EEPW论坛

机器视觉新说 （阅读86次） 现代的图像处理技术对计算机资源提出了很高的要求：分析一个图像所需要的运算数量与分辨率的平方成正比。所以，分辨率每提高一倍，需要的计算机资源便增加四倍。因此，虽然当今计算机速度大大提高了，存储器容量迅速增大了，仍然跟不上图像处理的需要。　　对于许多应用来讲，依靠强大的像素处理技术的机器视觉系统，很快就不能胜任其职责。整个图像的处理已经变得十分复杂，为了在允许的时间内进行检查，视觉系统往往只能检查目标区域的一小部分，并且仅仅检查若干部分后就要得出结论。识别一个图像，且将它分类（就是回答“我看到的究竟是什么？”）已经成为整个运作中为最重要的、也是容易出现错误的一环。即使你看到的是“正确”的图像的某一部分，仍然不能保证你达到目的。因为，在人们眼中微不足道的一个一个图像之间正常的变化，也使得最复杂的计算机无从辨别其差别。　　在功能强大的计算技术之外，另外还有一个方案解决这一难题，它是用不同的方法来利用技术和机器资源，它使用的是人类处理图像信息的方法。　　当一台电脑用强大的分析功能来比较图像时，它通常是把一幅图像分成几个小部分，然后把它们与基准图像中相应部分进行比较，看看是不是和它精确（在误差范围之内）一致。对于简单物体，对于样本之间差异很小的情形，这种“相关参照法”足以应付。然而，如果物体差异很大，这种方法便无能为力了。　　我们来看看视觉系统是如何对一个静止的物体（例如指纹或者视网膜图形）与其存放在存储器中的理想图像进行比较的。这个物体与参照基准实质上是一样的，尽管需要对几十万个元素进行对比，计算机仍然能够很快进行比较，效率极高。　　如果两个物体除了尺寸、颜色或者半导体器件上的标号等差别之外，其它都相似，而上述差别并不一定与我们进行检查的最终目的有关系，那么用“相关参照”技术的方法来进行比较就会出现问题。相关技术是平等地对待每一个差别，不论它是否与检查的最终目的有关还是无关。一个更有效的方法是，像人类做出判断那样来决定什么样的差别可以置之不理，相关到什么程度便已足够。 　　机器在识别一组物体时，更是困难重重。在两块同一种电路板上有一大堆组件，每个组件的颜色会有一定程度的变化，电路板本身也可能会转过九十度。识别电路板的任务和检查个别组件的任务是分开执行的。而增大图像的分辨率会使问题变得更加困难，因为，分辨率低的图像，像素比较大，数量也比较少，这样会掩盖被检查图像与参照图像之间的微小差别。这实在是一对矛盾。较高的分辨率表示单位面积中的像素较多，增加了需要进行比较的数量，也增加了把电路板当成是不同电路板的可能性。如何确定最佳的分辨率，既能降低分析工作的复杂程度，又能够准确地识别不同的物体，这是研制印制电路板视觉检查系统中的面临的一个重大挑战。　　寻常的机器视觉检测系统往往要求光源具备一定的特性（方向、颜色、强度、角度以及形状），需要几台照相机才能得到最好的亮度，从而对被测件（UUT）的关键部位进行分析。也就是说，用户必须调整检测条件，以保证作出的“合格”与“不合格”的判断的前后一致性。因此，图像分析、光源和照相机的位置，以及分辨“合格”与“不合格”的界线都是相互关联的，而不是完全自动地进行的。机器只能报告一个区域比另一个区域多测量了九十次（在测量极限范围之内）。人们必须自己回答以下问题：这个数字是否表示机器的能力己经到头了？在这个区域的光线是否足够，颜色是否合适？是不是有看得到的变化？...这些情况综合在一起是否表示被测件是合格的？　　但是虽然计算机系统能够有效地对物体进行变换和处理，识别这些物体的技术远远落在后面。利用浏览器和搜索工具，你可以写入关键词，从网站上得到有关的图像。但是，这需要人们事先为这些图像指定了关键词或作了适当的描述。没有一件可靠的工具能够自动地分析图像或者识别图像。　　于是，为所谓“自动的”光学检测系统进行编程，很大一部分仍然是手工来做的。现在，印制电路板的基于视觉的检测技术应用最成功的是高产量/低混合的情况。因为这种情况下对程序作改变很少。　　我们提出了一种基于生物学原理而不是根据像素的解决方案。这个方法能够克服光源变化和物体本身变化带来的局限性。在收集图像、用复杂的软件评价图像时，制造商可以用普通的光线和照相机，软件能够像人一样识别正常的变化，并且对它进行补偿。 　　弄清你看到了什么　　我们人类先验地“知道”我们在寻找什么。我们用形状、颜色、大小这些特征笼统地描述一个物体，我们也期待在熟悉的情境下看到同样的这些特征。物体及其相关情境的信息帮助我们把看到的东西分类，将在视野中看到物体的识别过程简化，获得对物体的观念。　　一旦预期的某物体的四周情况发生了变化，我们并不总是能够识别它。当你把一辆新车停在某商场靠近灯柱的地方时，你是利用那个灯柱四周的景物来帮你找到你的新车的。如果你的妻子在你回来之前把汽车移到另外一个地方，你大概会认不出你的新车--甚至你就在它旁边走过也认不出来，因为四周的景物变了。如果你还是找到了，那你是根据汽车的颜色、牌照号码等确定它的确是你的新车，你是把整体分成具体的细节，用这样的方法描述你要找的对象。　　除了周围的景色，我们用整体识别的方法来区分物体，甚至不需要详细的细节。用滤波的方法把高频成份滤除（或者用较粗的像素的图像）之后得到的模糊图像仍然是能够可靠地进行识别的　　整体识别　　能够整体识别印制电路板的视觉系统包括有关焊点、焊膏、焊盘、铜印制线、PCB材料和其它物体外观的信息，以及这些物体所在位置的四周情况的信息。这些信息必须准确地代表你要看的系统，在这里就是印制电路板，并把它们存储起来，不能走样，不能事先假定印制电路板是什么颜色，明亮程度如何，有什么标志，等等。机器必须“掌握”有关过程的详细知识，从而区分开什么是有关系的变化，什么是无关紧要的变化。　　整体识别包括四周情景中看得到的、能够起提示作用的东西。在图2中两个组件的四周情景就是放置它们的背景。在这个背景中，焊盘和焊膏被遮挡的尺寸就是看得见的提示。背景本身的区别也是，这些可以向你提示物体是否丢失。纳入视觉提示功能的识别系统的探测速度高于没有这个功能的系统，因为它使用多个条件（四周的情况和物体本身）来做决定。　　尽管人们把颜色看作是正常的变化，在某些场合，它可以部分地作为四周围的情景，因而对于做出决定是有用的。检测系统不会去理会绝对颜色，它只考虑相邻区域的相对颜色。再说一遍，我们的目的是，在分辨率尽可能低的情况下做出是“合格”还是“不合格”的决定，同时尽可能地提高检测效果而又不致降低速度。　　这种不同的机器视觉技术有望把技术推上一个台阶，降低对于处理图像时间和计算机处理图像能力不断上升的要求，并且免除检测系统使用过程中的手工编程和调节工作。