光学镜头-瑞利光学-光学镜头特性

　　应用案例

　　1.系统布置

　　在轿车自动化下线工位车身两侧布置两台检测机器人。为了对车身内部的一些重要的特征点也可以进行测量，并兼顾车身前后关键功能点，经过机器人三维真模拟，并结合现场布局，水下光学镜头，确定检测工作站布局。

　　2.测量点方案及模拟

　　(1)测量点数的计算

A车焊装自动化线的生产节拍为130s/台，滑橇输送时间20s，机器人单个特征点的检测时间约2.5s。按此计算，两机器人多的测量点数为：(130-20)/2.5=88个点。

　　(2)测量点的选择、模拟与确认

整个焊装生产线共有四个关键的总成状态：侧围总成、发动机舱总成、地板总成及车身总成。我们只采用了一套在线检测系统，即白车身的在线检测系统，因此，测量的点数越多，在线监控的视野也就越广阔。在计算机真之前，以固定式三坐标测量点为基础，并根据测量点的重要性，经过计算机三维真模拟及现场调试，共确定了77个测量点。

　　3.检测的实现及可实现的功能

　　(1)检测过程

如图2所示，光学镜头特性，白车身在滑撬上运动到检测工作站停下并确定位，线控制器给检测站控制器发“到位”信号→站控制器给机器人发“车型”及“启动”信号→机器人接到信号后开始工作，机器人在每个测量点向测量控制器发“测量请求”和“测点ID”

信号，等待测量控制器发回的“测量完成信号”→测量系统接到信号后开始测量并记录数据，然后传递到测量分析软件进行处理，测量结束后向机器人发“测量完成”信号→机器人收到“测量完成信号”后开始向下一测量点运动，至此完成全部待测点的测量。

 从底层来讲，机器视觉一个问题或者说要有所突破的首先要关注底层视觉与感知。也就是东西的外在。这其中复杂的数据量，冗余的各类信息，都需要尽可能多的捕到。所以高性能的CCD或者CMOS感光元件还需要有进一步发展，相对来说更确的检测元件也是十分必要的，要保证能够获得高确度和高对比度的图像和底层视觉感知数据。毕竟只有底层完整的采样才能有后一步的识别检测和建模。硬件的精度始终是机器视觉领域的敲门砖。

　　*二个重要方面是在完整的底层采样之后，基于图像的物理建模，和数学建模不同的是，基于图像的物理建模涉及到立体视觉与运动结构的重构，这里面不仅仅是构建一个普适性算法的问题，可能还需要立体结构学，神经生物学，心理物理学，数据统计学科等多学科的交叉。比如苹果iPhone5S当下较热的指纹识别，也是首先由元件采集指纹信息，然后构建物理模型。而其中神经生物学知识必不可少。往更广层面上讲，医图像分析、智能交通的空间动态管理、大型构件的光电检测等等，凡是基于图像的机器视觉问题，都需要建立相关的物理模型，此间千变万化的库变化需要有更高效、更普适性的算法与数据结构的支撑。软件的高效与普适决定机器视觉的广度。

　　*三个问题是确识别与模糊特征的智能取舍。理论上有高精度的硬件与高效的算法，光学镜头网站，机器视觉相对来说就能到达一个很高的适用度。但是机器与人类的差异在于智能的判断，光学镜头，也就是在确识别与模糊特征之间进行智能取舍。举一个简单的例子，如果以人眼视觉识别，20岁的熟人与21岁的同一熟人的差异不足以让你将他拒之门外。因为你智能地摒弃了两者之间的模糊差异。而如果这扇门是一个机器视觉识别系统的话，复杂而庞大的信息流在精识别与计算的前提下足以分辨20岁的你与21岁的你的差异，而这点差异可能会拒熟人于门外。这也是机器始终只是机器的原因。确识别与模糊特征的取舍反映机器视觉是否智能。

　　检测系统可实现的功能 具体有三种功能：

　　1)整车数据查询与分析。整车数据查询是按整个车身进行查询，反映整个车身的情况。整车数据查询既可以按照车身的生产时间进行查询，也可以按照车身的编号进行查询。查询数据的列表可以采用多种排序方式：车身编号和点号、点号和车身编号、生产时间及生产班次等。数据的显示采用三种不同的底色来反映测量点制造误差的大小。

　　2)功能尺寸分析。功能尺寸分析是对一个车身的多个点进行综合评价。可以选择一定时间段生产的车身进行功能尺寸评价，也可以选取一定的车身编号段内的车身进行功能尺寸评价。最后在评价表中会列出车身编号、生产时间以及各功能尺寸，表中数据的显示可以按照选定的功能尺寸项进行排序。

　　3)统计功能。对整个生产线产品质量的检测数据统计可以分为月统计和年统计：对于每月逐日的产品进行数据统计，可以选择统计条件，如需要统计的月份、分歧格数目等。图表显示的形式可以是合格率也可以是日产量;年统计数目是根据月统计数目进行统计的，所以每个月的数据进行统计后，就会出现在年统计表格中。