Bamboo265925的博客

Mark点一般不会太大，如果只是针对单个Mark点的话，则不需要太高分辨率的工业相机，有130万左右的即可。可以考虑使用环形光源，如SHI-RL5260-W，同轴光源SHI-COL30-W这样的。单个Mark点的，可以考虑使用50mm的FA镜头，如M5018-MP2。如果是多个镜头，则需要考虑视野大小，可以考虑M2514-MP2、M1214-MP2这样的短焦FA镜头。如果视野较大，而两个Mark点离的比较近，而坐标转换的位置比较远的话，则需要考虑长距离下细小的角度变化，也会引起坐标的较大偏移。

set_system( 'clip_region', 'false') *旋转 hom_mat2d_identity (HomMat2DIdentity1) hom_mat2d_rotate (HomMat2DIdentity1, rad( 90), 0, 0, HomMat2DRotate) affine_trans_region (Rectangle, RegionAffineTrans1, HomMat2DRotate, 'nearest_neighbor')

VM SDK：流程输入图像（ImageBaseData_V2，VM4.2 SDK新增）、Group输入图像（ImageBaseData_V2，VM4.2 SDK新增）、图像源SDK输入图像（ImageBaseData）、模块输入图像（InputImageData）、流程输出图像（区分VM4.0 SDK和VM4.2 SDK的获取输出图像的方式，VM4.2获取流程图像的类型是ImageBaseData_V2）；//imageBaseData_V2图像真正的缓存长度。//添加冗余位，变成4的倍数。

AutoResetEvent 类似于门锁，当某个线程请求进入一个被 AutoResetEvent 保护的区域时，如果事件处于未触发状态（即“关闭”状态），那么该线程将被阻塞，直到另一个线程触发这个事件。一旦一个线程被释放，AutoResetEvent 自动返回到无信号状态，阻止其他等待的线程继续执行，直到再次调用 Set()。在这个例子中，WorkerMethod 中的线程会在 autoEvent.WaitOne() 调用处等待，直到 Main 方法中的 autoEvent.Set() 被调用。

二维坐标点按行排序的算法思路为：通过Y值判断坐标点是否属于同一行，再对同一行的坐标点按X值从小到大进行排序。

通过在 00 到 11 之间变化 𝛼α，此运算符可用于在两张图片或视频之间执行时间交叉溶解，这在幻灯片展示和电影制作中常见（很酷吧？由于我们要添加 𝑠𝑟𝑐1src1 和 𝑠𝑟𝑐2src2，它们必须具有相同的尺寸（宽度和高度）和类型。从我们之前的教程中，我们已经了解了一些像素运算符。我们需要两个源图片 (𝑠𝑟𝑐1src1 和 𝑠𝑟𝑐2src2)。我们使用的图片如下：LinuxLogo.jpg 和 WindowsLogo.jpg。在这个例子中，𝛾γ 是上面代码中的参数 𝛾γ。

处理图像 从文件加载图像：Cpp如果读取的是 JPG 文件，默认会创建一个三通道的图像。如果你需要灰度图像，可以使用：Cpp文件的格式由其内容（前几个字节）决定。要将图像保存到文件中：Cpp文件的格式由其扩展名确定。使用和可以从内存中读取或写入图像，而不是从文件中读取或写入。

具体而言，掩模操作通常涉及将掩模矩阵与图像的局部区域对齐，然后将掩模矩阵中的每个值与其覆盖的像素值相乘，最后将所有这些乘积相加以得出新的像素值。使用掩模的方式是将掩模矩阵的中心（在上述例子中由0-0索引标记）放置在你想要计算的像素上，然后将像素值与重叠的矩阵值相乘后求和。当掩模应用在图像上时，它会在图像的每个像素位置上滑动，每次都将掩模中的系数与相应的像素值相乘，然后将所有乘积相加以得到新的像素值。这是一个相当大的差异。这里的中心系数（5）比周围的系数大，这意味着中心像素的权重更大，这有助于增强对比度。

与高效的访问方式相比，在发布模式下使用此方法的唯一区别在于，对于图像的每个元素，你都会为所使用的 C。如果可能，我们应该避免使用这些昂贵的操作，而改用更便宜的操作，如几个减法、加法，或者在最好的情况下，简单的赋值。此外，注意我们对上述操作的输入值数量是有限的。我们的测试案例程序（以及下面的代码示例）将完成以下操作：读取作为命令行参数传递的图像（它可以是彩色或灰度），并使用给定的命令行参数整数值应用色彩缩减。因此，对于较大的图像，预先计算所有可能的值并在赋值时仅进行赋值是有意义的，通过使用查找表来实现。

在Windows上安装中文版OpenCV实际上与安装英文版的步骤相同，因为OpenCV本身并不包含语言包，它是一个跨平台的计算机视觉库，其功能和API是统一的，不受语言环境影响。不过，为了方便理解文档和教程，你可能希望使用中文资源。

2.x API，这是一个本质上基于C++的API，与基于C的OpenCV 1.x API（C API已被弃用，并且自从OpenCV 2.4版本起不再使用“C”编译器进行测试）相对。OpenCV具有模块化结构，意味着该包包含了多个共享或静态库。文档的后续章节描述了每个模块的功能。但在开始之前，请确保熟悉库中广泛使用的通用API概念。

OpenCV的目的是实现一个易于使用且高效的计算机视觉框架，支持实时视觉应用。：OpenCV在多个领域有广泛应用，包括但不限于机器人技术、医学成像、安全监控、虚拟现实（VR）、增强现实（AR）、自动驾驶汽车、工业自动化和人机交互。：它包含了大量的图像处理和计算机视觉算法，例如特征检测、物体识别、图像分割、运动分析与跟踪、3D重建、光流估计、照相机校准和增强现实等。：OpenCV主要使用C++编写，但同时也提供了Python、Java、C#和其他语言的接口，这使得它对不同背景的开发者都非常友好。

例如，在工业生产中，AI 驱动的机器视觉系统可以快速而准确地识别出产品的瑕疵，大大提高了质量检测的效率和准确性，避免了人工检测可能出现的疏漏和疲劳导致的误判。随着技术的不断进步和完善，相信 AI 对机器视觉的帮助将会越发凸显，为我们创造出更多的奇迹和可能。综上所述，AI在机器视觉中的应用不仅提高了识别的准确性和效率，还扩展了机器视觉系统的应用领域，使其在工业自动化、医疗诊断、交通监控等多个领域发挥重要作用。在当今科技的舞台上，AI 与机器视觉的结合正绽放出耀眼的光芒，为各个领域带来了深刻的变革与突破。

但是此算子不会返回具体的垂点坐标。当我们希望显示垂线的时候是需要知道垂点坐标，才可以绘制该直线的。一、我们都知道，点到直线最短距离就是垂线。Halcon也有现成的算子可以计算点到直线的距离。二、计算垂线方程代码。

整个步骤：先识别圆，提取圆心坐标；然后根据对应的机械坐标计算转换矩阵；最后读取测试图片，提取圆心坐标，转换到机械坐标，计算圆心距。已知 9 个点的图像坐标和对应的机械坐标，直接计算转换矩阵，核心原理即最小二乘拟合。假定图像坐标、机械坐标如下，Matlab 测试一下。校正图，圆直径 1.5cm，圆心距 2cm。准备两张图，一张用来校正，一张用来测试。测试图，圆直径 2cm，圆心距 3cm。结果如下，识别的圆心坐标会有一定误差。图像坐标系和机械坐标定义如下。

---evision机器视觉软件开发包所有代码都经过mmx指令的优化，处理速度非常快，感觉和Intel的IPP有的一拼（当然还是比IPP稍逊一筹，但是毕竟这是Intel自家开发的），但却提供了比IPP多得多的机器视觉功能，例如OCR，OCV，基于图像比对的图像质量检测，Barcode和MatrixCode识别。并不是每个软件都非常厉害。----Opencv-好处是开源免费图像处理库。1、美国 Opencv--------------由美国Intel公司建立，如今由Willow Garage提供支持。

在模型训练的时候要注意不能以整张图片resize后进行训练，因为图像本身以细粒度来评判清晰度。这里以图像梯度为例，可以看到曲线存在一个明显的全局最优值，即最清晰图像。a.基于图像拍摄的主要目标，采集不同物距下的图像，本人使用的100倍光学放大物镜，因此采集物距步长为0.3μm。主动对焦法：通过传感器测量成像系统中的实际物距从而实现对焦，目前手机上的红外传感器为。被动对焦：通过分析图像梯度、对比度等特征获取当前帧图像质量，从而驱动电机进行。b.使用不同的图像清晰度评价函数来得到曲线，目前常见基于梯度、频域、

由于矩是基于积分的运算， 因此矩也被认为是对噪声不敏感的稳定特征，同时矩还具有被测目标的矩特性在成像前后 保持不变的性质。而两个像素之间有4.5um的距离，在宏观上可以看作是连在一起的，但在微观上它们之间还有无限更小的东西存在，是两个物理像素之间的“像素”，这些更小的东西就称为“亚像素”。【注】：亚像素定位算法的前提条件是：目标不是孤立的单个像素点，而必须是由一定灰度分布和形状分布的一系列像素点组成。利用图像中某一目标的几何特征得到亚像素的测量数据，一般是规则形状的目标，如圆，三角形、正方形等形状。

方法一：可在Scripts文件夹下新建txt文本，复制一张图片，重命名为1.jpg(也可另寻地址和图片)Selenium 镜像: https://npmmirror.com/mirrors/selenium/electron 镜像: https://npmmirror.com/mirrors/electron/alinode 镜像: https://npmmirror.com/mirrors/alinode/Node.js 镜像: https://npmmirror.com/mirrors/node/

该篇文章主要总结了一下国内外和线扫相机相关的公司。目前使用的主流线扫相机大多还是国外品牌，国内品牌大多也不能生产线扫相机中的核心部件——感光芯片。虽然目前国内外的技术差距还是比较大的，但是我们也在不断提高自我知识产权的数量，不断创新，不断追赶。

仅仅根据自己比较了解的识别，检测，分割方面的一些总结。比较通用的算法侧优化是backbone(resnet resnext resnest efficientNet等大模型，mobilenet hrnet shufflenet等系列小模型)，Neck(fpn, bi-fpn,panet等各种FPN层)，比较实用的网络优化(deform_conv，se-net，cbam等attention结构)，head优化(主要是target设计的方方面面。

1、频域结合空间，其实频域就是用波动观点看世界，看问题角度变了，光经过镜头其实发生的是傅立叶变换，此思想在傅立叶光学上有所阐述，就像光经棱镜分光，而光进入计算机内部，进行了采样和量化，然后我们用函数f(x,y)来表示这些数据描述。2、频率特征是图像的灰度变化特征，低频特征是灰度变化不明显，例如图像整体轮廓，高频特征是图像灰度变化剧烈，如图像边缘和噪声。四面打光，合成图像，求取梯度图型，然后Halcon里的光度立体法也是这方面的应用，关键的算子就是photometric_stereo。二、频域+空间结合法。

若1个是1百万像素，另1个是3百万像素，当清晰度相同（精度均为20um/pixel）,第1个相机的FOV是20mm×20mm＝400平方mm，第二个相机的FOV是1200平方mm,拍摄生产线上同样数量的目标，假设第1个相机要拍摄30个图像，第2个相机则只需拍摄10个图像就可以了。这里只介绍几种常用的接口类型。镜头接口只要可跟相机接口匹配安装或可通过外加转换口匹配安装就可以了，其一般的接口是C口跟CS口，这两者主要的区别是图像传感器与镜头之间的距离不同这两者类型的接口没有细分的，其C口的大小全都都一样，；

1.每种编程语言自身都有bug，当你感觉对的时候，编程语言的体系根本不允许这样子去实现，你要在他规则下去写程序，但是它的这个规则往往就是最大的bug，规则本身就紊乱，所以编程者理解它规则的同时，还要去按照这个规则走下去，那么走下去的流程，每个人都不一样，因为每一个人理解的都不一样。3.代码健壮度，同上，你不可能考虑到所有状况，因为很多状况出现的问题都不严重，无非是重试或者警告，那么有些状况在必须处理的前提下，你也是同样容易被忽略的。晕了，找啊找，找了半天，定位到bug，各种方法尝试修改。

焦距设置为其他值也可以，这里只是借用求转换矩阵的功能，原理可进一步讨论。

若是VGA输出或USB输出，在显示器上观察，则还依赖于显示器的分辨率，工业相机的分辨率再高，显示器分辨率不够，也是没有意义的；高效散热装置，大大提高光源的使用寿命。3、工业相机的图像传感器是逐行扫描的，而普通的相机的图像传感器是隔行扫描的， 逐行扫描的图像传感器生产工艺比较复杂，成品率低，出货量少，世界上只有少数公司能够提供这类产品，例如Dalsa、Sony，而且价格昂贵。1、工业相机的性能稳定可靠易于安装，相机结构紧凑结实不易损坏，连续工作时间长，可在较差的环境下使用，一般的数码相机是做不到这些的。

首先对图像进行划分，求每个区域的Cr和Cb分量的平均值和方差，根据求出来的这些值筛选出系统认为的白色像素点，然后根据像素亮度值从大到小筛选出前10%左右的白点作为参考白点。(2)最大RGB算法：基于图像中的最亮点通常是由光滑表面反射光源的实际颜色产生的，首先计算图像中像素点RGB三通道各自的最大值，然后计算红色和蓝色通道的增益，最后根据得到的增益修正图像中所有像素的R和B通道值。通俗地说，白平衡就是针对不同色温条件下，通过调整消除偏色，使拍摄出来的图像更接近人眼的视觉习惯。如有不妥，请联系删除。

由于像方的出射光线GkF`和OkF`分别和物方的入射光线A1E1和FO1相共轭，因此光线GkF`和OkF`的交点F`的共轭点应该是光线AE和FO1的交点，显然它位于左方无限远的光轴上，所以F`是物方无限远轴上点的像。在图4中，轴上物点A发出的光线AM与光轴交角为U，交物方主面于点M，入射高度为h，AM的共轭光线M`A`交像方主面于点M'，与光轴交角为U`，由直角三角形AMH和A`M`H`，得。焦距值的正、负是以相应的主点为原点来确定的，如果由主点到相应焦点的方向与光线的传播方向一致，则焦距为正，反之为负。

对于每一个摄影师来说，绝大多数情况下，他都希望把ISO固定在100，因为这可以获得最纯净的画面，但这几乎是不可能的。但是对于佳能“百微”和尼康“105微”这样的微距镜头来说，最大放大比例是1倍，此时对焦距离就很近了，此时相对于焦距来说，1/u就不可以忽略了，这时算出来的实际的透镜焦点到光心的距离就不等于之前的焦距了。当然，对于实际的镜头来说，镜头内部的镜片是很复杂的，可能有几片甚至十几片镜片，有些镜片的材质还较为昂贵，例如萤石，它们的主要作用其实就是改善镜头的光学素质，校正各种球差、彗差、色散、畸变等等。

本课件为各位工程师详细介绍了工业相机的视觉检测原理 ，旨在为工程师调试工业相机的视觉检测原理时提供理论性指导。

最终用户的应用将决定是使用一套完整的视觉工具集还是使用众多的特定的工具。例如，若一个需要多摄像头的系统，就要对一个基于图像捕捉卡的系统与一个基于时髦摄像机的系统的价格和灵活性进行对比。对于校准和操作，没集成的运动系统与视觉系统是初步的系统，机械人或机构和视觉系统是分开校准的。在操作中，一台独立的视觉系统根据在视觉坐标系统中的已知位置计算出零件位置的偏移量，然后发指令给机器人的手臂在离初始化编程的拾取位置的偏移量处拾取零件。例如，晶片的抛光表面的不同，在OCR应用中激光蚀刻的标志的质量的不同。

一般机器视觉系统：相机、镜头、光源、运动系统。视觉工业检测大体分为工件尺寸测量与定位，和表面缺陷检测，及各种Logo标识的检测与识别等。尺寸测量主要是检测物体的长、宽、高，比较常见主要是物体的二维尺寸（宽和高）检测。表面缺陷检测主要是物体表面局部物理或者化学性质不均匀的区域，比较常见的有金属或者塑料制品表面的划痕（如：手机壳/屏幕表面的划痕）、斑点和孔洞（如：PCB板漏了焊点或者表面多了焊点），纸张表面的色差、脏污点、破损，纸制品表面的压痕、凸起，玻璃等非金属制品表面的杂质、破损、污点、平整度等。

在机器视觉中，图像滤波器无处不在。例如，它们用于减少图像噪声，改善对比度或检测边缘。本文将向您介绍MVTec HALCON中一些最常用的滤波器，它们是如何工作的以及可以用于什么。

在计算参数的样本选取中，为了尽可能的提高精度，我们在靠近基准面的样本中选取的计算组合分别为（1mm，2mm），（1mm，3mm），（1mm，4mm），（1mm，5mm），（1mm，6mm），（1mm，7mm），（1mm，8mm），（1mm，9mm），（1mm,10mm），总共9组数据。在实际的测量过程中我们观测到0.1mm的位移，通常对应的是0.6左右个像素。在中期的试验中，我们改进镜头和相机的结构，来改善景深，但是后来我们通过试验发现原有的结构景深也是足够用的，所以后面的试验还是按照原来的结构来。

机器视觉检测系统是采用CCD照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像处理系统对这些信号进行各种运算来收取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，包括尺寸、角度、个数、合格/不合格、有/无等，实现自动识别功能。机器视觉系统与被检测对象无接触，安全可靠。又称为畸变，指被摄物平面内的主轴直线，经光学系统成像后变为曲线，则此光学系统的成像误差称为畸变，畸变像差只影响影像的几何形状，而不影响影像的清晰度。

因此，如果一张5x5像素的图像选择了四分之一的亚像素精度之后，就等于创建了一张20x20的离散点阵，进而对该点阵进行插值。意思是说，在两个物理像素之间还有像素，称之为亚像素，它完全是通过计算方法得出来的。随着工业检测等应用对精度要求的不断提高,提高定位精度的最直接方法就是提高硬件的分辨率,然而提高硬件分辨率的代价是相当昂贵的。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。然而，一个重大的误差来源是，成像系统。所以亚像素的应用使得不管在同一等级的硬件或者更高的硬件水平下都能得到更高的精度。

但是，当你把这个像素转为机械坐标时，因为你原来第一次标定时的矩阵homMat2D，里面的信息就是法兰盘中心到特征点的关系，所以此时你把圆心像素坐标转为机器坐标时，你还是用的这个矩阵homMat2D在转换。因此你转化后的机械坐标不是U轴中心，而是法兰盘到特征点机械坐标的距离。有了第3步的Tool 0工具坐标中心的机械坐标，我们可以计算工具1和工具0的毫米偏差，并把最初标定时的Tool0下的四个特征点的机械坐标加上这个毫米偏差，使其变为Tool1下的坐标，Tool1的工具中心就是我们选取的特征点那个地方。

USB免驱摄像头采集图像【VS2012+opencv+directShow(CcameraDS)实现】http://blog.youkuaiyun.com/bcj296050240/article/details/52799015。**有关该项目的代码和标定以及测量中使用的图片资源见以下链接：http://download.youkuaiyun.com/download/bcj296050240/9649827。

除可见光外，在高检测任务的场景下，也常采用X射线和超声波等不可见光作为光源，可以持续稳定的输出光能，但不利于检测系统的操作，且价格昂贵。成像系统的硬件选择尤为重要，通过以上对CCD相机与CMOS相机的分析可知，如果没有特殊的要求，比如摄像速度较高（CMOS具有更快的读出速度），CCD传感器相机是保证图像质量和稳定性的首要选择，其中相机的分辨率和帧率主要根据检测精度和检测速度来选择，通过计算检测物体的视场大小与相机与被测物之间的距离决定合适的分辨率，考虑被测物体的运动速度与检测精度要求选择相机的帧率。

与此同时，人们也对EKF-SLAM的缺点也有较清楚的认识，例如不易表示回环、线性化误差严重、必须维护路标点的协方差矩阵，导致一定的空间与时间的开销，等等。他们按照EKF的形式，把SLAM写成了一个运动方程和观测方式，以最小化这两个方程中的噪声项为目的，使用典型的滤波器思路来解决SLAM问题。即是说，它的轨迹和地图，只有在相机运动之后才能收敛，如果相机不进行运动时，就无法得知像素的位置。同时，相机运动还不能是纯粹的旋转，这就给单目SLAM的应用带来了一些麻烦，好在日常使用SLAM时，相机都会发生旋转和平移。