Машинное зрение

Московский Технический Университет  Связи и Информатики

Машинное зрение

Кафедра: ИТ

 

 

Выполнила: Пронина Ольга

Группа: БФС1101

 

Оглавление

Машинное зрение 2

История развития машинного зрения 2

Компоненты системы машинного зрения 3

Основные задачи машинного зрения 4

Распознавание положения 4

Измерение 4

Инспекция 4

Идентификация 4

Разница между зрением человека и компьютера. 5

Методы обработки 5

Компоненты системы 6

Принципы функционирования систем машинного зрения 6

Применение машинного зрения 6

Автомобилестроение. 7

Медицина и фармацевтика. 7

Лабораторные испытания. 7

Машиностроение. 7

Робототехника. 7

Основные понятия 7

Основы оптики 7

Телецентричность 7

Построение изображений при помощи интегральных линз Френеля 8

Защита интеллектуальной собственности и водяные знаки 8

Освещение 8

o Улучшение контраста при использовании органических фотодиодов 8

Электроника 8

o Основные положения электричества 8

o Вольтамперная характеристика 9

Операционные усилители 9

Несимметричный и дифференциальный операционный усилитель 9

Обработка изображений 10

Измерение МПФ и др. 10

Введение в вейвлеты 10

Реконструкция изображений 10

Камеры 11

Модель ПЗС камеры и ее применение 11

Радужная 3D камера 11

Высокоскоростная камера высокого разрешения 11

Смежные области 12

Компьютерное зрение 12

Обработка и анализ изображений 12

Машинное обучение 13

Достоинства и недостатки систем машинного зрения 13

Заключение 14

 

 

Машинное  зрение — это применение компьютерного зрения для промышленности и производства. В то время как компьютерное зрение — это общий набор методов, позволяющих компьютерам видеть, областью интереса машинного зрения, как инженерного направления, являются цифровые устройства ввода-вывода и компьютерные сети, предназначенные для контроля производственного оборудования, таких как роботы-манипуляторы или аппараты для извлечения бракованной продукции. Машинное зрение является подразделом инженерии, связанное с вычислительной техникой, оптикой, машиностроением и промышленной автоматизацией. Одним из наиболее распространенных приложений машинного зрения — инспекции промышленных товаров, таких как полупроводниковые чипы, автомобили, продукты питания и лекарственные препараты. Люди, работавшие на сборочных линиях, осматривали части продукции, делая выводы о качестве исполнения. Системы машинного зрения для этих целей используют цифровые и интеллектуальные камеры, а также программное обеспечение обрабатывающее изображение для выполнения аналогичных проверок.

История развития машинного зрения

Компьютерное зрение оформилось как самостоятельная дисциплина к концу 60х годов. Это направление  возникло в рамках искусственного интеллекта в тот его период, когда еще  были горячи споры о возможности  создания мыслящей машины. Оно выделилось из работ по распознаванию образов. 

В истории развития машинного  зрения можно выделить следующие  этапы:

· 1955 г. - профессор Массачусетского  технологического института (МТИ) Оливер Селфридж опубликовал статью «Глаза и уши для компьютера». В ней автор выдвинул теоретическую идею оснащения компьютера средствами распознавания звука и изображения.

· 1958 г. - психолог Фрэнк Розенблатт из Корнеллского университета создал компьютерную реализацию персептрона (от perception - восприятие) - устройства, моделирующего схему распознавания образов человеческим мозгом. Персептрон был впервые смоделирован в 1958 году, причем его обучение требовало около получаса машинного времени на ЭВМ IBM-704. Аппаратный вариант - Mark I Perceptron - был построен в 1960 г. и предназначался для распознавания зрительных образов.

Однако рассмотрение задач  машинного зрения носило скорее умозрительный  характер, так как ни техники, ни математического обеспечения для  решения таких сложных задач  еще не было.

· 1960-е гг.- появление первых программных систем обработки изображений (в основном для удаления помех  с фотоснимков, сделанных с самолетов  и спутников), стали развиваться  прикладные исследования в области  распознавания печатных символов. Однако все еще существовали ограничения  в развитии данной области науки, такие как отсутствие дешевых  оптических систем ввода данных, ограниченность и довольно узкая специализация  вычислительных систем. Бурное развитие систем компьютерного зрения на протяжении 60-х годов можно объяснить расширением  использования вычислительных машин  и очевидной потребностью в более  быстрой и эффективной связи  человека с ЭВМ. К началу 60-х годов  задачи компьютерного зрения в основном охватывали область космических  исследований, требовавших обработки  большого количества цифровой информации.

· 1970-е гг. - Лавренсе Робертс, аспирант МТИ, выдвинул концепцию машинного построения трехмерных образов объектов на основе анализа их двумерных изображений. На данном этапе стал проводиться более глубокий анализ данных. Начали развиваться различные подходы к распознаванию объектов на изображении, например структурные, признаковые и текстурные.

· 1979 г. - профессор Ганс-Хельмут  Нагель из Гамбургского университета заложил основы теории анализа динамических сцен, позволяющей распознавать движущиеся объекты в видеопотоке.

· В конце 1980-х годов  были созданы роботы, способные более-менее  удовлетворительно оценивать окружающий мир и самостоятельно выполнять  действия в естественной среде

· 80-е и 90-е годы ознаменовались появлением нового поколения датчиков двухмерных цифровых информационных полей  различной физической природы. Развитие новых измерительных систем и  методов регистрации двухмерных цифровых информационных полей в  реальном масштабе времени позволило  получать для анализа устойчивые во времени изображения, генерируемые этими датчиками. Совершенствование  же технологий производства этих датчиков позволило существенным образом  снизить их стоимость, а значит, значительно  расширить область их применения

· С начала 90-х годов  в алгоритмическом аспекте последовательность действий по обработке изображения  принято рассматривать в согласии с так называемой модульной парадигмой. Эта парадигма, предложенная Д. Марром на основе длительного изучения механизмов зрительного восприятия человека, утверждает, что обработка изображений должна опираться на несколько последовательных уровней восходящей информационной линии: от «иконического» представления объектов (растровое изображение, неструктурированная информация) – к их символическому представлению (векторные и атрибутивные данные в структурированной форме, реляционные структуры и т. п.). [Визильтер и др., 2007]

· В середине 90-х годов  появились первые коммерческие системы  автоматической навигации автомобилей. Эффективные средства компьютерного  анализа движений удалось разработать  в конце XX века

· 2003 г. - на рынок были выпущены первые достаточно надежные корпоративные  системы распознавания лиц.

Компоненты системы  машинного зрения

Хотя машинное зрение —  процесс применения компьютерного  зрения для промышленного использования, полезно перечислить часто используемые аппаратные и программные компоненты. Типовое решение системы машинного  зрения включает в себя несколько  следующих компонентов:

1. Одна или несколько цифровых или аналоговых камер (черно-белые или цветные) с подходящей оптикой для получения изображений.
2. Интерфейс для изготовления изображений для обработки. Для аналоговых камер это оцифровщик изображений. Когда этот интерфейс - отдельное устройство, его называют "устройством захвата изображения".
3. Процессор (современный ПК c многоядерным процессором или встроенный процессор, например — ЦСП).
4. Программное обеспечение машинного зрения, которое предоставляет инструменты для разработки отдельных приложений программного обеспечения.
5. Оборудование ввода/вывода или каналы связи для доклада о полученных результатах.
6. Умная камера: одно устройство, которое включает в себя все вышеперечисленные пункты.
7. Объективы, чтобы фокусировать требуемое поле зрения на формирователь изображения.
8. Специализированные источники света (светодиоды, люминесцентные и галогенные лампы и т. д.).
9. Специфичные приложения программного обеспечения для обработки изображений и обнаружения соответствующих свойств.
10. Датчик для синхронизации частей обнаружения (часто оптический или магнитный датчик) для захвата и обработки изображений.
11. Приводы определенной формы, используемые для сортировки или отбрасывания бракованных деталей.

Датчик синхронизации  определяет, когда деталь, которая  часто движется по конвейеру, находится  в положении, подлежащем инспекции. Датчик запускает камеру, чтобы сделать  снимок детали, когда она проходит под камерой и часто синхронизируется с импульсом освещения, чтобы  сделать четкое изображение. Освещение, используемое для подсветки деталей, предназначено для выделения  особенностей, представляющих интерес, и скрытия или сведения к минимуму появление особенностей, которые  не представляют интереса (например, тени или отражения). Для этой цели часто  используются светодиодные панели подходящих размеров и расположения.

Изображение с камеры попадает в захватчик кадров или в память компьютера в системах, где захватчик  кадров не используется. Захватчик кадров — это устройство оцифровки (как часть умной камеры или в виде отдельной платы в компьютере), которое преобразует выходные данные с камеры в цифровой формат. Как правило, это двумерный массив чисел, соответствующих уровню интенсивности света определённой точки в области зрения, называемых пикселями. Этот массив размещает изображения в памяти компьютера так, чтобы оно могло быть обработано с помощью программного обеспечения для машинного зрения.

Программное обеспечение, как  правило, совершает несколько шагов  для обработки изображений. Часто  изображение для начала обрабатывается с целью уменьшения шума или конвертации  множества оттенков серого в простое  сочетание черного и белого (бинаризации). После первоначальной обработки  программа будет считать, производить  измерения и/или определять объекты, размеры, дефекты и другие характеристики изображения. В качестве последнего шага, программа пропускает или забраковывает  деталь в соответствии с заданными  критериями. Если деталь идет с браком, программное обеспечение подает сигнал механическому устройству для  отклонения детали; другой вариант  развития событий, система может  остановить производственную линию  и предупредить рабочего для решения  этой проблемы, и что привело к  неудаче.

Хотя большинство систем машинного зрения полагаются на «черно-белые» камеры, использование цветных камер  становится все более распространенным явлением. Кроме того, все чаще системы  машинного зрения используют цифровые камеры прямого подключения, а не камеры с отдельным захватчиком  кадров, что сокращает расходы  и упрощает систему.

«Умные» камеры со встроенными  процессорами, захватывают все большую  долю рынка машинного зрения. Использование  встроенных (и часто оптимизированных) процессоров устраняет необходимость  в карте захватчика кадров и во внешнем компьютере, что позволяет  снизить стоимость и сложность  системы, обеспечивая вычислительную мощность для каждой камеры.

«Умные» камеры, как правило, дешевле, чем системы, состоящие  из камеры, питания и/или внешнего компьютера, в то время как повышение  мощности встроенного процессора и  ЦСП часто позволяет достигнуть сопоставимой или более высокой  производительности и больших возможностей, чем обычные ПК-системы.

Основные задачи машинного зрения

В целом, в задачи систем машинного  зрения входит получение цифрового изображения, обработка изображения с целью выделения значимой информации на изображении и математический анализ полученных данных для решения поставленных задач.

Однако машинное зрение позволяет  решать множество задач, которые  условно можно разделить на четыре группы

Распознавание положения

Цель машинного зрения в данном применении - определение  пространственного местоположения (местоположения объекта относительно внешней системы координат) или  статического положения объекта (в  каком положении находится объект относительно системы координат  с началом отсчета в пределах самого объекта) и передача информации о положении и ориентации объекта  в систему управления или контроллер.  
Примером такого приложения может служить погрузочно-разгрузочный робот, перед которым стоит задача перемещения объектов различной формы из бункера. Интеллектуальная задача машинного зрения заключается, например, в определении оптимальной базовой системы координат и ее центра для локализации центра тяжести детали. Полученная информация позволяет роботу захватить деталь должным образом и переместить ее в надлежащее место.

Измерение

В приложениях данного  типа основная задача видеокамеры заключается  в измерении различных физических параметров объекта.  
Примером физических параметров может служить линейный размер, диаметр, кривизна, площадь, высота и количество. Пример реализации данного задачи - измерение различных диаметров горлышка стеклянной бутылки.

Инспекция

В приложениях, связанных  с инспекцией, цель машинного зрения - подтвердить определенные свойства, например, наличие или отсутствие этикетки на бутылке, болтов для проведения операции сборки, шоколадных конфет в  коробке или наличие различных  дефектов.

Идентификация

В задачах идентификации  основное назначение видеокамеры - считывание различных кодов (штрих-кодов, 2D-кодов и т. п.) с целью их распознавания средствами камеры или системным контроллером, а также определение различных буквенно-цифровых обозначений. Кроме того к задачам данной группы можно отнести системы, выполняющие задачи безопасности, такие как идентификация личности и техники, детекторы движения.