工业自动化领域是应用机器视觉系统最早、并且也最多的领域。在工业自动化领域产生的创新和解决方案，也始终备受业界关注。当然，更广泛的行业汇聚到一起，更能表现出机器视觉系统的应用和发展情况。本次调查要求受访者按1-5的级别进行打分，1表示在机器视觉技术的部署中“没有遇到任何挑战”，5表示“遇到的挑战最多”——对这些极具挑战性的应用而言，他们可能要整合以下九种机器视觉技术： 

高速检查

多光谱/高光谱成像

缺陷/瑕检测

成像或监测有光泽、反光和炫目的金属零件

随机物品拣选/料箱拣选

随机箱解装箱

相机移动

视觉引导机器人

嵌入式视觉

 

这些机器视觉技术将应用于如下领域：

航空航天/军事/国防

农业/环境

汽车

自主机器人

集装箱/包装

无人机/无人驾驶

能源（石油、天然气、太阳能、风能）

餐饮

林业/木材

一般制造业

物流/仓储/配送

医疗/医疗设备

制药

塑料

半导体/电子

纺织品



以下我们就介绍一下这九大机器视觉技术在实际部署应用中，所面临的挑战程度。

高速检测

GigE和GigE10接口、CoaXPress 2.0标准，以及速度更快的线扫相机的发展，都是使得高速成像保持在机器视觉领域前沿的一些创新。在此次调查中，我们询问了针对特定检测目的部署高速成像的挑战。调查结果显示，认为部署高速成像挑战最小（挑战评分为1或2）的行业及比例有如下几个：林业/木材行业63%的受访者认为部署高速成像的挑战很小；无人机/无人驾驶和能源（石油、天然气、太阳能、风能）行业的比例各为62%，纺织行业为61%。

 

认为部署高速成像的挑战程度为中等水平（挑战评分为3）的行业有：汽车（31%）、食品和饮料（28%）和航空航天/军事/国防（27%）。相比之下，认为高速成像部署难度最大的应用行业有：塑料（34%）、消费电子（33%）和自主型机器人（29%）。



多光谱/高光谱成像

多光谱和高光谱成像是机器视觉领域的两大热门话题。它们在农业和轨道地球观测方面的应用功效已经得到证实，另外，它们在材料分析领域也在发挥着巨大作用。毫无疑问，多光谱和高光谱成像在可见光波长之外成像的各种应用，目前还尚未被开发出来。认为部署多光谱/高光谱技术挑战最小的行业有：纺织（60%）和制药（48%）应用、能源（石油、天然气、太阳能、风能）、食品饮料和塑料行业（分别为46%）；认为部署多光谱/高光谱技术挑战中等的行业有：航空航天/军事/国防（38%）、林业/木材（37%）和能源（石油、天然气、太阳能、风能）行业（35%）；认为部署多光谱/高光谱技术挑战最大的行业有：农业/环境（33%）、半导体/电子应用（33%）和消费电子行业（32%）。



缺陷/瑕疵检测

要说有哪类应用，机器视觉技术特别是深入学习技术已经在这类应用中证明了它们的价值，那这类应用就是缺陷/瑕疵检测，通常是检测被损坏的物品或是有缺陷的零件。我们一次又一次地看到，当机器视觉技术应用于缺陷/瑕疵检测任务时，检测速度和检测精度都在不断提高。部署缺陷检/瑕疵检测功能挑战性最低的应用领域包括：纺织（59%）、无人机/无人驾驶（55%）和集装箱/包装（52%）；部署缺陷检/瑕疵检测功能挑战性为中等的应用领域包括：能源（石油、天然气、太阳能、风能）（41%）、自主机器人（39%）和食品饮料（38%）；部署缺陷检/瑕疵检测功能挑战最大的应用领域包括：医疗/医疗设备应用（36%）、汽车应用（34%）和药物应用（30%）。



对反光/有光泽的金属零件进行成像或检测

稳定、一致的照明，对于机器视觉系统捕获能够达到检测要求的图像，发挥着至关重要的作用。在某些情况下，只有偏振技术才能处理反射材料，允许机器视觉检测系统能够按设计操作。调查显示，在塑料（46%，该比例代表该领域有46%的受访者认为挑战最大，下同）、汽车（43%）和航空航天/军事/国防应用领域（42%），对反光/有光泽的金属零件成像或检测，具有最大的挑战；在纺织（53%）和林业/木材（42%）应用领域，面临中度挑战；在食品饮料和消费电子应用领域，面临的挑战程度排在第三位（34%）。认为对反光/有光泽的金属零件成像或检测，挑战程度最小的行业应用包括：无人机/无人驾驶（54%）应用，物流/仓储/配送（47%）以及制药应用（44%）。

 

随机对象/料箱拣选

分拣和拣选放置应用，是工业自动化、物流、仓储和配送中经常涉及到的环节。该技术已经从简单的物品拾取，发展到借助深度学习技术实现的应用，使得机器人可以混杂在一起的不同类别的物品进行分拣。调查显示，认为部署随机分拣技术难度最小的前三类应用类型分别是：纺织（53%）、无人机/无人驾驶（49%）和塑料（48%）；认为部署难度为中等级别的应用类型分别是：食品饮料（38%）、半导体/电子（37%）和制药应用（36%）；认为部署难度最大的应用类型分别是：汽车（40%）、通用制造（36%），塑料（33%）和自主机器人（33%）。



随机拆垛

当每个载货托盘以相同的方式和相同的数量承载货物时，经过编程的机器人将货物从托盘上卸下来，是一件相对简单的工作。但是，当不同托盘间装载的货物类型和位置不断变化时，完成这类任务通常就需要使用3D成像和/或深度学习技术了。调查结果显示，认为随机托盘卸货应用挑战最大的应用类型分别是：消费电子产品（31%）、汽车（30%）和无人机（30%）；认为挑战最小的应用类型分别是：无人机/无人驾驶（51%）、消费电子（51%）、纺织（47%）和集装箱/包装（46%）；认为挑战中等的应用类型分别是：能源（石油、天然气、太阳能、风能）应用（41%）、林业/木材（37%）、食品饮料（37%）、纺织（35%）和航空航天/军事/国防（35%）。



要求相机移动的应用场景

在机器视觉系统中，并非所有的相机都是静止固定在一个地方的。有些应用场景，需要相机移动，从多个不同的角度进行成像，以提高成像的保真度。相机移动可能会改变工作距离，同时也可能需要根据相机的位置，来重新考虑如何部署照明方案。调查结果显示，认为相机移动带来挑战最大的应用领域是塑料行业，该领域有38%的受访者表示，移动相机会为他们带来极大挑战；其次认为挑战最大的应用领域分别是集装箱/包装应用（34%）和消费电子应用（33%）；汽车（48%）、无人机/无人驾驶（43%）和航空/军事/国防应用（42%），认为相机移动对他们带来的挑战最小；认为挑战为中等程度的应用领域有：纺织（47%）、一般制造业（42%）和食品饮料（41%）。

 

视觉引导的机器人

视觉系统和工业机器人构成了一种自然配对。过去，机器人的基座通常都是固定的，能移动的很少，由机器人手臂去执行任务。现在，随着越来越多的片上模块化计算机的出现，机器人和工业相机的体积也在随之减小，机器视觉系统正在开始越来越多地融入到移动机器人中，比如部署在仓库里的物流机器人，甚至是部署到办公室和医院等工作场所的小型机器人。调查结果显示，认为部署视觉引导的机器人挑战最小的应用领域有：农业/环境（54%）、纺织（53%）和林业/木材（50%）；认为部署视觉引导的机器人挑战中等的应用领域有：纺织（47%）、能源（石油、天然气、太阳能、风能）应用（38%）、制药和集装箱/包装应用（各35%）；认为挑战最大的应用领域有：自主机器人（37%）、汽车（31%）和塑料应用（28%）。

 

嵌入式视觉

最后我们再来看看嵌入式视觉技术。对于“嵌入式”的定义，我们通常理解为将处理器集成到设备上以提供计算功能。板级相机、智能相机、无人机和可穿戴设备，都可以归入嵌入式视觉的范畴。调查结果显示，认为部署嵌入式视觉技术挑战最小的应用领域有：汽车（51%）、制药（50%）和一般制造业（48%）；认为部署嵌入式视觉技术挑战最小的应用领域有：认为部署嵌入式视觉技术挑战最大的应用领域有：塑料（32%）、农业/环境（24%）和医疗/医疗器械应用（22%）；认为部署嵌入式视觉技术挑战中等的应用领域有：农业/环境应用（45%）、能源（石油、天然气、太阳能、风能）和航空航天/军事/国防应用（各44%），以及食品饮料和无人机/无人驾驶应用（各43%）。
联系我时，请说是在东莞机械网看到的，谢谢！