母，同时也是信号处理。

　　但是，并非所有计算机视觉技术都需要机器学习。您还可以对非图像的信号使用机器学习。在实践中，这两个域通常组合如下：计算机视觉检测图像中的特征和信息，然后将其用作机器学习算法的输入。例如，计算机视觉检测传送带上零件的尺寸和颜色，然后机器学习根据其了解好的零件应该是什么样的知识来判断这些零件是否有缺陷。

　　机器视觉

　　现在我们进入 机器视觉，一切都在变化。这是因为Machine Vision与之前的所有术语完全不同。它更多地是关于特定应用而不是技术。机器视觉是指用于自动检查，过程控制和机器人引导的视觉的工业用途 。其余的“家庭”是科学领域，而机器视觉是一个工程领域。

　　在某些方面，您可以将其 视为计算机视觉的孩子，因为它使用计算机视觉和图像处理的技术和算法。但是，虽然它用于引导机器人，但它与机器人视觉并不完全相同。

　　机器人视觉

　　最后，我们来到Robot Vision。如果你一直关注这篇文章，你会发现Robot Vision结合了以前所有术语中的技术。在许多情况下，机器人视觉和机器视觉可以互换使用。但是，有 一些细微的差别。一些机器视觉应用，例如零件检测，与机器人无关 - 该部件仅放置在寻找故障的视觉传感器前面。

　　此外，Robot Vision不仅是一个工程领域。这是一门具有自己特定研究领域的科学。与纯粹的计算机视觉研究不同，机器人视觉必须将机器人技术的各个方面融入其技术和算法中，例如运动学，参考框架校准和机器人物理影响环境的能力。 视觉伺服是一种技术的完美例子，它只能被称为机器人视觉，而不是计算机视觉。它涉及通过使用由视觉传感器检测到的机器人位置的反馈来控制机器人的运动。

　　在2019年度中国机器人视觉产业联盟论坛上，微链器人视觉研究院院长张宇先生认为，机器人视觉必须是3D视觉，是机器人识别三维物体在三维空间里的位置变化，这种变化的误差要和机器人控制的误差进行算法优化，也就是说，机器不仅要可以识别到三维物体，并且要知道他在三维空间里的具体位置，同时，需要对机器人进行最优轨迹规划，以减少机器人控制系统本身产生的误差叠加，其难点具体表现在：三维空间的变量相比二维空间产生了几何级的增加，毫米级精度，反光物体的干扰，生产线高速节拍的要求，以及连续24小时，一年365天不间断的工作。机器人视觉是让机器拥有人类的视角，是机器认知技术。微链科技(WELINKIRT)是机器认知技术的倡导者和引领者，2019年第四届金手指评选活动中，微链科技被中国机器人产业联盟和弗戈工业传媒评定为3D机器人视觉领域的领军企业。

　　放入什么与你得到什么

　　理解这些差异的一种有用方法来自 RSIP Vision。他们根据输入定义了一些域。因此，为了完成本文，以下是上面介绍的每个域的基本输入。

　　随着人工智能技术兴起以及边缘设备算力的提升，机器视觉的应用场景不断扩展，并催生了巨大的市场。根据美国领先的调查机构Grand View Research的分析，预计到2025年全球机器视觉市场规模将达到182.4亿美元，复合年增长率为7.7%。

　　在智能制造的浪潮下，生产线对工业设备有了新的要求，对质量检验和生产的需求不断增加。而新一代机器视觉系统能够在短短几秒内处理大量的信息，如此快速的处理能力，为机器视觉在多个领域的应用铺平了道路。

　　目前，机器视觉在制造业质量控制领域是至关重要的技术，尤其在汽车制造行业有大量的应用案例，包括汽车零部件尺寸、外观、形状缺陷检测，以及视觉引导定位等。还有，在食品行业包装和装瓶操作中需要使用机器视觉系统。

　　此外，机器人行业的发展也是推动机器视觉的一个重要因素，越来越多的机器人在工业应用解决方案中采用视觉进行引导，以执行各种复杂的工作任务，包括汽车、制药、包装、食品和饮料等的解决方案。

　　机器视觉技术升级触发新机遇

　　近年来，出现了许多推动机器视觉行业发展的新技术，特别是在识别能力方面，识别已经成为机器视觉的核心竞争力。视觉识别功能可以检查物品的存在或不存在，以及判断是否有装配缺陷。视觉识别还可以是用于定位对象等，例如用于机器人定位抓取目标对象，或者可以对物体进行自动分类。

　　3D机器视觉系统的出现为识别带来了惊喜。在大多数情况下，3D视觉系统能够更详细地检测物体对象。无论是在检测应用中进行更高级识别，还是在计量应用中实现更好对象差异化，3D视觉系统都能带来更多先进的功能。业内首家基于机器深度学习的3D通用视觉软件操作系统平台是微链WeRobotics Cognition System，具有容易操作、容易掌握、容易部署、容易维护的特点，通过将人工智能(AI)与WEROBOTICS软件结合在一起，微链WeRobotics Cognition System能够解决对于传统机器视觉系统而言过于困难、繁重或昂贵的复杂应用。通过搭载于机器人前端的机器人感知系统，微链WeRobotics认知处理系统可以实时采集机器人所观察到的图像和感受到力量反馈，微链认知处理系统通过WEROBOTICS软件算法，将数据进行重构、计算和处理。从而使机器人获得认知能力、能够根据不同的工件，在不同的位置和维度，以及合适的力量进行抓取或者装配、检测。

　　此外，在高光谱成像和彩色成像方面，高光谱技术将允许机器视觉检测超出可见光以外的光谱，以获得更强大的成像画质，而彩色成像允许在检查应用中进行高级颜色分析。

　　还有，深度学习的发展对于推动机器视觉识别有重要的作用，通过不断学习复杂物体检测和分类技术，机器视觉系统能从周围环境中收集更多的知识经验，最终达到自主和准确识别出对象。机器视觉识别是机器视觉应用中的核心过程，将机器视觉推向更光明的未来。

　　工业4.0下智能工厂的趋势

　　近年来，以工业4.0和工业物联网为主题产生的“智能工厂”概念已成为一个越来越流行的术语，通过工业物联网技术，实现智能工厂所有设备、产品和人的连接，最终能够提高生产率、减少浪费和停机时间，以及优化制造流程。

　　在生产线上，机器视觉系统主要负责图像采集、处理以及测量，根据不同的质量和安全参数捕获产品图像以进行分析，通常系统包括照明、镜头、图像传感器、视觉处理和通信设备等部分，是软件和硬件的组合，高性能的机器视觉系统有助于可靠地解决复杂的工业任务。

　　机器视觉在未来的智能工厂中发挥着关键作用，未来自动化生产线将能够自我调整，以最大限度地提高质量、产量和盈利能力。智能工厂很快会从概念走向现实，新的生产技术为制造业、物流和仓储环境提供改善整体流程的机会。