转“无损检测NDT ”

导言：机器视觉依据应用，大致可以分层四个不同的领域，简称：GIDI（G——Guidance：导引，I——Inspection：检测，D——Dimension：尺寸测量，I——ID：ID识别）

近年来，随着硬件的发展、市场的需求以及计算机视觉技术的火热，主要呈现出以下几个趋势：

第一，领域的拓展：不仅仅是工业，还有民用领域，自动化检测代替人工检测是必然的发展趋势，需求也越来越多样化，原来只是在工业生产线上，现在制造、医疗、电子、仓储等各个领域都有各种各样的应用。比如国内某知名电商，使用三维测量来进行包裹尺寸的检测，与总量参数匹配进行内部追踪。

第二，2D到3D：工业产品基本都是三维的部件，而且二维成像毕竟是三维空间的实际情况的一种“病态”数据采集，所以目前围绕3D的各种检测、测量、机器人导引等项目层出不穷，这与计算机视觉的情况有异曲同工之处，结构光、ToF、双目等技术也成为了各家公司竞相研究的热点。

第三，系统实施受各种因素制约大：如果你问我做一个机器视觉检测的项目最重要的是什么，我肯定会说能得到一张高质量的图片，而就为了得到这样一张图片需要考虑的因素太多太多，如光源、镜头选择、传感器选型、节拍考虑、安装布置、自动化集成、环境因素考量、工件状态变化等等，哪一部分出了问题都会影响图像质量，而如果你没有足够好的图片，那么再厉害的算法也没有用，而且因为生产线都有良品率和节拍要求，整个视觉检测系统不够快速可靠的话，误检率就会非常之高，而这又是无数厂家需要面对的问题。

举个例子，我需要检测一种铝制外壳的某个区域有几个孔，当供应商给你的这一批次和另一批次的外表面颜色有所不同或者不均匀时，那等着你的必然是要停机重新设置参数，重新验证产品，而这几乎是无法避免的百分百会发生的现实。

第四，算法不如硬件发展快：这是笔者的感觉，而且感觉这是目前很重大的瓶颈。硬件从系统方面来说就是往可移动的嵌入式方向发展，而软件目前的智能还远远不够，在计算机视觉领域大热的深度学习神经网络目前在机器视觉领域的成功应用少之又少，ViDi是一个，Fanuc/Preferred Networks和Google的机器人抓取是一个，这还是相对简单的，当目标对象多变、特征复杂、样本数不够的时候，你想用深度学习根本没机会，还是要回到传统的老路上来，再考虑实时性的严格要求，机器视觉特别需要一种新的智能的普遍适用大部分应用领域的方法出来，或是创新，或是改良，或是综合。

第五，要具体问题具体看待：机器视觉还是与具体的应用领域深切关联的，每一个应用都需要选择与之配套的专用硬件和软件，都需要专门的设计，所以没有一种解决方案能适用于所有的情况。

目前企业研发现状：国内做集成做代理的公司很多很多，但是真正有领先技术的太少。还有就是没有一家公司会做一个机器视觉系统所有的东西，核心就是算法还有整个硬件的集成，有专门的公司做镜头，有专门的公司做光源，有专门的公司做支架，但没有一个公司会全部自己做。

最后要说一下机器视觉（machine vision）和计算机视觉（computer vision），虽然都是对图像数据进行处理，但是两者区别极大，一个是更偏重于整个系统级应用的导向，一个是专注于算法的半理论半应用的结合。但也不是没有联系，比如工业制造中AR的应用，你也说不清是要分类到哪种技术了。

苏州阜汇机械制造有限公司专业为您提供无损检测方案和仪器，我们希望通过我们的服务和方案，给客户带来一流的品质管理。