当在工业自动化领域考虑使用机器视觉技术时，首先想到的可能是质量检测、识别以及机器人引导等功能。不过，机器视觉执行精密在线计量或测量的能力同样重要。

图1 要想成功部署机器视觉在线测量，通常需要富有创造性的成像解决方案，包括特种光学元件、照明，甚至对零件或成像系统进行重新定位

然而，在执行一个强大且可靠的应用时，自动化的非接触式测量可能会面临一些独特的实施挑战。本文将讨论在实施过程中一些容易被忽视的关键问题，以及一些有助于确保应用成功的最佳实践。

自动化成像也被应用于许多离线或实验室计量系统中。但是本文重点讨论的是直接集成到制造过程中的系统，这些系统能够对生产的每一个零件进行测量，从而有助于提高生产效率和产品质量。

非接触式测量与接触式测量

在使用成像技术执行非接触式计量时，理解这一技术的影响至关重要。接触式测量和非接触式测量之间的差异描述起来很简单，但要克服这些差异却很困难；而且在很多情况下，这两种技术所产生的结果并不一致。

对两种测量方式的表面看法

无论使用何种机器视觉组件，所采集的图像（灰度图、彩色图，甚至是三维图）通常只包含面向成像设备的物体特征的视图。例如，手动测量工具会在测量点与物体的侧面接触，而非接触式测量则必须依靠相关特征的可见边缘。

以测量零件上一个加工孔或“镗孔”的直径为例。可以使用卡尺或内径量规来实际接触并测量零件表面下方某一点处的孔径。然而，从零件上方拍摄的图像只能测量零件表面上孔的边缘。这里有几个重要的问题：这些测量值在物理上代表的是同一个东西吗？如果不是，是否存在一致的关系来协调测量差异？图2是一个简单的例子，说明了几乎影响所有测量应用的一个潜在挑战。

图2 零件摆放方式对特征呈现的影响：由于零件倾斜，一个圆形在图像中显示为椭圆形

零件摆放方式的影响

从更广泛的意义上讲，零件摆放方式和相关的生产变化在接触式/非接触式测量差异中，发挥着类似且可能更具挑战性的作用。以前面提到的圆形镗孔为例。当孔的表面垂直于成像系统时，该特征在图像中会被正确地显示为圆形。然而，如果零件表面哪怕只是稍微倾斜，这个圆在视觉上就会变成椭圆形，从而影响测量结果。几乎任何在线测量都会出现这种因摆放方式导致的问题，无论要测量的物体或特征是什么。

在对背光部件进行测量时，这个问题通常会更加明显，哪怕使用远心镜头或“测量”镜头也无法完全消除潜在的误差。对于非接触式测量的成像，首先必须尽量减少零件摆放方式的所有可能的变化，然后要明白：在几乎任何情况下，任何剩余的零件和/或摆放方式的变化，都会在测量中引入一些累积误差。

理解非接触式测量中的这些潜在因素，是机器视觉在线测量取得成功的良好起点。但是，在基于图像的计量学的实际应用中，还有其他几个要素需要考虑。

为测量提供成像

从上述讨论中可以明显看出，在线系统的成功取决于能实现正确的、有时甚至是富有创意的零件成像。最有效的方法往往根据特定的应用场景而定。然而，某些最佳实践为获得最佳成像效果提供了基础。本次讨论的一个重点是介绍测量指标的概念和术语。

测量指标：精度、准确度、正确度

测量结果通常是基于这些基本且相关的测量科学概念来评估的。清楚地理解这些术语的含义，以及它们如何影响设计机器视觉测量应用的方法，这一点非常重要。

精度是指在多次测量中，特定测量值彼此之间的接近程度。它与“重复性”和“再现性”密切相关。在在线测量应用中，精度是需要考虑的最重要指标，因为它表明了随着时间的推移，测量结果的可信程度。

精度的一种常见表示方法是一组测量值的标准偏差（SD），标准偏差越低表示精度越高。然而，对于在线测量来说，对数据求平均值可能无法说明全部情况。对于许多应用来说，最有用的指标是一段时间内测量值的基本范围。因为大多数在线系统不仅要收集数据，还必须对零件是否在公差范围内做出判断，所以测量范围的极值可以用来合理预测系统可靠地判定零件合格或不合格的能力，同时尽量减少误判和漏判的情况。

但是准确度和正确度又如何呢？正确度是指测量的平均值与真实值的接近程度。准确的测量既具有高精度又具有高正确度。对于在线系统来说，这些值可能不太实用，因为在生产环境中，确定这些指标的“真实值”可能有些模糊，甚至是可变的。然而，具有非常高精度的非接触式测量系统，通常可以在测量中引入一个固定偏差，以使测量结果与规定的真实值一致。

计量学成像规范

在机器视觉计量学中，与系统精度相关的基本成像形成规范，是所采集图像的空间分辨率。空间分辨率是指以实际单位来估算或测量的单个像素（相机中最小的成像单位）的大小。简单来说，若一个传感器在水平方向上有1000个像素，而光学系统产生的视场宽度为1英寸，那么在生成的图像中，单个像素就代表0.001英寸。通过规定所选传感器的像素数量以及成像视场的大小，就可以确定空间分辨率，以满足应用需求。但应用的需求是什么呢？

作为一种测量标准，机器视觉系统中的最小测量单位（稍后会提到一些例外情况）是单个像素。与任何测量系统一样，为了进行可重复且可靠的测量，必须使用一种测量标准，根据经验法则，其最小测量单位应为所需测量公差带的1/10。这可以称为测量分辨率。在刚刚描述的例子中，空间/测量分辨率为 0.001英寸/像素的系统，对于大约±0.005英寸（公差带为 0.01英寸，即测量单位的10倍）的测量来说，可以估计其具有较高的精度。

有时，对于给定的应用，为了使非接触式测量可靠、可重复并能产生可再现的结果，这些计算可能会得出一个高得惊人的像素数量。在空间分辨率上做出妥协是不明智的，而且通常也不会成功。唯一有保障的配置是通过创造性地指定成像设备，并使用适合该应用的测量工具和算法来实现。

图3 背光照明是机器视觉中一种常见的成像技术，通常与测量应用相关

然而，重要的是要认识到，对于某些类型的零件，由于零件的摆放方式或相机的朝向，可能会引入潜在误差。对于采用背光照明的物体，所成的图像是零件的轮廓或“影子”。因此，如果物体发生倾斜而与相机不垂直，那么零件表面之外的特征就会成为图像中可见轮廓的一部分。误差的大小取决于零件的几何形状、深度（相对于相机视角而言）以及与垂直方向的偏移角度。如果存在这种导致测量误差的因素，那么通过成像技术很难克服，而且通常在软件校准过程中也无法对其进行补偿。

高分辨率成像的吸引力

传感器和相机技术的进步，使得机器视觉应用能够使用分辨率越来越高的成像。这使用户能够在更大的视场下，实现必要的空间分辨率。虽然在某些用例中这种方法很有吸引力，但它也有一些缺点。其中一个经常被忽视的问题是，在更大的视场下，照明和成像角度会面临挑战。在大视场区域内，要提供均匀的照明或具有关键几何形状的照明可能很困难。如果使用具有宽成像角度的光学系统来获得更大的视野，那么在进行计量特征提取时，这也会影响图像质量。一种选择是在适当的情况下使用多个相机。

不过，如果在成像设计中能够克服这些以及其他可能存在的障碍，高分辨率成像仍是一个非常不错的选择——使用能够提高系统测量分辨率的算法，可能会使一些应用受益。

通过算法提高分辨率

有时，通过使用能够将特征做到“亚像素”重复性的算法，所获得的测量分辨率有可能超出成像系统的空间分辨率，比如梯度边缘分析、诸如圆拟合或直线拟合的回归分析，以及在某些情况下的连通性分析。结果是，最小测量单位或测量分辨率可以小于单个像素，这可能会影响所需的像素数量或视场（FOV）大小。

在规格说明中，应该非常谨慎地纳入预期的亚像素能力（如果有的话）。要明白虽然可以预先估计亚像素能力，但只有通过使用实际零件和图像对系统进行测试，以实证的方式来确定其能力。

光学元件和照明的影响

成功的成像依赖于对光学元件和照明的创造性运用。全面探讨机器视觉中这些组件的最佳实践方法超出了本文的讨论范围，但这些组件的影响依然至关重要。一般来说，图像必须产生尽可能高的对比度，以便在尽可能低失真的情况下，提取待测量的特征。远心镜头这样的特种光学元件，可能是一种选择。照明组件必须在面对零件和摆放方式的变化时，始终如一地突出特征。在所有情况下，成功的机器视觉图像生成，都需要在实验室和生产现场进行实验，以确保选择了正确的组件。

图4 与物理测量不同，使用机器视觉的非接触式计量必须依赖于垂直于传感器成像的表面特征，这在图中的汽车变速器板上得到了清晰的体现

使用所有正确的分析工具

在讨论图像分析之前，必须先了解一个最基本的机器视觉范式：没有任何软件工具或应用程序能够“修复”或弥补质量不佳的图像。如果有必要，可以谨慎地调整或优化图像，但要首先确保图像质量，然后再使用分析工具来实现其确切目的：提取和分析图像中的特征。

大多数机器视觉软件库和应用程序，有针对测量或计量的工具或算法。这些工具通常能够使用多个点来生成结果，从而“平滑”特征中微小物理变化的影响。不过，有些算法并不适合用于测量。通用的“搜索”工具可以找到特征，但必须谨慎使用，因为该工具可能会将结果“拟合”到预训练模型上，而不考虑可能影响特征位置的局部变化。需要注意的是，这些工具并不提供测量信息，只提供搜索置信度，而且它们单独使用时很少能奏效。

在某些情况下，二值化工具可能也不实用，因为阈值的一致性可能会改变所报告物体或“团块”的几何形状。与此同时，用于计量的 3D 成像系统，会使用它们自己的一些专门但有效的工具。而且，虽然可以训练深度学习模型来分割目标特征，但对这些特征的测量最好还是使用直接分析工具来进行。

在计量应用中，对相机进行校准并非绝对必要，但校准相机有如下好处：能够呈现真实世界的测量结果、校正图像视角以实现更精确的测量、能够关联来自多个相机的图像。

使用特定的校准物件进行的校准，通常是任何机器视觉系统或软件都具备的一项可用功能。

获取3D数据的机器视觉组件和系统，在某些测量应用中也同样有效。采用3D技术的系统，其集成难度范围可从非常简单到极其复杂，但在某些情况下，3D技术可能是唯一的选择。在3D测量应用中，需要注意的是，上述所有测量指标和注意事项仍然适用。根据个人的经验水平，寻求3D成像方面的专家帮助，可能会很有价值。

静态误差与动态误差

在测试系统评估性能指标时，静态和动态数据采集有助于厘清机器视觉测量系统中的误差来源。静态测试是在同一零件处于静态固定位置时，获取其多张图像来进行的。静态测试揭示了机器视觉组件和软件的基本测量能力。以这些信息为起点，对在大量样本集中以动态方式呈现的零件进行测量的额外测试，揭示了在整个测量系统分析中，自动化所产生的误差影响。通常，这种误差要大于在静态测试中的误差。

最终，动态测试结果反映了系统的预期性能。如果通过调整成像或优化分析性能能够获得更好的静态测试结果，那么自动化和零件处理过程中产生的一些误差累积，可能会得到缓解。不过，在很多情况下，可能需要改进系统的机械部分来降低动态误差，包括改进零件处理和摆放方式。

使其发挥作用

当然，要成功实施基于机器视觉的在线测量系统，还有许多其他重要的技术问题和需要考虑的因素。希望本文的讨论能让你对系统的规格制定和实施过程有一些深入了解，并希望在重要的工业自动化场景中使用机器视觉技术。

（David Dechow，Machine Vision Source）