可以把机器视觉系统想象成一个“能够看、能思考、能判断的机器人眼睛”，它的核心任务就是用机器代替人眼，来做测量、识别、判断等工作。
（图片来源网络，侵删）
其技术原理可以概括为一个完整的“信息处理流水线”，主要分为以下几个核心步骤：
机器视觉检测技术原理全流程
第一步：图像采集 - “眼睛”看世界
这是所有视觉检测的基础,系统需要一个“眼睛”来获取物体的图像信息。
- 核心组件：工业相机、镜头、光源
- 工作原理：
- 光源： 这是至关重要但常被忽略的一步，光源的作用是“打光”，通过合适的光线（如背光、同轴光、环形光、条形光等）将待测物体的特征（如划痕、尺寸、颜色差异）最大限度地凸显出来，消除环境光干扰，获得高质量、高对比度的图像。
- 镜头： 相当于眼睛的“晶状体”，负责将物体的光学图像聚焦到相机的传感器上，镜头的选择会影响视野大小、景深和成像清晰度。
- 工业相机： 相当于眼睛的“视网膜”，负责将接收到的光学图像转换成数字信号，根据传感器不同，分为面阵相机（拍摄一整张图片）和线阵相机（逐行扫描，适用于连续运动的产品）。
输出： 一张或多张数字图像（通常是二维矩阵，矩阵中的每个值代表像素点的灰度或颜色值）。
第二步：图像预处理 - “大脑”的初步整理
原始图像可能包含噪声、光照不均等问题，直接处理效果不好，预处理就像大脑在深入思考前，先对信息进行一番“整理和清洁”。
（图片来源网络，侵删）
- 核心任务： 去噪、增强、校正。
- 常用算法：
- 灰度化： 将彩色图像转换为灰度图像，减少计算量，简化问题。
- 滤波/去噪： 使用高斯滤波、中值滤波等方法，消除图像中的随机噪声（如椒盐噪声）。
- 图像增强： 通过直方图均衡化等方法，增强图像的对比度，让特征更明显。
- 几何校正： 校正因镜头畸变或安装角度导致的图像变形。
输出： 一张更“干净”、更“清晰”、更“标准”的图像，为后续的特征提取做好准备。
第三步：图像分析与特征提取 - “大脑”的关键思考
这是整个视觉检测流程的核心，系统需要从预处理后的图像中，提取出能够代表物体身份或状态的关键信息（即“特征”）。
- 核心任务： 定位、分割、测量、描述。
- 常用方法：
- 定位与分割：
- 模板匹配： 在图像中寻找与预先设定好的模板（标准图像）最相似的区域，常用于有无判断、定位。
- Blob分析： 根据颜色、灰度等相似性，将图像中相连的像素区域（Blob）分割出来，常用于检测特定颜色的斑点、孔洞等。
- 边缘检测： 使用Sobel、Canny等算子，找出图像中亮度变化剧烈的像素点，形成物体的轮廓，这是测量尺寸的基础。
- 形态学处理： 通过腐蚀、膨胀等操作，去除小的噪声点，连接断裂的边缘，填充孔洞。
- 特征提取：
- 几何特征： 长度、宽度、面积、周长、圆度、角度、数量、位置坐标等。
- 统计特征： 灰度均值、方差、直方图等。
- 纹理特征： 描述图像表面粗糙程度的特征。
- 形状特征： 轮廓、拐点、Hu矩等。
- 定位与分割：
输出： 一系列量化的特征数据（零件A的直径是25.01mm，表面有2个黑色污点，B孔的位置坐标是(X, Y)）。
第四步：决策与判断 - “大脑”做出最终结论
系统将提取出的特征数据与预设的“标准”或“规则”进行比较，并做出最终的合格/不合格判断。
（图片来源网络，侵删）
- 核心任务： 设定规则，进行逻辑判断。
- 常用方法：
- 几何测量/尺寸检测：
- 规则：
IF (实际直径 > 24.9mm) AND (实际直径 < 25.1mm) THEN 合格 - 应用： 检测零件的尺寸、间距、同心度、垂直度等是否符合公差要求。
- 规则：
- 有/无检测：
- 规则：
IF (检测到的螺丝数量 = 4) THEN 合格 - 应用： 检查装配线上是否有缺失的零件，如螺丝、标签、垫片等。
- 规则：
- 缺陷检测：
- 规则：
IF (检测到黑斑面积 > 0.5mm²) OR (检测到划痕长度 > 2mm) THEN 不合格 - 应用： 检测产品表面的划痕、凹陷、污渍、色差、破损等缺陷。
- 规则：
- 识别与分类：
- 规则：
IF (匹配度 > 90%) THEN 判定为“产品A” - 应用： 读取二维码、条形码，或区分不同种类的产品。
- 规则：
- 几何测量/尺寸检测：
输出： 一个明确的决策结果（合格/不合格）以及相关的数据（如测量值、缺陷位置信息）。
第五步：输出与执行 - “手”和“嘴”采取行动
检测完成后,系统需要将结果传递给外部设备，以完成自动化流程的控制。
- 核心任务： 输出信号，控制设备。
- 常用方式：
- 数字量I/O： 输出高/低电平信号，合格则输出一个信号，让机械臂继续；不合格则输出另一个信号，让机械臂将其剔除。
- 模拟量输出： 输出一个连续的电压或电流信号，在测量零件厚度后，将厚度值模拟量输出给PLC进行数据记录或闭环控制。
- 数据通信： 通过以太网、TCP/IP等协议，将检测结果（如测量值、图像、合格/不合格标志）发送到上位机MES系统、数据库或SCADA系统，用于生产统计、质量追溯和分析。
输出： 控制信号或数据，驱动执行机构（如机械臂、推杆、报警灯）或记录到信息系统中。
一个简单的比喻：智能分拣水果
假设我们要用机器视觉系统来分拣苹果和橘子。
- 图像采集： 在传送带上方安装一个相机和光源，光源确保每个水果都清晰可见。
- 图像预处理： 对拍摄的图片进行去噪，让水果轮廓更清楚。
- 特征提取：
- 颜色特征： 计算图像中物体的平均色调，苹果偏红，橘子偏橙。
- 纹理特征： 苹果表面光滑，橘子表面粗糙，可以通过算法分析其纹理差异。
- 形状特征： 两者都是圆形，但形状参数略有不同。
- 决策与判断：
- 规则：
IF (平均色调在红色范围内) AND (表面光滑度 > 阈值A) THEN 判定为“苹果” IF (平均色调在橙色范围内) AND (表面粗糙度 > 阈值B) THEN 判定为“橘子”
- 规则：
- 输出与执行：
- 如果判定为“苹果”，系统发送信号给左侧的机械手，将其抓取放入“苹果箱”。
- 如果判定为“橘子”，则发送信号给右侧的机械手，放入“橘子箱”。
机器视觉检测技术的原理,本质上是一个“模拟人类视觉感知与认知”的自动化过程，它通过“看”（采集）、“整理”（预处理）、“思考”（特征提取与决策）、“行动”（输出执行）这一系列步骤，实现了高速、高精度、高重复性的自动化检测，极大地提升了现代制造业的效率和质量控制水平。
