摘 要：在“中国制造”2025背景下，由传统制造向智能制造转型是一个必然趋势和实然要求。然而智能制造环节众多、体系复杂，相对传统工业制造范式而言发生了巨大质变，其中高精度的环境感知模块是支持智能制造不可或缺的条件。“机器视觉”是满足高精度环境感知需求的重要技术，它以器件模组或机器人状态实现信息收集、处理、识别等功能，在智能制造中具有广泛的应用前景。本文通过分析机器视觉技术与智能制造系统的耦合机理，阐明机器视觉关键性技术内容，探索其在智能制造系统中的典型应用方式。
关键词：机器视觉；智能制造；视觉测量；视觉引导；视觉检测
Application of machine vision technology in intelligent manufacturing
Abstract: under the background of "made in China" 2025, the transformation from traditional manufacturing to intelligent manufacturing is an inevitable trend and practical requirement. However, there are many links and complex systems in intelligent manufacturing. Compared with the traditional industrial manufacturing paradigm, great qualitative changes have taken place. Among them, high-precision environmental awareness module is an indispensable condition to support intelligent manufacturing. "Machine vision" is an important technology to meet the needs of high-precision environmental perception. It can collect, process and identify information by means of device modules or robot states. It has a wide application prospect in intelligent manufacturing. This paper analyzes the coupling mechanism of machine vision technology and intelligent manufacturing system, clarifies the key technology content of machine vision, and explores its typical application in intelligent manufacturing system.
Key words: machine vision; intelligent manufacturing; visual measurement; visual guidance; visual inspection
一、机器视觉技术与智能制造系统的耦合机理
关于机械视觉技术与智能制造系统的耦合机理分析，本质上可以归纳为“为什么智能制造需要机器视觉技术？”的问题。首先，需要明确界定“机器视觉技术”的内涵——直观上理解，所谓“机器视觉”就是以机器组件或“机器人”的独立形态来取代人类视觉，并引入人类大脑思考能力，对所获取的信息展开测量、分析、整合，进而做出判断、指挥和控制等操作——整体上，机器视觉技术要求在应用层面与人类视觉功能相似，这其中也隐含了“视觉”自身的优势，即便从人类感知能力分析，视觉在固定场景中获取、接受超过70%以上的信息量，且信息表现形式最为直观，将这一优势映射到机器检测领域，也是其他技术无法比拟的。基于以上分析，我们大致上可以对机器视觉技术形成认知轮廓，采用相对专业化的语言组织（学术界并没有一个针对“机器视觉技术”的标准化定义），可描述为“通过计算机或图像处理器、相关设备模拟人类的视觉功能，通过图像信息获取、分析和处理最终应用在客观事物的检测和控制当中”的技术。[1]
其次，回归到“为什么智能制造需要机器视觉技术？”的问题上来，在现代化工业制造系统中引入机器视觉技术，相当于为传统制造装备搭配上眼睛、大脑，则原本由人工操纵的制造装备完成了部分“拟人化”，配合控制技术的运用，制造行为就一定程度上满足了无人化。即机器视觉技术基于自身优秀的环境适应能力，直接对制造设备（终端）展开操作，进而发挥出自动化、高精度、高质效等优势，而这恰恰是“中国制造2025”的核心要求，即“实施智能制造工程”，也和世界发达国家未来制造业发展方向高度一致（如德国“工业4.0”、法国“未来工业”等）。在可以预测的未来，智能制造将成为大国之间主要的竞逐目标，而机器视觉技术是智能制造实现的根本保障。
再次，将研究视域迁移到“智能制造”层面，仅从技术角度说，它与机器视觉技术的耦合度也是很高的。现阶段，推进智能制造阻力重重，所需要解决的不是一两个设备或少数工业软件的问题，而是需要重构整个“制造系统”。以“智能需求”为出发点，智能制造实现高度依赖系统化，以发挥软件与硬件相互协调的机能。从硬件装备角度看，整个智能制造过程是一系列实时信息、指令传导、任务触发、终端实施的综合动作，需要工业互联网串联现场设备、自动化设备、操作装置、移动设备、工作站及服务器等资源。从软件工具角度看，整个智能制造过程是一系列软件功能的有机结合，包括工业软件、控制软件、商业软件、交易软件及各类社交平台软件。[2]在现实中的智能制造空间内，一个完整的“智能系统”被解构成不同时序维度的“制造节点”，而每一个制造节点上除了该环节需要加工制造的对象外，最重要的因素就是实时数据，因此也可以将一个智能制造节点视为“信息节点”，信息可以借助工业互联网与其他制造平台、装备、系统等进行交互，以此实现具有重构性、交互式、柔性化特点的智能制造范式；机器视觉技术不仅是联系软件、硬件的中介，也是整个智能制造装备系统构建的关键，它取代人工因素之后，兼备了实时性、模块化、高精度、无损感知等性能。
二、智能制造视域下的机器视觉关键技术
立足智能制造，宏观层面的机器视觉关键技术可以概括为“工业成像系统”，该系统中主要包括“光学部分”“成像部分”“处理部分”和“应用部分”，彼此之间存在着密切的关系——以图像信号为参照，首先由光路控制模块（采集光信号）完成成像准备，再由光阑输送到“成像部分”中的感光元件上，经过读出电路、信号调整、A/D转化之后，经由通信电路传输到“处理部分”的通信电路上，该环节涉及到工业互联网的通信协议，同时完成图像处理算法功能（主要有图像处理器实现），最后传导到“应用部分”，展开智能制造平台上的测量、控制等。由此可见，宏观层面上的机器视觉关键技术是高度集成的，主要应用在一体化设备（如光刻机）之上，而更广泛的智能制造车间，需要结合“制造节点”进行个性化设置，因此关键技术可以进一步分解为“成像系统”“图像预处理”“图像定位分割”和“图像识别检测”。[3]
（一）成像系统
从智能制造设备所具有的“拟人化”特征来看，机器视觉技术最关键的能力就是“观察”，即以人类视觉信息收集原理为基础，在成像系统模块中构建信息收集功能。考虑到现代制造业装备结构的复杂性，精密成像元件自然成为成像系统的关键，目前已经被证实有效的成像技术中，主要包括高速运动序列图像获取、位置触发成像、显微成像、立体成像等。成像系统的原理基本相同：光学镜头在光控电路的控制下完成目标图像的信息初步采集工作，经过传感器转化为电信号，此时信号为模拟属性，进一步放大、调整、去噪、转化而生成数字图像，从而保障应用时的精准性。值得注意的是，成像系统类型多元化，在具体应用时要有所区分、保证针对性，如“高速运动序列图像获取”系统一般应用在微弱运动目标识别和检测领域（如微小颗粒物），而“显微成像”主要应用在特小尺寸（0.1mm级别）对象上。
（二）图像预处理
从智能制造系统化特征出发，图像预处理与成像系统是高度一体化的，它存在于“图像采集”和“图像输出”的中间环节，主要技术涉及到图像增强、去噪、校准、融合、拼接、对比度调整等，其最终目的是提高图像辨识度，保障机器视觉技术利用过程中的“精准性”要求。
（三）图像定位分割
对于机器视觉技术“精准”的理解，不能仅停留在细节清晰上，由于图像形成的过程中受到外界影响，被检测对象在图像画面中的位置并不统一，包括电气误差、操作误差、机械误差等影响在内的各类因素，都会形成相对空间内的随机分布态势。因此，需要引入图像定位分割方法——“定位”与“分割”是两种不同的操作，前者适用于背景单一、结构简单、特征明显的对象，而后者主要应用在多种色彩、结构复杂、特征模糊的对象上——定位方法的运用关键在于确定边界，可利用检测对象的几何特征进行界定，如加工件的形状（圆形、方形等），通过差分阀值方法获取。分割方法在智能制造中的实现途径，主要是包括阀值分割、分水岭分割、聚类分割、区域生长等。
（四）图像识别检测
图像识别检测要解决的是“图像上是什么”的问题。其中，图像识别的实现途径主要包括序列图像运动分析、模式匹配、特征分析等，以分割后的图像为例，通过整合检测对象上纹理、灰度、形状、图案等综合信息，进而达到识别检测对象的目的。图像检测主要应用于特定结构及特征，以及检验缺陷，主要实现途径包括局部特征对比、纹理分系、基于模板匹配的检测等。
三、机器视觉技术在智能制造中的典型应用
基于以上“关键技术”列举，不难判断机器视觉技术在智能制造中的一般应用场景，如测量物件尺寸、进行物体定位、展开零件检测（如验伤、存在性检测、缺陷筛查）等，如果将机器视觉技术置于相对完整的智能制造系统中，其典型应用主要包括三方面，分别是视觉测量、视觉引导、视觉检测。[4]
（一）视觉测量应用模式
智能制造最显著的特点是无人操作，这是进行高效率、规模化生产的前提，但一种工业产品从流水线下来后，需要对其外观尺寸进行测量，这是最基本的质量控制手段。以汽车产品为例，常规人工测量模式下不仅耗时多，且无法保障误差最小化，如果引入机器视觉技术之后，相关测量工作可以在流水线上完成，并根据测量结果做出下一步的调整方案，这样就有效降低了残次率。进一步分析，视觉测量除了对整机进行测量之外，对于零部件也能够实现对等操作，如此一来不仅将人工干预排除在外，整机的每一个细节都能够在尺寸维度做到标准化，而一旦发现不合格现象，可以立刻通知系统、发出警报；视觉测量的实现途径主要包括激光在线测量、蓝光扫描测量、表面涂层测量等，既有技术方面的差异，也存在功能领域的细分。
以激光在线测量为例，目前主要应用在工业制品大框架上，如汽车的“白车身”（车体结构及覆盖件焊接总成），可以视为汽车产品的骨架，玻璃、电子系统、发动机、轮胎等都要依据“白车身”进行调配安装，因此其精度的重要性是不言而喻的。但“白车身”在外观上并不是规则结构，两端之间的尺寸测量难度很大，要保持较高精度，可利用激光在线测量系统，其原理为“三角测量”，先利用相机拍摄2D特征图像，在转化成3D空间坐标，这是成像系统的一个典型案例；蓝光扫描是一种更为先进的视觉测量模式，基于非接触光学测量原理，可以对整机的各个部分获取数据、生成3D形状，但这种技术的成本很高，一般应用在高档工业品或精密设备上，表面涂层测量是专门针对涂膜、油漆等的检测应用模式，从机器视觉技术可行性层面分析，远比人工目测的可靠性高。
（二）视觉引导应用模式
视觉引导是机器视觉技术在智能制造领域的延伸应用模式，从形式上看，它结合了多种视觉检测技术，并将其融入到机器人运动学中，实现机器人行为的自主化、智慧性。简单地说，等同于为每一个工业机器人赋予了一定的自由人格，在视觉引导引用模式下，机器人不再重复简单的运动轨迹，可以根据生产环境及实际工况做出微调，在一定范围之内发挥最大化的人工智能水平。
视觉引导应用模式下主要包括三种表现类型：（1）视觉引导抓取。机器视觉技术不仅仅用于收集、分析、处理图像，在完整的智能制造系统中，统一流程或生产环节内的操作步骤是预先设计好的，如汽车焊装工艺的主要操作包括焊接、黏连等，这样一来固定操作在固定场域的变化很小，采用人工操作的形式有诸多不便（如难以搬运、堆放率低、风险系数高等），采用视觉引导应用模式，只需要考虑机器人运行轨迹，就能够保障工件的准确抓取、安装。视觉引导抓取的主要元件是视觉传感器，通过测量工件、机器人、安装位置之间的三维信息，智能化调整运行角度，从而有效规避碰撞。（2）视觉引导装配。与视觉引导抓取原理类似，视觉传感器通过测量安装工件的3D坐标信息，机器视觉技术在高速运转状态下仍然能够保障精准性。（3）视觉引导加工。从机器视觉技术更广泛的应用需要来说，每一类工业零部件的切割、打孔、冲压、打磨等都应该具有适用性，这只需要将机器人的控制技术与机器视觉技术做好融合即可——以切割为例，传统切割方式离不开刀具、模板，一次性完成的难度很大，如果利用激光切割，则需要很高的人工操作水平——以“机器视觉技术+激光切割”的组合形式，智能工业系统只要给出具体的参数即可。
（三）视觉检测应用模式
无论是智能制造还是传统制造，产品出厂前都需要进行严格的质量检测，如“存在性检测”用来判断产品是否完整，“表面检测”用来判断产品是否存在孔洞、划痕、暗点等壳体缺陷。基于机器视觉技术的视觉检测应用模式，不仅可以对产品单体进行完整取样，还能够基于某一个零部件进行制造过程的逆向追溯。
以汽车产品的“存在性检测”为例，一般汽车产品中的零部件高达上万个，仅螺柱的数量也有上百个，人工检测的难度可想而知。其中，焊接螺柱与一般螺柱出现的问题存在很大差异，如果焊枪性能及使用不合格，容易造成脱焊并形成螺柱残次，投入使用之后造成安全隐患。机器视觉技术可通过视觉传感器装备检验字符码，一路向前追溯到零件生产过程，这一过程中即可发现是否存在零件缺失、操作不当、装配错误等问题。
总体来说，智能制造是21世纪的潮流，它所带来的改变不仅仅是“机器取代人工”，也将重构当前人们引以为傲的工业系统，机器视觉技术是建构智能制造系统的关键，在可以预见的未来，这一技术不仅会全面投入应用，且随着现代工业的细分，技术自身也会呈现出高度模块化和集成化的特点。
参考文献
[1]张清郁.探析机器视觉技术在智能制造中的应用[J].中国设备工程,2018(12):201-202.
[21]陈铁健. 智能制造装备机器视觉检测识别关键技术及应用研究[D].湖南大学,2016:2.
[3]欧阳智,肖旭.机器视觉在智能制造中的应用[J].大数据时代,2018(03):9-12.
[4]尹仕斌,任永杰,刘涛,郭思阳,赵进,邾继贵.机器视觉技术在现代汽车制造中的应用综述[J].光学学报,2018,38(08):11-22.