本文在查阅相关资料的基础上简单总结下工业视觉市场的发展现状与技术要点。
工业视觉市场发展现状
-
下游应用不断拓展，新应用领域发展迅速
随着人们意识到工业视觉在精确度和重复性上有人眼不可比拟的优势以及核心技术的不断完善，工业视觉的下游应用领域也不断拓展。在汽车行业，几乎所有的系统和零部件制造流程均可收益；在医疗器械和制药行业，对产品质量的高要求也需要机器视觉进行参与；在食品饮料领域，机器视觉能够帮助企业快速实现产品的准确检测，跟上生产线的速度，降本提效。无论是作为一个独立的系统进行检测还是与工业机器人配合，指引机器人的操作和行动，工业视觉在生产过程中都展示出巨大的作用。
工业视觉部分下游应用
半导体和电子产业应用较早，推动工业视觉产业整体发展。纵观全球机器视觉的崛起，很大程度上是得益于半导体及电子产业的发展，机器视觉在半导体工业上的应用在二十年前已经开始。半导体行业元器件尺寸较小，对产品精度、柔性化有较高的要求，如锡膏印刷机、贴片机、AOI检测这类的设备必须使用高性能机器视觉组件，因此工业视觉系统在半导体及电子制造、检测等各个方面得以得到广泛的应用。而半导体和电子产业对精细程度的高要求也反过来促进了工业视觉技术的革新。从市场规模来看，目前半导体领域工业视觉市场规模年增长率在25%左右，2018年市场规模突破20亿元。
在我国市场由于起步晚，汽车等领域呈现出更快的增长势头。与国外工业视觉产品和应用多样化相比，国内工业视觉仍在推广普及阶段，因此许多空白领域仍有待填充。在近年来工业视觉下游应用领域不断拓展的过程中，由于不像电子制造领域应用得早，一些新的领域呈现出更快的增长势头。例如在标准化程度更高的汽车制造领域，尽管汽车是传统制造业，但我国工业视觉取代人眼的趋势在近几年才开始爆发，市场规模增速将近30%。
应用领域分布
2.半导体和电子设备制造最为主要，且仍将持续引领产业发展虽然工业视觉在半导体及电子产业发展较早，已经占据工业视觉整个市场的半壁江山。但基于工业视觉的技术特点和半导体及电子产业自身的制造需求，认为未来半导体及电子产业未来较长时间内仍将引领工业视觉产业的发展。
从制造工艺来看，半导体和电子设备制造对工业视觉存在刚性需求。工业视觉具有高精度的特点，天然适合高性能、精密的专业设备制造，这也是为什么相关行业能够带动整个工业视觉崛起的原因。在半导体制造领域，其前、中段过程都需要工业视觉的精密定位与视觉测量，后段制程中晶圆的电器检测、切割、AOI封装、检测等过程都需要大量运用工业视觉技术，工业视觉在半导体制造过程中的速度和精确性优势明显。而在3C制造领域，元器件和主体的制造各环节也需要工业视觉的协助，其中70%的工业视觉单位应用在检测环节的机器视觉单位应用在该环节。除此之外，连接器检测、PCB底片检查、硬盘检测、机器人视觉引导定位、元器在线分类筛选、二维码读取等也需要工业视觉。由于技术工艺的高要求，半导体和电子设备制造对工业视觉技术存在刚性需求。
从应用情况来看，我国电子设备制造业自动化程度对比发达国家仍比较较低。2018年3月公布的就业人数显示，我国3C设备制造业的就业人数达到832万人，远高于下游其他应用领域，但自动化程度却不高。中国集中了全球70%的3C产品产能，但工业机器人密度不到20台/万人，而日韩已分别达到1180和1100台/万人。相比于汽车工业的工业机器人密度已接近发达国家一半，我国3C行业自动化升级空间更大，工业视觉也会得到持续发展。
主要制造业就业人数2018.3
- 工业视觉仍存在技术和应用瓶颈
下游应用领域的不断拓展也对工业视觉提出更高要求，就当前的技术来看，工业视觉仍存在如下技术和应用瓶颈，导致在一些领域工业视觉商业化落地进展较慢。
- 通用性和智能性欠佳
- 实际应用中准确率仍不尽人意
- 对算法和算力的要求不断提高
工业视觉技术点总结
这是一种用于自动检验、零件加工以及装配自动化等等生产过程的技术，对图像进行控制以及监视的一种机器识别。按照现在的技术水平，用户对该机器的要求是成本要低，可靠性要高，而且速度要快，如今该系统的硬件应用结构主要是照明、摄像机、图像预处理和数据压缩、图像存储和图像解释等等这几个大部分。
第一，照明。这个部分是工业视觉检测的重要不部分，照明的局部有四种，一种是背光，一种是漫射顶光，一种是直射顶光，还有一种是结构光，这四种都有不同的使用范围，用户使用时是需要结合自己的实际需求来选择的。
第二，摄像。获取图像数据的方法基本上是使用阴极射线管式、固体式摄像机这两种，如果要求的精度很高，那么可以使用线扫描摄像机，但是固体摄像机在工业行业中有很大的优势，比如说稳定性可靠，寿命长久，而且成像的效果好。
第三，图像预处理。这个部分主要是对图像进行改进，能够在识别的时候更加清楚。一般图像预处理分为几个步骤，首先是阴影校正，其次是灰度校正，再其次是噪音过滤，最后就是图像增强。
第四，数据压缩。据了解，数据压缩技术中最简单的，就是取图像灰度的阈值，然后产生二值图像，而这样的图像是还可以再进行压缩。工业视觉检测应用结构大概就是这些，这种图像识别机器在工业行业中应用广泛，能够提高工作效率，解决更多工业方面遇到的问题。
软件方面：
基于视觉的产品表面质量的检测
主要是划痕、脏污、亮斑、缺角和凸起等。
计算方法：
图像分块
图像匹配
图像矫正：仿射变换、透视变换
像素比对
缺陷类型分类
2、视觉定位（双目、多目定位）
检测对象：机械零部件等
计算方法：
特征点提取
图像（旋转）匹配
变换矩阵的拟合
3、工业视觉主要组成部分
相机、光源的配置
视觉检测工位的机械设计
图像处理算法
人机交互软件
4、考虑的因素
检测对象特征：光源的照射角度（定制）、相机景深（远心镜头）
检测的实时性：对相机的帧率、光源亮度
其他：曝光时间、运动模糊、光源亮度（定制）
5、图像核心算法
图像预处理：图像去噪、灰度转换、二值化、提取梯度、LBP
图像分割：灰度、梯度、角点
边缘检测：Canny、形态学方法、图形拟合
图像匹配：NCC、NC++、Rotated-NCC
图像矫正：仿射变换、透视变换
像素比对：定义多种规则
缺陷分类：连通域分析、长宽比、占空比等指标
6、关于机器学习在工业检测中的应用
因为通常情况下，工业检测中比较难获得足够多的样本，机器学习应用并不多。
但是有些场景满足一定的数据条件下，基于机器学习特别是深度学习算法的识别检测系统往往远好于传统方法。
