随着制造业的发展，智能制造技术日渐成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键技术。
 
其主要应用包括基于神经网络的智能检测、故障诊断、识别、设计、优化，基于遗传算法的优化设计，基于规则、基于框架的专家系统，基于类比推理、归纳学习与基于实例推理的知识系统，基于Agent技术的分布式智能制造系统等等。
 
智能制造主要关注于高端装备制造，在制造过程中进行分析推理、判断、思考、决策等活动。智能制造系统从原始的能量驱动转变为信息驱动，这对于制造系统的灵活性和数字化提出了很高的要求。
 
在智能制造系统中，原始信息的采集是最基础的工作，原始信息推动着整个系统的决策和工作。机器视觉技术作为当前的热门技术之一，具有高度的灵活性，能适应各种生产环境，拥有强大的理论支持，在智能制造领域得到了广泛的应用。
 
机器视觉的应用优势在于无需与被测物体进行接触，因此被测物体和测量装置操作过程中都不会产生损坏，是一种相对于而言更安全可靠的检测手段。此外，测量装置的适用范围和互换性都非常的广泛，不仅仅局限于某一类物体。理论而言，机器视觉技术甚至可以用来探测人眼无法观察到的部分，例如红外线、微波、超声波等，通过传感器可以将这些信息进行捕获和处理，从而拓展了人类的视觉范围。相对机器视觉而言，人类视觉容易受到个体状态的影响，难以进行长时间的观测，在恶劣下表现不理想，因此，机器视觉技术常常用于长时间检测工作和在线处理，以及人类无法工作的极端环境下。
 
正是因为这些特性，机器视觉技术被广泛应用于工业生产的各个步骤。在智能制造体系中，机器视觉的应用主要可以归纳为四个方向：尺寸测量、物体定位、零件检测、图像识别。
 
机器视觉关键技术应用

 
1、 尺寸测量
 
随着制造工艺的不断提高，工业产品尤其是大型构件的外形设计日趋复杂。同时，由于大型构件的体积和重量限制，不便于经常移动，给传统的测量方式带来了巨大的困扰。机器视觉测量技术是一种基于光学成像、数字图像处理、计算机图形学的无接触的测量方式，拥有严密的理论基础，测量范围更广，而且相对于传统测量方式而言，拥有更高的测量精度和效率。
 
根据不同的光照方式和几何关系，视觉检测方法可以分为两种：被动视觉探测和主动视觉检查。被动视觉探测直接采用了原始图像，这些在工业环境中获取的原始图像并没有明显的特征信息；而主动检测方式能够主动的去产生所需的特征信息，从而避免立体特征匹配困难，所以在工业检测中应用范围更广。
 
主动视觉检测方式包括激光测距、云纹干涉法、简单三角形法，结构光法与时差法等方法。例如魏振忠[10]提出了一种基于结构光视觉传感器的物体测量方法，可用于提高大型工件的结构光三维视觉的检测精度。在结构光方法的测量过程中，由于靶标上的基准坐标点很难准确落在结构光平面上，导致空间坐标的准确获取难以实现。在此测量方法中，通过一种基于双重交比不变的结构光视觉传感器的标定方法，并配合相应的标定靶标，从根本上解决了此问题。
 
2. 物体定位
 
传统制造业中的焊接、搬运、装配等固定流程正在逐步被工业机器人取代，这些步骤对于工业机器人来说，只需要生成指定的程序，然后按照程序依次执行即可。在机器人的操作过程中，零件的初始状态（如位置和姿态等）与机器人的相对位置并不是固定的。这导致工件的实际摆放位置和理想加工位置存在差距，机器人难以按照原定的程序进行加工。随着机器视觉技术以及更灵活的机器手臂的出现，这个问题得到了很好的解决，为智能制造的迅速发展提供了动力。
 
3、零件检测
 
零件检测是机器视觉技术在工业生产中最重要的应用之一，在制造生产的过程中，几乎所有的产品都面临着质量检测。传统的手工检测存在着许多不足：首先，人工检测的准确性依赖于工人的状态和熟练程度；其次，人工操作效率相对较低，不能很好的满足大量生产检测的要求；近年来人工成本也在逐步上升。所以，机器视觉技术被广泛用于产品检测中，主要的应用包括：存在性检测和缺陷检测。
 
3.1存在性检测
 
存在性检测的对象包括某个部件、某个图案或者是整个物体的存在性。在制造环节中，某些步骤的缺失或者加工缺陷会导致零部件的丢失，影响产品的品质，需要在进行下一步工序或出厂前分拣出来待进一步处理。通过前期的图像采集和处理后，需要依靠显著目标检测算法来进行识别，从而得出显著目标是否存在的结论。
 
例如李牧等]提出了一种显著目标存在性检测算法，利用中心周边直方图计算出的显著图，提取目标区域与图像中心点距离、目标区域位置分布方差、目标区域在图像边缘的分布、目标区 域分布熵、图像显著图的直方图等5种特征进行分类，并利用投票的方式最终确定输入图片是否包含显著目标。通过数据集验证，能够有效识别出指定目标的存在性。
 
3.2表面缺陷检测
 
表面缺陷检测的对象为二维平面上的元素，包括孔洞、污渍、划痕、裂纹、亮点、暗点等常见的表面缺陷，这些缺陷特别是孔洞和裂纹等，可能严重影响产品质量和使用的安全性，准确识别缺陷产品非常重要。这方面的研究如岳文辉提出了一种CCD (Charge Coupled Device)图像获取系统，利用使用最普遍的电荷耦合器件CCD，在荧光磁粉无损检测技术的基础上，使用CCD进行图像采集，然后使用相关算法进行图像处理和模式识别，来检测表面缺陷的类型和程度。
 
系统图像处理和识别流程图
 
零件检测相关的工作流程一般大致如上图所示。尽管系统针对于不同的对象和目的，但是其图像处理和图像识别内核差异不大。图像处理和识别都是从采集的图像出发，经过单色化处理、阈值处理，图像膨胀处理，孤点滤波等预处理之后，对图像的特征进行提取并描述，最终输出结果。
 
4、 图像识别
 
图像识别利用机器视觉技术中的图像处理、分析和理解功能，准确识别出一类预先设定的目标或者物体的模型。在工业领域中的主要应用有条形码读取、二维码扫描识别等，以往多用NFC标签等载体进行信息读取，需要与产品进行近距离接触。而随着工业摄像机等硬件设备的更新换代，二维码等标识可以被远距离读取和识别，而且携带的信息更丰富，可以将所有产品信息写入二维码，而无需联网查询信息。
联系我时，请说是在东莞机械网看到的，谢谢！