机器视觉系统——光源及打光

本文介绍了机器视觉系统中图像采集与处理的重要性,并详细探讨了如何通过选择合适的光源和打光方式来获取高质量图像。文中列举了几种常见的打光结构及其应用场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

参考 http://www.optmv.com/service.aspx?BaseInfoCateId=290&CateId=290

机器视觉系统的核心部分是图像的采集(如何得到一幅好的图片)和图像的处理(如何找到最有效、最准确的算法)。所有信息均来源于图像,图像质量对整个视觉系统非常关键。

仅说在处理软件性能差异很微小的情况下,如何稳定、连续的获取好的图片。获取更好图片的途径:针对每个特定的应用实例,根据工件的特性和现场的环境,选择相应的光源,通过打光实验选择适合的打光方式,从而得到一幅好的图像

一副好的图像应该具备如下条件:

  1. 对比度明显,目标与背景的边界清晰
  2. 背景尽量淡化而且均匀,不干扰图像处理
  3. 与颜色有关的还需要颜色真实,亮度适中,不过度曝光

光源主要的作用:

  1. 照亮目标,提高亮度
  2. 形成有利于图像处理的效果
  3. 克服环境光的干扰,保证图像稳定性
  4. 用作测量的工具或参照物

选光源一般遵循以下过程:

1,了解项目需求,明确要检测(测量)的目标

2,分析目标与背景的区别,找出两者之间成像差异最大的光学现象;

3,根据光源与目标之间的配合关系,初步确定光源的发光类型;

4,实际光源测试,以确定满足要求的打光方式;

5,根据具体情况,确定适用于客户的产品

常见的打光方式分明场照明和暗场照明。

                                   

                           光源在“W”型内即为明视场                                           光源在“W”型外即为暗视场

各种打光结构:

漫射背光源贯穿投射: 漫射背光源置于待测工件正下方,摄像系统垂直于工件和光源进行拍照

平行背光源贯穿投射: 平行背光源置于待测工件正下方,摄像系统垂直于工件和光源进行拍照

低角度直射光: 低角度光源照射,图像背景为黑色,即暗场照明。常用光源:条形光源、线型光、低角度环形光                        

高角度直射光:高角度光源照射,图像背景为白色,即明场照明。常用光源:高角度环形光、条形光、面光源、同轴光、点光。

散射光: 直射光从检测目标单侧照射,光线照射到微观粗糙结构时发生散射,没有散射的区域为暗场,在图像中亮度较低,发生散射的区域亮度比较高

应用技巧:保证透射性良好的情况下,尽可能选择波长比较短的光源

常用光源:线型光、条形光、点光等(大多数情况下需要特制光源)

漫射无影光: 直射光一般均匀性比较差。球积分光源采用半球漫反射面,面均匀性、方向性都很好。其他类型的无影光大都是采用特制的漫射板,在其表面将透射光线散射,进而获得均匀的光场。

常用光源:环积分光源,拱形光源、四边无影光源、环形无影光源、超大面积光源、灯箱式光源等。

颜色过滤与加强:不同的物质,化学成分不同,因此当光线照射在物体表面时,不同波长的光子会不同程度地吸收和散射,宏观上表现为不同颜色的光,反射率不一样。金银铜铝,对于波长比较短的光,铝和银的反射率远远高于金和铜。

应用实例:检测工件为 CCD感光芯片的基底电路,焊盘是镀银的,焊线是纯金的,检测目标为焊线是否断掉以及焊线在焊盘上焊接的位置。根据材料的反光特性,选择蓝色同轴光作为打光光源,镀银焊盘反射率比较高,图像中亮度比较高,焊线反射率比较低,在图片中为黑色,两者区分比较明显,此结构下得到的效果很稳定

同轴光路照射:

从上至下:相机、镜头、同轴光源、工件。光路垂直入射到工件表面,呈现出电池表面平整区亮度高,不平整区亮度低的明场效果。

表面划伤检测案例:多方向低角度方式

### 机器视觉中的透明物体检测 在机器视觉领域,透明物体的检测是一个复杂而具有挑战性的课题。由于透明材料本身的特性,光线会穿过这些物体并发生折射或反射,这使得传统的基于灰度或颜色分析的方法难以有效应用。因此,针对透明物体的检测通常需要采用特殊的成像技术和光源配置。 #### 特殊光源的应用 为了克服透明物体带来的困难,可以利用特定类型的光源来增强对比度和突出边缘特征。例如,背光照明是一种常用的技术,它通过将光源放置在被测物之后,使光线透过透明物体形成清晰的轮廓图像[^1]。这种方法特别适用于识别形状、尺寸以及某些内部结构异常的情况。 另外,在处理更复杂的场景比如带有纹理或者半透性质表面时,则可能需要用到环形灯或多角度打光策略以减少眩光影响同时增加细节可见度[^2]。 #### 图像处理算法优化 除了硬件方面的改进外,软件层面也需要相应的调整。对于常规方法无法区分的部分区域,可以通过计算梯度变化率来进行分割;还可以运用偏振滤波器消除杂散反光从而获得更加纯净的画面用于后续分析。 此外,深度学习模型也被引入到此类难题解决过程中——训练神经网络去自动发现那些肉眼不易察觉但又至关重要的微小差异点成为一种趋势。 ```python import cv2 import numpy as np def preprocess_transparent_image(image_path): image = cv2.imread(image_path, cv2.IMREAD_UNCHANGED) # Convert to grayscale if not already gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # Apply Gaussian blur to reduce noise and improve edge detection results blurred = cv2.GaussianBlur(gray, (9, 9), 0) # Canny Edge Detection edges = cv2.Canny(blurred, threshold1=30, threshold2=100) return edges edges_detected = preprocess_transparent_image('transparent_object.jpg') cv2.imshow('Edges Detected', edges_detected) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码片段展示了如何预处理一张含有透明对象的照片并通过Canny算子提取其边界信息以便进一步分类判断是否存在瑕疵等问题所在位置。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值