智能机器人系统：智能机器人视觉系统PPT教学课件.pptx

智能机器人系统-智能机器人视觉系统1

目录7.6、视觉定位27.1、概述7.2、视觉系统组成7.3、图像处理7.5、视觉检测7.4、视觉识别7.7、实例

机器视觉技术简介视觉系统整体组成机器视觉技术:机器视觉技术是指利用视觉传感器，配合机器视觉算法，使机器具有和生物视觉系统类似的场景感知能力。视觉系统组成:常见的视觉系统要由光源、工业镜头、工业相机、图像采集卡和机器视觉软件组成。7.17.2概述与视觉系统组成3光源工业镜头工业相机图像采集卡

颜色转换处理简介色域空间转换颜色转换处理:颜色空间转换在图像处理中至关重要，通过色域空间转换操作确保图像特征显示的一致性和准确性。色域空间:在图像处理中，最常用的颜色空间是RGB（Red，Green，Blue）格式。RGB格式常用于颜色显示和图像处理。而在面对颜色分割任务时，HSV（Hue，Saturation，Value）格式相较于RGB格式有着更好的表现。RGB与HSV通过以下公式相互转换：7.3图像处理4图像灰度化

灰度化处理简介灰度化处理:由于环境、设备等因素，相机采集到的实际图像往往与理想图像有很大的差异。如果直接对图像进行处理和分析，定位精度和识别效果会很差，因此对图像进行预处理至关重要。直方图均衡化:直方图均衡化的目的是为了避免灰度呈两级或多级分化现象，使其能够均匀分布。均匀的灰度分布图，其对比效果也较为明显。目标：给定一幅图像，通过一定的处理，得到对比度强的输出（均衡化的直方图）7.3图像处理5灰度直方图直方图均衡化直方图对比

图像预处理技术简介色域空间转换图像预处理技术:由于环境、设备等因素，相机采集到的实际图像往往与理想图像有很大的差异。如果直接对图像进行处理和分析，定位精度和识别效果会很差，因此对图像进行预处理至关重要。图像预处理组成：图像预处理旨在增强前景与背景的差异，主要由图像分割和形态学处理组成。7.3图像处理6图像灰度化图像分割形态学处理

视觉识别技术简介传统视觉识别视觉识别:假定给定一张图片进行分析，在这个图像中对每个可能的子窗口应用某个识别算法。这类算法可能既慢又易于出错。相反，构建特殊任务的检测器（detector）是更有效的方法，其任务是快速找到可能出现物体的区域。组成：常见的视觉识别包括：传统视觉识别和基于深度学习的视觉识别。7.4视觉识别7基于深度学习的视觉识别

工业缺陷工业缺陷检测:工业缺陷检测技术是指利用视觉设备对工业产品的质量进行检查和评估的技术。其主要目的是识别和定位产品在制造过程中可能出现的缺陷，如裂纹、孔洞、异物夹杂、尺寸偏差等，以确保产品的质量和可靠性，广泛应用于制造业、航空航天、汽车工业、电子产品等领域。7.4视觉识别8工业缺陷处理步骤

基于纹理特征的工业检测方法:基于纹理特征的方法可以分为统计方法、信号处理方法、结构方法和模型方法。a.统计方法：通过将物体表面的灰度值分布视为随机分布。b.信号处理方法：将图像看作二维信号，并从信号滤波器设计的角度对图像进行分析。c.结构方法：基于纹理原语理论，认为纹理是由一些按照一定规则在空间中重复出现的最小图案（纹理原语）组成。d.模型方法：常用的工业产品表面缺陷检测模型包括MRF模型和分形模型。97.4视觉识别

基于颜色特征的工业检测方法:颜色特征在图像检索中被广泛使用，具有计算量小、对图像大小、方向和视角的依赖性小以及高鲁棒性等特点。颜色直方图：颜色直方图是一种全局统计结果，描述了图像中不同颜色的比例，但它不考虑颜色分布的空间位置，无法描述图像中的物体。颜色矩：颜色矩的主要思想是利用每个阶的矩来表示图像中的颜色分布。通常只需要使用颜色的一阶矩（均值）、二阶矩（方差）和三阶矩（偏移）就足以表示图像表面的颜色分布。107.4视觉识别

基于纹理特征的工业检测方法:深度学习的快速发展使其在缺陷检测领域得到越来越广泛的应用。基于深度学习的常见分类有：监督方法和无监督方法，简要介绍深度学习在工业缺陷检测领域的研究现状。监督方法要求训练集和测试集都是必需的。训练集中的样本需要进行标记，并用于找出样本的内在规律，然后将这些规律应用到测试集中。在无监督学习方法中，常见的表面缺陷检测方法包括基于重建和基于嵌入相似性的方法。117.4视觉识别

工业缺陷行人检测:行人检测（PedestrianDetection）一直是计算机视觉研究中的热点和难点。行人检测要解决的问题是：找出图像或视频帧中所有的行人，包括位置和大小，一般用矩形框表示，和人脸检测类似，这也是典型的目标检测问题。127.4视觉识别

行人检测:人脸识别作为一种生物特征识别技术，具有非侵扰性、非接触性、友好性和便捷性等优点。人脸识别的一般流程包括:1.人脸检测：此阶段旨在从图像中定位和提取人脸区域，以去除图像中的干扰。