tag 标签: 机器视觉

相关博文
  • 热度 3
    2020-6-7 16:40
    581 次阅读|
    0 个评论
    【雕爷学编程】MicroPython动手做(08)——零基础学MaixPy之识别颜色
    早上用百度搜了一下“颜色识别”,多少有了一点大致的概念,还是老办法,动手做,多实验,往前走,还请各位老师多多指点。 OpenCV(百度百科) 是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写,它的主要接口也是C++语言,但是依然保留了大量的C语言接口。该库也有大量的Python、Java and MATLAB/OCTAVE(版本2.5)的接口。这些语言的API接口函数可以通过在线文档获得。如今也提供对于C#、Ch、Ruby,GO的支持。 OpenCV于1999年由Intel建立,如今由Willow Garage提供支持。OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库,可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。OpenCV 拥有包括 500 多个C函数的跨平台的中、高层 API。它不依赖于其它的外部库——尽管也可以使用某些外部库。OpenCV 为Intel® Integrated Performance Primitives(IPP)提供了透明接口。这意味着如果有为特定处理器优化的 IPP 库,OpenCV 将在运行时自动加载这些库。 (注:OpenCV 2.0版的代码已显著优化,无需IPP来提升性能,故2.0版不再提供IPP接口) OpenCV概述 其全称是Open source Computer Vision Library,开放源代码计算机视觉库。也就是说,它是一套关于计算机视觉的开放源代码的API函数库。这也就意味着: (1)不管是科学研究,还是商业应用,都可以利用它来作开发; (2)所有API函数的源代码都是公开的,你可以看到其内部实现的程序步骤; (3)你可以修改OpenCV的源代码,编译生成你需要的特定API函数。但是,作为一个库,它所提供的,仅仅是一些常用的,经典的,大众化的算法的API。 一个典型的计算机视觉算法,应该包含以下一些步骤: (1)数据获取(对OpenCV来说,就是图片); (2)预处理; (3)特征提取; (4)特征选择; (5)分类器设计与训练; (6)分类判别; 而OpenCV对这六个部分,分别(记住这个词)提供了API。 基于OpenCV的颜色识别 彩色模型 数字图像处理中常用的采用模型是RGB(红,绿,蓝)模型和HSV(色调,饱和度,亮度),RGB广泛应用于彩色监视器和彩色视频摄像机,我们平时的图片一般都是RGB模型。而HSV模型更符合人描述和解释颜色的方式,HSV的彩色描述对人来说是自然且非常直观的。 HSV模型 HSV模型中颜色的参数分别是:色调(H:hue),饱和度(S:saturation),亮度(V:value)。由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。 色调(H:hue):用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色是:黄色为60°,青色为180°,品红为300°; 饱和度(S:saturation):取值范围为0.0~1.0,值越大,颜色越饱和。 亮度(V:value):取值范围为0(黑色)~255(白色)。 RGB转成HSV 设 (r, g, b) 分别是一个颜色的红、绿和蓝坐标,它们的值是在 0 到 1 之间的实数。设 max 等价于 r, g 和 b 中的最大者。设 min 等于这些值中的最小者。要找到在 HSV 空间中的 (h, s, v) 值,这里的 h ∈ 是饱和度和亮度。 OpenCV下有个函数可以直接将RGB模型转换为HSV模型,OpenCV中H∈ , V ∈ 。我们知道H分量基本能表示一个物体的颜色,但是S和V的取值也要在一定范围内,因为S代表的是H所表示的那个颜色和白色的混合程度,也就说S越小,颜色越发白,也就是越浅;V代表的是H所表示的那个颜色和黑色的混合程度,也就说V越小,颜色越发黑。大致识别蓝色的取值是 H在100到140,S和V都在90到255之间。 OpenCV颜色识别思路 1、创建滑动条:用来调节阈值,识别出不同颜色。 2、颜色空间转换:将RGB转换为HSV模型,于是可以通过不同颜色的HSV的阈值不同来识别出该种颜色。Opencv中使用cvtcolor()可实现。一般彩色图像都是RGB颜色空间,而HSV色彩空间模型是一种在人们生活中甚至更常用的颜色系统,在电视遥控器上、在画画的调色板中、在看电视时调整亮度时都很常见,因为它更符合人们描述颜色的方式——是什么颜色、颜色有多深、颜色有多亮。需要注意的是,在opencv中,H、S、V值范围分别是 , , 。 3、直方图均衡化:由于光线的影响,手机读取的每一帧图片可能存在太亮或者太暗的问题,直方图均衡化可以将每个区间的像素点分布更均衡,使图像的层次感更强。Opencv中可以用equalizeHist()函数实现。直方图均衡化就是将原始的直方图拉伸,使之均匀分布在全部灰度范围内,从而增强图像的对比度。直方图均衡化的中心思想是把原始图像的的灰度直方图从比较集中的某个区域变成在全部灰度范围内的均匀分布 4、二值化:将图像上的像素点的灰度值设置为0或255,这样将使整个图像呈现出明显的黑白效果。对灰度图像进行二值化处理,可以突出一定范围的信息。它是将像素点颜色值在所设定区间内(如a-b)的设定为255,在范围外的设为0.但是对于ab和的不同取值,二值化的效果会有很大的不同。 5、开操作:用来去除图像中的噪点,即干扰信息。Opencv中可以使用getStructuringElement()函数来进行相应设置。开操作是基于图像的膨胀和腐蚀而言的,膨胀就是对图像高亮部分进行“领域扩张”,效果图拥有比原图更大的高亮区域;腐蚀是原图中的高亮区域被蚕食,效果图拥有比原图更小的高亮区域。而开操作是对图像先腐蚀再膨胀,用来消除小物体。其数学原理是定义一个卷积核B,将其与目标图像进行卷积,就可以达到相应效果。不同形状和大小的核会出现不同的效果。 6、闭操作 :进行开操作之后可能会有一些断开的区域,闭操作可以将这些未联通的区域进行封闭,使图像更完整。闭操作是开操作的相反,先膨胀再腐蚀,用于排除小型黑洞,其原理与开操作相同。 手头正好有个魔方,有五种颜色,就拿它当识别颜色的实验道具了。 打开MaixPy IDE,选择工具——机器视觉——阕值编辑器 打开源图像位置,选择帧缓冲区 调整LAB阕值,主要是在二进制图像栏,白色像素是被跟踪的像素 彻底搞懂Lab 颜色空间 名称 在开始之前,先明确一下Lab颜色空间(Lab color space)的名字: Lab的全称是CIELAB,有时候也写成CIE L a b* 这里的CIE代表International Commission on Illumination(国际照明委员会),它是一个关于光照、颜色等的国际权威组织。 通道 Lab是由一个亮度通道(channel)和两个颜色通道组成的。在Lab颜色空间中,每个颜色用L、a、b三个数字表示,各个分量的含义是这样的: L*代表亮度 a*代表从绿色到红色的分量 b*代表从蓝色到黄色的分量 Perceptual uniform Lab是基于人对颜色的感觉来设计的,更具体地说,它是感知均匀(perceptual uniform)的。Perceptual uniform的意思是,如果数字(即前面提到的L、a、b这三个数)变化的幅度一样,那么它给人带来视觉上的变化幅度也差不多。Lab相较于RGB与CMYK等颜色空间更符合人类视觉,也更容易调整:想要调节亮度(不考虑Helmholtz–Kohlrausch effect,见下注)就调节L通道,想要调节只色彩平衡就分别调a和b。 注:Helmholtz–Kohlrausch effect是人眼的一种错觉——当色彩饱和度高时,颜色会看起来更亮。 设备无关 Lab有个很好的特性——设备无关(device-independent)。也就是说,在给定了颜色空间白点(white point)(下图中表示了一种颜色空间的白点)之后,这个颜色空间就能明确地确定各个颜色是如何被创建和显示的,与使用的显示介质没有关系。 需要注意的是,Lab定义的是相对于白点的颜色,只有定义完白点是什么颜色(比如定义为CIE standard illuminant D50),我们才能知道其他的颜色。 数值范围 理论上说,L 、a 、b*都是实数,不过实际一般限定在一个整数范围内: L 越大,亮度越高。L 为0时代表黑色,为100时代表白色。 a 和b 为0时都代表灰色。 a*从负数变到正数,对应颜色从绿色变到红色。 b*从负数变到正数,对应颜色从蓝色变到黄色。 我们在实际应用中常常将颜色通道的范围-100~+100或-128 127之间。 可视化 可以看到,L a b*一共有三个分量,因此可以在三维空间中呈现。 在二维空间中,常用chromaticity diagram来可视化它,也就是固定亮度L,看a和b的变化。注意,这些可视化不是精确的,只是能帮助人理解。 LAB颜色模型 是根据Commission International Eclairage(CIE)在1931年所制定的一种测定颜色的国际标准建立的。于1976年被改进,并且命名的一种色彩模式。Lab颜色模型弥补了RGB和CMYK两种色彩模式的不足。它是一种设备无关的颜色模型,也是一种基于生理特征的颜色模型。 Lab颜色模型由三个要素组成,一个要素是亮度(L),a 和b是两个颜色通道。a包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值);b是从亮蓝色(低亮度值)到灰色(中亮度值)再到黄色(高亮度值)。因此,这种颜色混合后将产生具有明亮效果的色彩。 Lab模式既不依赖光线,也不依赖于颜料,它是CIE组织确定的一个理论上包括了人眼可以看见的所有色彩的色彩模式。Lab模式弥补了RGB和CMYK两种色彩模式的不足。同RGB颜色空间相比,Lab是一种不常用的色彩空间。它是在1931年国际照明委员会(CIE)制定的颜色度量国际标准的基础上建立起来的。1976年,经修改后被正式命名为CIELab。它是一种设备无关的颜色系统,也是一种基于生理特征的颜色系统。这也就意味着,它是用数字化的方法来描述人的视觉感应。Lab颜色空间中的L分量用于表示像素的亮度,取值范围是 ,表示从纯黑到纯白;a表示从红色到绿色的范围,取值范围是 ;b表示从黄色到蓝色的范围,取值范围是 。下图所示为Lab颜色空间的图示; Lab颜色空间比计算机显示器甚至比人类视觉的色域都要大,表示为Lab的位图比RGB或CMYK位图获得同样的精度需要要求更多的像素数据。Lab模式所定义的色彩最多,且与光线及设备无关并且处理速度与RGB模式同样快,比CMYK模式快很多。因此,可以放心大胆的在图象编辑中使用Lab模 式。而且,Lab模式在转换成CMYK模式时色彩没有丢失或被替换。因此,最佳避免色彩损失的方法是:应用Lab模式编辑图象,再转换为CMYK模式打印 输出。 #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之一:find red blob 动态识别红色块 尝试选择最佳的颜色跟踪阙值,通过滑动条来调节阈值,在二进制图像上红色块高亮(显示白色)。 实测得出的LAB值为:55, 70, 42, 65, 52, 8 #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之一:find red blob 动态识别红色块 #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序:find red blob 动态识别红色块 import sensor import image import lcd import time lcd.init(freq=15000000) sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.run(1) red_threshold = (55, 70, 42, 65, 52, 8) while True: img=sensor.snapshot() blobs = img.find_blobs( ) if blobs: for b in blobs: tmp=img.draw_rectangle(b ) tmp=img.draw_cross(b , b ) c=img.get_pixel(b , b ) lcd.display(img) 做实验的魔方,有5种颜色 运行后可看到框圈和+号,已能准确识别 阴天里窗户前的实验场景 #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之二:find green blob 动态识别绿色块 获取绿色的LAB阙值为 0, 88, -42, -6, -9, 13 #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之二:find green blob 动态识别绿色块 import sensor import image import lcd import time lcd.init(freq=15000000) sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.run(1) green_threshold = (0, 88, -42, -6, -9, 13) while True: img=sensor.snapshot() blobs = img.find_blobs( ) if blobs: for b in blobs: tmp=img.draw_rectangle(b ) tmp=img.draw_cross(b , b ) c=img.get_pixel(b , b ) lcd.display(img) #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之三:find orange blob 动态识别橙色块 获取橙色的LAB阙值为 0, 80, 66, -20, 80, 50(与红色有交集) #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之三:find orange blob 动态识别橙色块 import sensor import image import lcd import time lcd.init(freq=15000000) sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.run(1) orange_threshold = (0, 80, 66, -20, 80, 50) while True: img=sensor.snapshot() blobs = img.find_blobs( ) if blobs: for b in blobs: tmp=img.draw_rectangle(b ) tmp=img.draw_cross(b , b ) c=img.get_pixel(b , b ) lcd.display(img) 蓝色的LAB阙值为 0, 80, -128, 35, -128, -18 黄色的LAB阙值为 88, 95, 0, -44, 93, 48 说明: 本实验案例以一只普通魔方的色彩为准(阴天光线),得出的实验数据(LAB阙值)仅供参考 蓝色 (0, 80, -128, 35, -128, -18) 红色 (55, 70, 42, 65, 52, 8) 绿色 (0, 88, -42, -6, -9, 13) 橙色 (0, 80, 66, -20, 80, 50) 黄色 (88, 95, 0, -44, 93, 48) #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之四:识别图片上的红心和花心部分 打开MaixPy IDE,选择工具——机器视觉——阕值编辑器——源图像位置——图像文件(识别电脑上的图片) 细心调整六个滑动条的数值,参考结果见下图二进制图像 识别红心和花心的LAB阙值为 (0, 80, 90, 24, 75, -10) #MicroPython动手做(08)——零基础学MaixPy之识别颜色 #实验程序之四:识别图片上的红心和花心部分 import sensor import image import lcd import time lcd.init(freq=15000000) sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.run(1) Five_threshold = (0, 80, 90, 24, 75, -10) while True: img=sensor.snapshot() blobs = img.find_blobs( ) if blobs: for b in blobs: tmp=img.draw_rectangle(b ) tmp=img.draw_cross(b , b ) c=img.get_pixel(b , b ) lcd.display(img)
  • 热度 2
    2020-1-5 12:54
    944 次阅读|
    1 个评论
    随着中国老龄化的加快,工厂招人越来越难,并且随着对外开放的不断进行,国门加速打开,各工厂主不仅面对国内同行竞争者,更要面对国外厂家的强力竞争,因此在产品品质控制方面不敢有一丝马虎,不仅产品要好,而且生产成本还要大幅度降低,否则难以生存。 随着传统自动化设备逐渐普及,产品外观检测这个需要比较高经验和难度的工种也在朝着自动化迈进,但是产品外观检测不同于其他焊接、搬运、灌装等标准设备,由于产品、缺陷的多样性,买一套可靠好用的图像识别系统并不简单。作为机器视觉行业从事9年的研发团队,我们经历了无数检测品质不稳定,最后无法达到实际检验要求的案例,少则三五十万,多则上百万前期投资打了水漂。接下来,我们来分析一下,如何才能找到一个可靠的稳定的检测系统。 只看外表来判定一套计算机图像识别系统行不行? 我觉得有一个比喻,好比通过外貌来评价一个陌生人的能力,看到一个穿着打扮仪表堂堂威风凛凛的时候,如果不看他说话做事的实际水准是无法判断他能力高低的。 为什么会用这个做比喻?因为计算机图像识别属于人工智能范畴,系统行还是不行,效果好还是不好,不是取决于外表,而是取决于内在算法。而图像识别算法这一块,目前仅发展了50年左右的时间(计算机技术从发明到现在也只有70多年时间,第一台埃尼阿克1946年诞生于美国宾夕法尼亚大学),图像处理算法还处于少年阶段,世界各大高校研究所在各个方向对图像进行研究。由于研究方向多,不同领域方向解决的问题不同,算法不具有直接通用性,因此就要解决好图像处理问题,需要广博的知识、系统性的理论再加上丰富的项目经验,所以图像算法跟武功秘籍一样,最高的跟最低的差十万八千里。但是这些通过外表是看不出来的,只有在各式各样的环境下测试,如果表现出来的效果稳定准确,才能最后断定这个系统是可靠的,因为不同的场景面临的问题不同,难度不同,只有各个场景各个品种都能稳定工作才能算作可靠产品。 为什么通用自动驾驶到现在还没有上路,只能在有限场景的几个固定地点进行摆渡车应用,背后的原因也是如此:不同天气,不同光照、不同地理环境、不同肤色的行人、各式各样的车辆、楼房等等,都做到100%识别像登天一样难。 这一点上来说,图像识别系统跟机械系统不同,机械系统性能大部分能看得到,外表什么样性能差不多就是什么样。 当然话说回来,图像识别系统也分三六九等。容易的任务跟困难的任务,其背后对专业知识和经验的要求差别也是非常大的,简单东西能做好不代表所有都能做好,中间的路非常漫长。 本文写作主要就是笔者发现经常有借概念炒作,忽悠客户的事情发生。各个老板和采购人员对计算机图像处理技术特点理解不准确,频繁出现投资失败的情况 背景介绍:笔者在机器视觉行业从事研发工作长达9年,时常遇到类似情况,跟客户解释十分困难,因此整理成科普文章发出来净化行业空气,使客户可以更理智的认识这个领域水深水浅,降低投资风险。 著作权所有:范视电子科技研发团队,转载请注明出处,以免引起不必要的法律纠纷。
  • 热度 2
    2020-1-5 12:53
    983 次阅读|
    1 个评论
    随着中国老龄化的加快,工厂招人越来越难,工厂的一些生产环节开始使用机器视觉产品。但是机器视觉产品在选购和使用中并非一帆风顺,在使用中经常遇到这样或者那样的问题;更有的在项目实施时换了几个供应商也没有达到生产要求,为此浪费了大量时间和财力。 之所以出现这些问题,究其原因机器视觉系统属于高科技产品,技术含量高难度也大,不同于传统机械产品。因此不能用传统机械设备上的经验进行选购,。为了便于工厂管理者更好的选到合适的产品降低浪费,本文将视觉产品选购中需要注意的问题进行系统性梳理。 什么是机器视觉?我们先进行基础概念介绍,把概念搞清楚才便于做出正确选择。 机器视觉是计算机图像技术在工业领域的一个称呼,其技术来源于计算机图像处理科学与技术。该技术较为高深,建立在计算机科学(图像识别和人工智能分支)与高等数学几何学基础上。此技术的一个应用大家应该耳熟能详,例如有线电视图像压缩传输,VCD、DVD、MP4、蓝光、4K高清等产品上无一不使用计算机图像技术。高级一些的例如人脸识别、车牌号识别、机器人抓取等。 机器视觉是将该技术应用于工业检测和识别领域。本质上是通过数字成像技术,然后经过各种运算进行关键特征提取,最后给出检测结果,调整下道工序的输入。 机器视觉从应用上来说,可以分为识别、检测、测量、定位。其中最难的是检测,各种缺陷的检测。下面分开介绍。 对产品状态好坏的判定以及字符读取都是识别的范围。例如饮料灌装行业需要对每个瓶子瓶盖盖好与否进行检测,这个就是对瓶盖状态的识别。瓶身上的生产日期检查,防止漏印、错印,这是字符识别。 有些芯片产品的引脚间距需要保证一致,不能出现忽大忽小,引脚间距的非接触式测量就是视觉测量的一个应用,此外饮料行业对于液位高度检查也是测量应用。 定位主要是计算出产品的位置方便机械手抓取。 检测主要对产品外观状态进行识别,例如产品表面是否有划伤、破损,典型应用例如纺织瑕疵检测、半导体硅片瑕疵检测、太阳能电池片电极断裂、油污和颜色深浅检测等。 由于上面四类应用难度不同,对产品的要求也不同,因此市场主要形成两大阵营:一个是以康耐视、基恩士为代表的智能相机家族;一个是以大恒图像、凌云光子为代表的计算机系统(PC Base)家族。 智能相机外形小巧、使用简单、便于安装用于读码(条码、二维码)、定位、测量和简单状态识别(例如瓶盖是否盖好),不过智能相机由于算法相对简单,处理器性能有限,无法胜任复杂缺陷检测的要求。复杂缺陷检测主要是依靠计算机家族来实现。复杂缺陷检测开发周期较长,不确定性大,找有实力的厂家开发成功率比较高。 智能相机主要是美国的康耐视(Cognex),日本的基恩士(Keyence),产品品质好,价格高。计算机家族主要是北京大恒图像、北京凌云光子、北京华夏视科、武汉精测可以进行全新检测系统的研制。 对于读码、定位和简单识别一般不会遇到特别大的困难,实际项目实施时失败率最高的是缺陷检测。缺陷检测系统的研制失败率高是因为缺陷种类繁多,产品品类多,形状颜色图案变化都比较大。 典型的机器视觉技术通过颜色、对比度、形状提取,通过数学建模等方法可以实现规整目标的缺陷检测,例如药片、光盘、液晶屏等。但是对于复杂外形的产品往往很难取得满意效果,例如农产品、食品、纺织品缺陷检测。 随着2012年加拿大多伦多大学教授Hinton在深度学习识别上取得突破,很多原来无法实现的复杂缺陷检测可以借助深度学习完成,并且实现了很高的准确率。对于产品形态复杂的检测任务可以尝试深度学习,很多都可以取得不错的效果。 不过深度学习也并非万能,如果场景变化目标形状变化剧烈,检测准确度也难以提高,例如户外环境下的自动驾驶行人车辆的识别。 选购机器视觉产品,最好寻找上述专业机构。然而大企业对小众采购量小的产品接单意愿不大。小众采购量小的项目开发只能选择小视觉公司,小规模视觉公司在技术和经验上参差不齐,需谨慎选择。 时间仓促,上述文章概括了视觉检测系统的概念和选购过程中需要注意的问题,希望可以帮助工厂管理人员。如果有特殊问题上面文章没有提及,可以在页面留言,我们会定期逐一解答。 著作权所有:范视电子科技研发团队,转载请注明出处,以免引起不必要的法律纠纷。
  • 热度 3
    2016-3-17 15:37
    460 次阅读|
    0 个评论
    机器视觉主要用计算机来模拟人的视觉功能,具有人脑的一部分功能一一从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。工业4.0、智能制造产业的来临,已预示着中国制造业必然要从过去的生产方式向新的高度发展,中国制造业逐渐走向智能制造将是历史的自然选择。 智能制造是一种由智能机器和人类专家共同组成的人机一体化智能系统。不难看出,智能制造业的发展将为机器人提供大显身手的广泛舞台,此时对机器人的要求也越来越高,传统的通过编程来执行某一特定动作的机器人,将不再能满足制造业向前发展的需求。很多时候,我们将需要机器人能够具备识别、分析、处理等更高级的功能,例如,在生产过程中,完成产品的组装、抓取和放置,不仅可以大幅提高生产效率,而且还能提高准确度,随之提高产品的合格率,降低生产成本。因此,视觉引导的机器人应运而生。 视觉引导的机器人,相当于为机器人装上了“眼睛”,让他们能够清晰地不知疲倦的看到物体,发挥人眼检查检测的功能,这在高度自动化的大规模生产中非常重要。鉴于此,很多公司都推出了结合视觉功能的机器人产品,如ABB公司,日本SEIKOEPSON、维视图像Microvision等,并且这类机器人已经开始走向应用市场。 在维视图像网站中,我们就可以了解到机器人与视觉系统相结合,用于太阳能电池片串焊机上的应用案例。案例中,利用机器视觉技术,采用维视图像500万太阳能电池板专业检测相机,配合维视图像系列工业镜头,对太阳能电池片进行高清图像采集。然后利用专用机器视觉软件算法对电池片进行准确定位,并快速计算出需要调整的位置信息,输出到高精度位置调整装置,将电池片进行精确调整,从而提高最终的焊接效率和质量。 机器人行业被长期看好,有人将智能制造看作是第三次工业革命,而其标志就是工业制造机器人化。我国工业机器人市场规模不断增长,已成为世界上增长最快的市场。并且,中国机器人产业的发展可谓恰逢天时地利人和,制造业向智能制造发展的产业升级需求,中国拥有庞大的制造业市场需求、相关政策的支持和众多产业布局。到目前为止,上海、昆山、沈阳等多地纷纷规划建设机器人产业园区,机器人产业发展大有势如破竹的节奏,整个制造业的需求规模不容小觑。 在中国制造业走向智能制造的大趋势下,机器人产业的发展必将为视觉应用提供众多机会。
  • 热度 3
    2014-10-8 09:23
    711 次阅读|
    2 个评论
    在工业控制技术发展迅速的今天,工控产品市场也随之爆发,巨大的市场蛋糕吸引着更多的资本进入这一领域,下面是一些相关机构对工控产品市场的判断,大家可以了解一下。 1、工业机器人:2000亿   今年以来,国内宏观经济整体呈现相对低迷状况,而机器人行业仍然保持较高的景气度,这个从多个方面可以反映出来。以中国国际机器人展览会为例,参展企业阵容扩大明显,国产机器的型号更加丰富,性能和质量在提升。草根调研反映,根据草根调研的情况,ABB、库卡、安川和发那科等国外机器人企业,由于汽车行业需求旺盛,上半年销量增幅都在20%以上,基本维持去年的增幅;而国产机器人企业埃替特、广数上半年销量同比增长均超过100%。   机器人国产化元年:以关键部件为例,苏州绿的的谐波减速机已经基本实现产业化,未来20公斤以下小型机器人国产化已经没有障碍,而且这种小机器人更适合3C行业等一般制造业。南通振康的RV减速机国产化进度也可能超预期。这种超预期同样可能存在于伺服电机领域。随着国产化推进和产销放量,今年部分机器人相关企业的盈利改善明显,埃夫特、东莞启帆等企业已经或即将实现盈利。   一般制造业需求加速,服务机器人空间巨大:最近几年国内机器人企业重点开拓一般制造业的机器人应用领域,包括机床上下料(包括冲压成型等)、打磨抛光、喷涂、焊接、铸造等,已经形成了较为成熟的机器人整体应用方案,为汽车以外的一般制造业机器人大规模应用打下坚实基础。根据测算未来5年国内工业机器人市场有望达到2000亿规模,将出现百亿级的工业机器人企业,与现有的规模比较,增量空间巨大。但是未来服务机器人将会有更大的市场容量,为机器人上市公司提供巨大的估值空间。 2、变频器:1200亿元~1800亿元   变频器(Variable-frequencyDrive,VFD)是应用变频技术与微电子技术,通过改变电机工作电源频率方式来控制交流电动机的电力控制设备。变频器主要由整流(交流变直流)、滤波、逆变(直流变交流)、制动单元、驱动单元、检测单元微处理单元等组成。变频器靠内部IGBT的开断来调整输出电源的电压和频率,根据电机的实际需要来提供其所需要的电源电压,进而达到节能、调速的目的,另外,变频器还有很多的保护功能,如过流、过压、过载保护等等。随着工业自动化程度的不断提高,变频器也得到了非常广泛的应用。   我国变频器市场,近几年保持着12%~15%的增长率。业内人士预计,现在中国市场上变频器安装容量(功率)的增长率实际上在20%左右,潜在市场空间大约为1200亿元~1800亿元。去年是十二五发展规划非常关键的一年,政府工作报告对工业以及公共领域节能减排提出很高要求,与此同时,变频器产业也迎来发展良机。实际上,十二五期间,我国环保投入将达到3.1万亿元,节能环保产业总产值将达5.3万亿元,而高压变频器作为节能减排的主力军和先锋,未来存在着巨大的市场需求。目前,中国节能型社会理念正在积极推广中,国家政府加快出台产业政策,为节能化发展指明方向。 3、传感器:1200亿   目前,智能传感器作为21世纪最具影响力和发展前景高新技术,正引起国内外电子信息界的高度重视。光电行业开发协会(OIDA)预测,智能传感器的国际市场销售量将以每年20%的高速度增长,智能传感器将在工业自动化时代扮演更加重要角色。2015年传感器市场规模将达1200亿,在世界各国广泛应用,未来,传感器将会在工业生产中大有可为。   目前,传感器越来越多地被应用到社会发展及人类生活的各个领域,如工业自动化、农业现代化、航天技术、军事工程、机器人技术、资源开发、海洋探测、环境监测、安全保卫、医疗诊断、交通运输、家用电器等。近年来,全球传感器产业飞速发展。2008年,全球3000多家传感器制造商的总销售额为500亿美元,而2010年世界传感器市场规模达800亿美元以上。随着物联网的高速发展,国内传感器产业也迎来了黄金发展期。   据统计,至2015年,我国物联网整体市场规模将或达到7500亿元,传感器产业将从中直接受益。2010年,我国传感器制造业规模以上企业(年销售收入500万元以上)实现销售收入440.27亿元。据业内专家介绍,此后中国传感器市场将稳步快速发展,在物联网市场规模大幅增长的动力之下,2015年中国传感器市场规模有望达到1200亿元以上。   在政策的支持下,我国的传感器技术及其产业也取得了长足进步。国内传感器产业在“双加工程”(加快力度和加快发展)的方针指导下,建立了中国敏感元器件与传感器生产基地。目前,国内有三大传感器生产基地,分别为:安徽基地,主要是建立力、光敏规模经济;陕西基地,1990年2月成立了陕西省敏感技术产业集团公司,主要是以电压敏、热敏、汽车电子规模经济为主要目标;黑龙江基地,主要以建立气、湿敏规模经济为主要目标。有业内专家指出,目前我国已有不少从事传感器的生产和研发的企业,早在2009年底,敏感元件和传感器年总产量已达到20亿只,传感器产品达到10大类、42小类、6000多个品种。 4、工业软件:1037.46亿   工业软件是指在工业领域里应用的软件,包括系统、应用、中间件、嵌入式等。一般来讲工业软件被划分为编程语言、系统软件、应用软件和介于这两者之间的中间件。其中系统软件为计算机使用提供最基本的功能,但是并不针对某一特定应用领域。而应用软件则恰好相反,不同的应用软件根据用户和所服务的领域提供不同的功能。   我国工业软件市场增长迅速,2011年市场规模已达到616.34亿元,同比增长17.9%。预计2014年市场规模将达1037.46亿元。   中国工业软件产业发展联盟副秘书长王威表示,尽管市场成长快,但由于起步晚、积累少,在大部分工业领域,国外工业软件仍占据统治地位,软件国产化程度有待提高。而核心技术的受制于人,同样让国内工业软件处于竞争劣势。此外,行业尚未形成龙头企业带动、中小企业协作配套的产业链,产业协同效应没有充分发挥。   未来,随着中国十二五期间加大工业转型升级力度,并大力发展高端、智能装备产业,工业软件市场还将进一步增长,对本土产业发展也将起到极大的刺激性作用。 5、工控机:200亿   目前国内的工控机供应渠道主要来源于中国台湾及内地的厂商,国外的产品(例如RADISYS、ROCKWELL、INTEL等)经过几年的市场拼杀后,由于成本高、价格高、服务难,现已完全退出国内市场。目前,国内的IT业研发、加工技术力量不断提升;各类芯片和各类器件、生产设备在国际市场基本可平等选购;软件资源的可移植性可节省大量的人力、物力。在这些有利条件下,国内一些厂商抓住机会快速崛起,利用本土综合竞争优势逐步将国外品牌挤出国内工控市场。某些企业以每年超过100%的资产增长速度,鼎立于国内的工控市场,而且已成功打入国际工控市场。   工控行业的产品和技术非常特殊,属于中间产品,是为其他各行业提供可靠、嵌入式、智能化的工业计算机。随着社会信息化的不断深入,关键性行业的关键任务将越来越多地依靠工控机,而以IPC为基础的低成本工业控制自动化正在成为主流,本土工控机厂商所受到的重视程度也越来越高。随着电力、冶金、石化、环保、交通、建筑等行业的迅速发展,从数字家庭用的机顶盒、数字电视,到银行柜员机、高速公路收费系统、加油站管理、制造业生产线控制,金融、政府、国防等行业信息化需求不断增加,对工控机的需求很大,工控机市场发展前景十分广阔。目前我国工控机的市场规模约200亿元。 6、机器视觉:200亿   机器视觉系统的出现来自繁琐劳动力的替代需求。机器视觉自动化设备可以不知疲倦的进行重复性的工作,且在一些不适合于人工作业的危险工作环境或人工视觉难以满足要求的场合,机器视觉可替代人工视觉。   机器视觉最早应用于工业制造领域。通过机器视觉的自动识别功能,许多流水线上具有高度重复性的检测都可以依靠机器视觉系统设备完成,大大提高了检测效率和精度。   机器视觉是一个相当新且发展十分迅速的研究领域。在国外,机器视觉的应用普及主要体现在半导体及电子行业,其中大概40%-50%都集中在半导体行业。诸如电路板印刷、电子封装、SMT表面贴装、电子电路焊接等,均需要使用机器视觉系统技术。机器视觉系统还在质量检测方面得到了广泛的应用,并且其产品在应用中占据着举足轻重的地位。但在中国,以上行业本身就属于新兴的领域。中国机器视觉市场起步较晚,行业集中度较高,部分经销商开始以代理为主转向大力推广自主品牌的产品,行业分布、渠道分销与成熟的自动化产品都有明显差异。整个中国的机器视觉市场相较成熟的自动化产品应用水平偏低,市场远未饱和。   伴随着工业自动化的发展,我国配套基础建设的完善,技术、资金的积累,各行各业对采用图像和机器视觉技术的工业自动化、智能化需求开始广泛出现,国内有关大专院校、研究所和企业近几年也在图像和机器视觉技术领域进行了积极思索和大胆的尝试,逐步开始了工业现场的应用。   机器视觉随着技术的革新及行业的需求,成为逐渐崛起的新兴行业。而随着全球制造中心向中国的转移,中国机器视觉市场已经成为国际厂商关注的焦点。据预测,中国机器视觉市场规模到2015年将达200亿元。 7、伺服系统:100亿   代交流伺服系统,经历了从模拟到数字化的转变,数字控制环已经无处不在,结合市场需求的变化,一些新的发展趋势值得我们重视。   数字伺服以其:高效率化、直接驱动、通用化、智能化,网络化和模块化等优点给用户带来了良好的体验。将现场总线和工业以太网技术、甚至无线网络技术集成到伺服驱动器当中,已经成为欧洲和美国厂商的常用做法,国内企业也正在跟进发展步伐,把一些外国领先的技术引进到国内来,并根据企业特色进行创新研发。   很多有远识的国产厂商正加大研发力度提升其产品的性能,进而扩大其品牌的号召力,国产伺服厂商改变进口垄断格局将指日可待。由此预测,未来五年,我国伺服系统行业受益于产业升级的影响,仍将保持20%以上的增长速度,至2015年,我国伺服系统行业市场规模有望突破100亿元,其中,国产伺服产品的市场占有率将达到40%左右。 8、3D打印:百亿元   记者近日从工信部有关人士处获悉,目前《国家增材制造发展推进计划(2014-2020年)》(征求意见稿)已初步制订完成,年内将会出台。   国家对3D打印的发展目标包括:到2017年初步建立增材制造(俗称“3D打印”)技术创新体系,培育5至10家年产值超过5亿元、具有较强研发和应用能力的增材制造企业;并在全国形成一批研发及产业化示范基地等。在政策措施上,国家将加强组织领导,加强财政支持力度,并支持3D打印企业境内外上市、发行非金融企业债等融资工具。   在3D打印的重点发展方向上,征求意见稿拟定了五大方向:一是金属材料增材制造,包括针对航空航天,核电、能源等机械零部件直接制造需求,研制钛合金、高温合金等金属材料;二是非金属材料增材制造;三是医用材料增材制造,例如针对牙齿、假肢、手术导板、手术辅助器械等方面需求,开发医用外部矫形器械专用材料等;四是设计及工艺软件;五是增材制造装备关键零部件。   据了解,3D打印的巨大市场前景也吸引着众多企业。目前仅在国内资本市场上,涉足3D打印的上市公司数量也多达二、三十家。而据中国3D打印技术产业联盟数据,2013年全球3D打印市场规模约40亿美元,中国市场规模约达20亿人民币。也有机构乐观预测,未来几年,中国大陆3D打印市场每年将至少以1倍以上的速度成长,规模或将达到百亿元。 9、运动控制器:40亿   近年来中国机床、纺织、印刷、包装和电子等行业的快速发展有力带动了对运动控制器的需求。2006-2012年中国运动控制器需求量稳定增长,由2006年的25.36万套上升至2012年的75.45万套。2013年中国运动控制器市场需求依旧相对稳定,增速约为19%,需求量在90万套左右。   通用运动控制器作为伺服系统的控制装置,其市场规模受到伺服系统的直接影响。近几年,中国伺服系统市场的快速增长带动通用运动控制器的市场规模不断扩大,由2006年的5.43亿元增长到2012年的19.46亿元,年均复合增长率为23.7%。2013年中国通用运动控制器市场规模在23.4亿左右,同比增长约16.9%。   根据平台不同,通用运动控制器可以分为PLC控制器、嵌入式控制器和PC-Based控制卡三大类。2013年中国PLC控制器市场份额达55.68%,其次为嵌入式控制器。   目前中国本土运动控制器企业如固高科技、上海维宏、雷塞等公司主要是针对中低端市场,欧美企业主要是针对高端市场,总体上来说,中国本土企业的市场份额超过50%。其中固高科技市场份额位居首位,2013年达14.2%。   Pc-based控制器近年来在中国发展迅速,主要原因是开放的系统、合理的性能和较低的价格,特别适合中国市场。在Pc-based控制器领域,本土厂商已逐渐崭露头角,领先厂商有固高科技、雷赛智能、众为兴、成都乐创、上海维宏等,这些厂商同时也为一些细分行业提供专用控制器。固高科技在该细分领域拥有统治性的优势,2013年市场份额高达45.32%。   未来几年,运动控制器的需求增长仍将集中于机床、印刷、包装,电子等行业,而烟草机械、医疗设备等行业对运动控制器的需求也将稳定增长,预计到2016年中国运动控制器需求量将接近190万套,而通用运动控制器市场规模有望达到40亿元左右。 10、电磁阀:13.28亿   电磁阀作为流体控制自动化系统的执行器之一,由于有着廉价、简单、动作快、易安装、易维护的特点,已经成为流体控制自动化的首选产品。二十世纪50-80年代一直依赖进,一直到二十世纪90年代,国产电磁阀才占据了一定的市场份额。   电磁阀产品市场的强劲需求,得益于这几个方面。国有经济持续稳定发展、固定资产投资逐步扩大,尤其是几项世纪工程“西气东输”、“西电东送”、“南水北调”等项目的开工需要大量的阀门产品配套;另外,我国正面临着工业化时代的到来,石化行业、电力部门、冶金部门、化工行业和城市建设等使用阀门大户将增强对电磁阀产品的需求。电力行业在“十一五”期间在煤电机组大、中型开工项目所需阀门总计为:阀门总需求量15.3万吨,年均需求量3.06万吨;阀门总需求额39.6亿元,年均需求额为7.92亿元。而按照年均增长20%的速度,“十二五”期间阀门的总需求量为26.56万吨,年均需求量为5.32万吨,阀门总需求额为66.4亿元,年均需求额为13.28亿元。
相关资源
广告