机器视觉在生产制造中主要用在视觉引导，尺寸测量，产品检测，物体识别等几个领域。 在这几个领域中，一个最基本的算法就是产品识别和定位，比如视觉引导机器人，要在图像中识别出要抓取的产品，并定位出坐标，才引导机器人到的产品位置。

机器视觉在生产制造中主要用在视觉引导，尺寸测量，产品检测，物体识别等几个领域。 在这几个领域中，一个最基本的算法就是产品识别和定位，比如视觉引导机器人，要在图像中识别出要抓取的产品，并定位出坐标，才引导机器人到的产品位置。

尺寸测量，产品检测等也是一样的，在测量和检测之前，首先要知道有没有产品，产品的位置在哪里，才可以应用后续的各种分析工具。 因此，产品识别和定位是一个基本问题。

视觉定位系统组成

依托机器视觉的机器人定位系统包含摄像机系统和控制系统。 其中摄像机系统中包括计算机(具有图像采集卡)、摄像机，主要收集视觉图像，并应用机器视觉算法。控制系统包含控制箱和计算机，对计算机末端具体位置完成控制。

工作区利用CCD摄像机进行拍摄，并使用计算机识别图像，得到跟踪特征，完成数据的计算和识别，借助逆运动学方式获取机器人每一位置的误差，再对高精度末端执行模块进行控制，科学调整机器人的位置和位姿。

视觉定位系统关键因素

在工业生产领域，尤其是工业机器人的应用中，视觉识别定位系统显得尤为重要，在实际的生产中，要关注的不仅是能不能准确抓取，同时还要关注到其速度问题，而这一块一直是行业内的问题，我们经常遇到的工业机器人抓取通常速度是比较慢的。而一旦将速度提升上来，抓取的精度便会产生问题。

首先是数据量，在较为复杂的生产环境中，系统需要准确找到需要识别定位的产品; 其次是速度，如何在一些标准的生产线将速度提升到ms级别，过往的算法虽然可以在普通发挥作用，但是随着算法不断发展，深度学习算法往往需要搭载更加理想的GPU来实现; 然后便是问题的核心，定位精度，在深度学习系统中，我们看到的图像都是有一定的缩放，我们需要整个系统在原图达到像素精度的匹配; 剩下的就是识别的准确性，在很多情况下，我们能能到的学习数据很少，在这种状态，如何来进一步提高识别的准确性。

视觉定位 面临挑战

如果要设计一个可行的产品识别和定位的算法，需要克服几方面的困难：

· 快速的指定产品：工业产品千差万别，因此，对于每一个具体的应用，需要从几张，甚至一张图像上，快速指定需要查找的产品，比如当前产线需要定位铆钉的位置，拍一张照片并进行相应的学习，就可以在后续的图像中进行搜索定位。

· 快速的搜索产品：对于一张200万像素的图片，通常要求在几十毫秒的时间可以识别和定位出产品的位置。

· 高精度的定位：工业生产对精度和公差有严格的要求，因此产品的定位就要力求准确。现在普遍要求识别定位算法可以达到一个像素级别的定位。

· 可以适应产品缺失、遮挡、脏污等的影响：如果一个产品被遮挡，导致产品在图像中缺失一定比列，需要依然可以识别定位到物体。反之，如果产品表面发生脏污，导致表面的特征发生变化，需要依然可以识别定位。

· 可以适应光照亮度不均匀的影响：如果产品的亮度发生变化，比如一半亮一半暗，需要依然可以识别定位。

· 可以识别旋转的产品：产品通常可能在360度范围内旋转。

· 可以识别多个产品：一张图像中可能有多个产品，需要分别识别定位。

· 可以准确识别接近对称的物体：接近对称的物体很容易别识别成错误的方向，需要进行相应的设计。

· 可以应对物体的极性翻转：比如学习的产品是白底黑字，但是实际上产品图像有可能是黑底白字，需要可以识别。

（文章来源于中国传动网，如有侵权，请联系删文）