深入了解MERLIC产品应用

如今，大多数工业部门的价值链都依赖于高度的自动化程度。为了满足工业 4.0 和智能工厂的要求，生产过程必须实现完全的网络化和数字化。工业图像处理，又称机器视觉，可在许多领域发光发热。它就像眼睛一样密切注视着与生产、质保和内部物流相关的所有流程。摄像头、扫描仪或传感器等图像采集设备可从相应生产场景中的不同角度拍摄大量数字图像数据。集成型机器视觉软件几乎可以实时处理这些信息，并将其提供给上一级质量管理系统和工厂控制系统，从而实现高度自动化。由于像 MVTec MERLIC 这样简单易用的图像处理软件无需编程知识，因此各行各业的中小型企业也可以轻松上手，从而推动自身数字化进程的发展。

机器视觉能做什么

工业图像处理的应用范围非常广泛。例如，它可以根据外部特征精确识别不同类型和形状的物体。借助 OCR 技术，它不仅可以根据物体的形状和特征，还可以根据印刷上去的数字和字母组合来识别物体。机器视觉不仅可以精确定位和对齐工件，还可以帮助机器人准确地拾取、处理和放置物体，而无需由工作人员来操作机器人。这有助于实现整个处理过程的自动化，使其更加安全和高效。

在传统制造业、汽车生产、机械和设备制造、电子产品制造、电池生产，甚至是食品和饮料行业，工业图像处理技术在各个领域都能大显身手。它不仅处理速度快，而且精确度非常高。大量数字图像数据只需几毫秒即可处理完毕，并提供高度精确、可靠和稳健的结果。借助先进的图像处理技术，企业可以在装配、质保或物流工作流程中节省大量成本。

易于入门的专业软件MVTec MERLIC

在汽车行业使用机器视觉

然而，要把专业的图像处理应用程序集成到自己企业的系统中通常非常费时费力。许多公司，尤其是中小型企业，大多缺乏能完成此类任务的人力资源和专业知识，以致于无法真正发挥机器视觉的潜力。像 MVTec MERLIC 这种简单易用的机器视觉软件正是他们的不二之选。

作为一体化解决方案，MERLIC 支持所有通用行业标准，能够与各种硬件兼容，因此可以轻松集成到工厂设施中。它包含所有必要的功能，如图像采集、图像处理和可视化，即在前端显示结果。特别重要的是，该软件易于使用，尤其是对于那些没有编程知识的机器视觉入门者而言，也能轻松上手。创建机器视觉应用程序所需的工具可以在图形配置界面上通过拖放操作轻松选择。这意味着，不需要编写任何代码就能够完整实现图像处理应用程序的快速开发和操作。而且，该程序可以随时集成到现有的控制方案中。

MVTec MERLIC 还考虑到了人工智能 (AI) 在工业领域中日益重要的地位，集成了深度学习技术。通过自学习算法可以为物体识别和错误识别提供超乎想象的识别结果。但如果不具备训练所需的大量高质量图像数据和相应的强大硬件，或者您对生产速度有很高的要求，则基于规则的传统方法才是更好的选择。为此，MERLIC 提供了一系列已经过行业验证的处理工具。

MERLIC 在实践中的应用

在半导体生产中识别错误

来自不同行业的两个例子展现了机器视觉在工业领域中的优势。

在食品工业中，马铃薯或巧克力棒等产品在被输送到机器人包装区时，通常都是杂乱无序地躺在传送带上。为了使机器人能够在这种混乱的环境中精确地抓取产品，MERLIC 使用摄像头捕捉产品，并将精确的位置数据传输给机器人。一旦食品进入机器人的工作区域，机器人就会根据 MERLIC 提供的数据，按照先进先出的原则开始处理产品。机器拾取最前面的产品，并将其放置到指定的存储位置。MERLIC 和机器人的坐标系统是一致的，因此视觉坐标精确对应于机器人的示教工作区域。MERLIC 中集成的匹配技术可确保机器人即使在苛刻的条件下也能精确、稳健、快速地找到物体。这样，机器人就能灵活应对千变万化的情况，例如轮廓旋转、缩放、透视扭曲、部分遮挡或超出图像之外等各种情况。

基于深度学习技术（如全局上下文异常检测）可以取得非常好的效果，尤其是在检测金属弹簧等复杂部件时更是如此。功能强大的摄像头从上方拍摄每个部件的图像。全局上下文异常检测可用于检查所拍摄到的包含金属弹簧的图像。深度学习技术有两个神经网络。“局部”网络检查小的缺陷，如划痕、裂缝或脏污。“全局”网络则更进一步检查逻辑错误，如支架弯曲或缺失支架。全局上下文异常检测通过两个网络的干涉来确定异常评分。然后将该评分与事先定义的异常阈值进行比较。如果异常评分高于阈值，就说明组件有问题，应该被剔除。与使用基于规则的方法相比，采用了深度学习技术的检测过程拥有很大优势。在使用基于规则的方法时，如果要定义缺陷，必须从“不合格产品图像”中挨个提取所有可能的缺陷类型。而 MERLIC 深度学习方法的训练只需要“合格产品图像”就够了。

面向各行各业的机器视觉

机器视觉为各行业中各种规模的公司创造了巨大的附加值。有了简单易用的软件，就能快速、轻松地引入和使用机器视觉技术。这样便可以优化流程，减轻员工负担。