《工业物联网机器视觉技术要求.pdf》由会员分享，可在线阅读，更多相关《工业物联网机器视觉技术要求.pdf（12页珍藏版）》请在金锄头文库上搜索。
1、ICS 91 100 30 Q 14 T TMAC 000 0 2020 工业物联网机器视觉技术要求 Industrial IoT Machine Vision Technology Requirements 发布 2020 00 00 发布2020 00 00 实施 中国技术市场协会 团体标准 T TMAC 000 0 2020 I 目次 前言 III 1范围 1 2术语和定义 1 3结构模型与系统构成 1 3 1结构模型 1 3 2硬件系统 2 3 3视觉识别系统 2 3 3 1图像采集 2 3 3 2图像处理 2 3 3 3模型训练 2 3 3 4存储 2 3 3 5传输 2 4机器视觉
2、关键技术 3 4 1图像增强 3 4 2图像预处理 3 4 3图像分割 3 4 4图像识别 3 5技术流程要求 4 5 1定位检测器要求 4 5 2图像采集要求 4 5 3摄像机要求 4 5 4曝光机构要求 4 5 5灯光照明要求 4 5 6视频信号数字化要求 4 5 7数字图像存储要求 4 5 8图像处理要求 4 5 9处理结果要求 4 6性能要求 4 6 1识别率 4 6 2响应时间 5 7机器视觉应用要求 5 7 1适用范围要求 5 T TMAC 000 0 2020 II 7 2图像识别应用 5 7 3图像检测应用 5 7 4视觉定位应用 5 7 5物体测量应用 5 7 6物体分拣应用
3、 5 8表面缺陷检测要求 5 8 1缺陷检测方法 5 8 2表征学习方法 6 8 2 1分类网络 6 8 2 2检测网络 7 8 2 3分割网络 7 8 3度量学习方法 7 8 4正常样本学习方法 7 8 4 1图像空间 7 8 4 2特征空间 8 T TMAC 000 0 2020 III 前言 本标准按照 GB T 1 1 标准化工作导则第 1 部分 标准的结构和编写 给出的规则 起草 请注意本文件中的某些内容可能涉及专利 本文件发布机构不承担识别这些专利的责 任 本标准由中国技术市场协会制定并负责管理 本标准起草单位 北京好运达智创科技有限公司 本标准主要起草人 T TMAC 000 0
4、 2020 1 工业物联网机器视觉技术要求 1范围 本标准规定了工业物联网机器视觉的术语和定义 结构模型与系统构成 机器视觉关键 技术 技术流程要求 性能要求 机器视觉应用要求 表面缺陷检测要求等方面的规则 本标准适用于以工业物联网为基础的机器视觉应用智能制造领域 2术语和定义 下列术语和定义适用于本文件 2 1 工业物联网Industrial internet of things 工业物联网是将具有感知 监控能力的各类采集 控制传感器或控制器 以及移动通信 智能分析等技术不断融入到工业生产过程的各个环节 2 2 机器视觉Machine vision 机器视觉主要用计算机来模拟人的视觉功能 从
5、客观事物的图像中提取信息 进行处理 并加以理解 最终用于实际检测 测量和控制 3结构模型与系统构成 3 1结构模型 机器视觉的结构模型如图 1 所示 图 1机器视觉的结构模型 T TMAC 000 0 2020 2 3 2硬件系统 3 2 1硬件系统是支持机器视觉技术实施的必备条件 主要负责接收任务 并严格按照机 器视觉技术的指令组织活动 3 2 2硬件系统应包含 适宜视觉识别的光源 摄像头 图像捕获卡 图像处理软件 监 视器 通信等 3 3视觉识别系统 3 3 1图像采集 数据采集通过输入设备或传感器 对所需图像进行采集与处理 应根据需求采集具体特 征信息 将其转化为适合视觉识别系统进行处理
6、的形式 实现信息的转换 3 3 2图像处理 3 3 2 1图像处理通过数据采集接收原始数据 将图像转化成所需要的训练样本 包含数 据中间样本处理 图像特征提取 质量控制功能 3 3 2 2图像中间样本处理功能针对图像进行修剪 下采样 归一化 转换成图像交换格 式标准以及图像增强等处理操作 形成图像中间样本 3 3 2 3质量控制拒绝接受样本时 图像采集可能需要采集新的样本 3 3 2 4图像特征提取功能针对经过标准化处理的图像中间样本分离并输出可重复性和辨 别性的数值或标记 形成图像样本 并将其提交给匹配过程 3 3 2 5一旦图像数据已经处理 通过已经处理的数据或模板重构原始图像数据是不可行
7、 的 3 3 3模型训练 3 3 3 1应根据已知的数据 推理出假设模型 尽量让模型的预测和输出与已知的一样 3 3 3 2通过评价指标衡量模型训练的结果 使用损失函数作为模型的衡量指标 通过最 小化损失函数求解和评估模型 3 3 3 3通过优化 求解算法 在所有的假设中 将符合的假设找出来 为优化过程寻解 算法 3 3 4存储 3 3 4 1应具备特征存储管理功能 包括但不限于只允许合法权限的实体录入 访问 读 取或删除特征 存储模块中的特征数据 3 3 4 2应根据系统架构和预期的功能 可为单个特征保存一个或大量的模板 3 3 5传输 传输部分实现各模块节点或子系统以及其他信息系统间的通讯
8、与数据传送 传输可在任 何两个组件之间进行 各组件物理上并非配置在同一抗篡改的安全模块内 依赖于具体产品 T TMAC 000 0 2020 3 的实施机制 同时在某些系统中不存在传输 4机器视觉关键技术 4 1图像增强 图像的增强用于调整图像的对比度 突出图像中的重要细节 改善视觉质量 通常采用 灰度直方图修改技术进行图像增强 4 2图像预处理 4 2 1为了消除外界环境对图像采集的干扰 应对图像进行预处理 可通过图像分析和识 别等手段 消除使图像质量恶化的因素 使采集到的图像能够更有效地用于有效信息的提取 4 2 2图像预处理可以使用如下几种降噪手段 a 均值滤波 是一种线性滤波算法 用图
9、片中目标像素周围 8 个像素的平均值来代替 该像素自身 从而达到降噪效果 b 中值滤波 是一种基于统计排序理论的非线性滤波算法 其将待处理的像素点用周 围的 8 个或者 24 个像素点中的中值进行替换 从而达到降噪的目的 c 高斯滤波 是一种线性平滑滤波算法 用于处理高斯噪声 将待处理的像素点用周 围其他像素点的加权平均值代替 高斯滤波处理对于服从正态分布的噪声特别有 效 4 3图像分割 4 3 1图像分割是图像处理和计算机视觉领域的基本工作 按照图像的灰度 颜色 纹理 形状等特征 将图像分割成若干区域 区域内部具有高度的相似性 不同的区域呈现互异的 特征 4 3 2图像分割的算法应包括 a
10、全局能量最小化方法 如模拟退火方法 动态规划方法 图论方法等 b 局部能量最小化方法 如变分方法 ICM 方法等 4 4图像识别 图像识别基于图像特征分析 运动分析 模式匹配等 主要的途径应包括 a 基于图像分割 b 序列图像识别方式 c 基于模式学习和形状匹配的识别方式 T TMAC 000 0 2020 4 5技术流程要求 5 1定位检测器要求 工件定位检测器探测到物体已经运动至接近摄像系统的视野中心时 应及时向图像采集 部分发送触发脉冲信号 5 2图像采集要求 图像采集部分应按照事先设定的程序和延时 分别向摄像机和照明系统发出启动脉冲 5 3摄像机要求 摄像机停止目前的扫描 重新开始新的
11、一帧扫描 或者摄像机在启动脉冲来到之前处于 等待状态 启动脉冲到来后启动一帧扫描 5 4曝光机构要求 摄像机开始新的一帧扫描之前打开曝光机构 曝光时间应可以事先设定 5 5灯光照明要求 另一个启动脉冲打开灯光照明 灯光的开启时间应该与摄像机的曝光时间匹配 摄像机 曝光后 正式开始一帧图像的扫描和输出 5 6视频信号数字化要求 图像采集部分接收模拟视频信号通过 A D 将其数字化 或者是直接接收摄像机数字化后 的数字视频数据 5 7数字图像存储要求 图像采集部分将数字图像存放在处理器或计算机的内存中 5 8图像处理要求 处理器对图像进行处理 分析 识别 获得测量结果或逻辑控制值 5 9处理结果要
12、求 处理结果应可以准确控制流水线的动作 进行定位 纠正运动的误差等 6性能要求 6 1识别率 视觉系统的识别率应能进行调节 满足不同的应用需求 不同类型的视觉识别系统对识 别率的要求并不一样 T TMAC 000 0 2020 5 6 2响应时间 视觉识别系统功能的实现 应在充分考虑承载其运行的处理器速度 存储器容量 数据 处理量和其他相关因素的基础上 采取有效的算法 确保其时间与速度能满足用户的需求 7机器视觉应用要求 7 1适用范围要求 视觉识别系统的适用范围应满足 a 适用于工业互联网的各种场景 b 应支持多模态或多因子的视觉特征识别 c 应适用于不同工厂 不同类型的用户 7 2图像识别
13、应用 应利用机器视觉对图像进行处理 分析和理解 以识别各种不同模式的目标和对象 7 3图像检测应用 检测是机器视觉工业领域最主要的应用之一 几乎所有产品都需要检测 图像检测应保 证检测准确率和检测效率 7 4视觉定位应用 视觉定位要求视觉系统能够快速准确地找到被测物体并确认其位置 7 5物体测量应用 机器视觉工业应用可实现非接触测量 同样应具有高精度和高速度的性能 但非接触无 磨损 消除了接触测量可能造成的二次损伤隐患 7 6物体分拣应用 物体分拣应用是建立在识别 检测之后的一个环节 通过机器视觉系统将图像进行处理 实现智能分拣功能 8表面缺陷检测要求 8 1缺陷检测方法 基于深度学习的表面缺
14、陷检测方法框架如图 2 所示 T TMAC 000 0 2020 6 图 2缺陷检测方法框架 8 2表征学习方法 8 2 1分类网络 8 2 1 1在工业生产中 检测对象的尺寸 形状 纹理 颜色 背景 布局和成像光照的 巨大差异 使复杂环境下的缺陷分类成为非常困难的任务 由于 CNN 卷积神经网络 强大 的特征提取能力 可以采用基于 CNN 的分类网络作为表面缺陷分类中最常用的模式 8 2 1 2现有表面缺陷分类的网络可以采用计算机视觉中现成的网络结构 包括 VGG GoogLeNet AlexNet ResNet ShuffleNet DenseNet MobileNet SENet 等 8
15、 2 1 3也可以针对实际问题搭建简易的网络结构 通过输入一张测试图像到分类网络中 使网络输出该图像的类别和其类别的置信度 8 2 1 4依据分类网络方法实现任务的差异包含 a 直接利用网络做分类 b 利用网络做缺陷定位 c 利用网络作为特征提取器 8 2 1 5直接利用分类网络做缺陷的分类任务是 CNN 应用于表面缺陷检测中常用的手段 它包含 a 原图分类 b 定位 ROI Region Of Interest 后分类 c 多类别分类 8 2 1 6分类网络只能完成图像标签级别的分类 实际上结合不同的技巧和方式 分类网 络也可以实现缺陷的定位与逐像素的分类 根据采用的手段不同 它可以包含三种
16、形式 a 滑动窗口 b 热力图 heatmap c 多任务学习网络 T TMAC 000 0 2020 7 8 2 2检测网络 8 2 2 1目标定位是机器视觉领域中最基本的任务之一 同时它也是和缺陷检测最接近的 任务 其目的是获得目标精准的位置和类别信息 基于深度学习的缺陷检测网络包含 a 以 Faster R CNN 为代表的两阶段 two stage 网络 b 以 SSD 或 YOLO 为代表的单阶段 one stage 网络 8 2 2 2两阶段网络需要首先生成可能包含缺陷的候选框 proposal 然后再进一步进行 目标检测 8 2 2 3两阶段检测网络 FasterR CNN 针对缺陷检测的特点 常见方法应针对 backbone 结构或其特征图 锚框比例 ROIpooling 和损失函数等方面进行改进 8 2 2 4单阶段网络可以直接利用网络中提取的特征来预测缺陷的位置和类别 8 2 2 5SSD 可以引入特征金字塔检测方式 从不同尺度的特征图中预测目标位置与类别 8 2 3分割网络 8 2 3 1分割网络可以将表面缺陷检测任务转化为缺陷与正常区域的语义分割 甚至实例 分割
