环境光、反射和透明物体都可能在机器视觉应用中造成困难。了解这些问题和一些潜在解决方案，以更好地确保安全和质量。

机器视觉和自主机器人的发展往往与能源效率的竞争和监管要求直接冲突。虽然机器人依靠恒定的环境光在仓库中导航，但天窗和窗户被添加到同一个仓库以利用自然光并节省能源。光线变化可能会使机器人感到困惑，导致质量和安全偏差。

本技术文章将讨论机器视觉应用中的一些常见问题以及各种照明问题的潜在解决方案。 

机器视觉应用

机器视觉用于导航、质量保证、挑选、分类、包装和许多其他应用。机器视觉领域包括从用于质量保证目的的高分辨率图像到自动驾驶汽车导航的线路检测，再到可以确定物品位置或协助挑选和分类操作的简单“通过/不通过”数据。它们可以检测颜色（作为红绿蓝或 RGB 值）、反射光、断光（光被中断的地方）、红外线和其他方法。

虽然机器视觉方案多种多样，但很常见的方案可能是使用环境光、供给光或红外光。在环境光配置中，仅使用工作环境的自然光进行拍照和决策。供给光依靠额外的光源（通常是发光二极管或 LED）来增强图像属性。红外线从某些物体发出，可使用红外探测器检测，或者可以从红外源反射、透射或中断。

对于拾取、包装和机器操作应用，机器视觉系统必须经过微调，以识别关键特征，例如抓取区域、障碍物和缺陷。想想童年时玩的捡棍子游戏，其中各种棍子随机散落在各处，玩家不得打扰他们没有主动捡起的任何棍子。拾取操作类似；装满随机放置零件的箱子可能是一个挑战。机器视觉系统必须确定从这个箱子中移动零件的很好的路径，尽可能少地打扰其他零件。

机器视觉照明

视觉本身，无论是人类还是机器，都是检测光线如何反射到传感器中，以及大脑或处理器如何解释这种光线。为了让机器视觉系统看到物体，照明应该是一致的。回到拾取棍棒游戏——想象一下在黑暗中，在不可预测的频闪灯下，或其他类似情况下玩这个游戏。 

环境光经常变化。一些环境光来自未遮盖的窗户和天窗，透过它们的光量取决于天气和季节。人造环境光（例如室内照明）也会变化。阴影、闪烁的荧光灯、肮脏的灯具和电源波动都会影响光输出，并对调整不佳的机器视觉系统造成严重破坏。 

还要考虑在拾取操作期间零件在箱子中的方向。从零件反射的光可能会被移动的机械臂阻挡，或者零件可能不处于有利于拾取的方向。针对每种可能的场景和每种可能的零件方向对机器视觉系统进行训练是不可能的，因此系统必须有办法解决一些变化。

工件特性会影响机器视觉

相机很容易被愚弄。高反射性物体（例如精细抛光的扁平金属部件）会导致机械臂、其他部件和其他物体的反射。伸手去抓反射金属部件的机械手可能会吓到自己！它可能会在反射中看到自己的机械手，并认为它即将与未知物体相撞。 

抛光表面的强烈反射会产生亮点，这会“冲淡”附近的其他颜色或重要特征。在光学行业，有一个完整的市场领域致力于制造“防反射”涂层，以防止狩猎瞄准镜和双筒望远镜惊吓野生动物。 

虽然反射光对人眼或动物的眼睛来说可能只是令人烦恼，但这些反射光会迅速使光学传感器饱和，从而影响相邻像素。这种反射光特别有害，因为算法通常会尝试自我调整到很亮和很暗的点，以提高对比度。由于机器视觉很大程度上都使用对比度来确定深度，因此虚假的对比度图像可能会导致机器人误解所需的行进深度，从而导致安全问题以及潜在的产品和机器损坏。质量控制问题很快就会变成额外的停机时间和维护费用。

透明部件也是一个问题。假设一个配备机器视觉的机器人系统在生物医学研究中检查玻璃细胞板。在某些板的位置，机器人可能会看到反射，而在其他地方，它可能根本看不到板。这类似于日落时光线从池塘反射的方式；颜色、反射率和透明度描绘出美丽的场景，但可能会使机器视觉系统感到困惑。

那么红外线呢？

红外信号只是频率不同的另一种电磁波。所有这些问题都出现在红外线中。挑战在于材料在红外光下的表现不同。例如，厚厚的塑料购物袋可能不会透过太多光线。在可见光下，它会呈现出一种或另一种颜色。然而，在红外光下，袋子不提供太多隔热，因此红外光会直接穿过。在红外线下，袋子看起来是透明的，这意味着在调节不佳的系统下，袋子可能根本看不到。

然而，红外线有几个优点。经过红外反射适当校准的系统可能不太容易受到可见光变化的影响。通常，红外系统是主动的，因为存在红外光源，并且该光源的功率往往会超过任何环境光源。

改进机器视觉的技术

为了提高机器视觉的效率，可以通过更好的相机和光学传感器或更好的照明条件来提高图像的对比度。传感器不断改进，提供更高的分辨率，这意味着更好的边缘检测和景深。 

产生更好照明条件的一种方法是提供外部光。通过添加一些超亮 LED，照明可以变得更加一致。LED 以恒定的直流电压供电输出特定波长，很大限度地减少环境照明波动的影响。

控制机器人决策能力的软件也在不断改进。更先进的算法需要更少的“训练”来让机器人看到零件、导航指南等。这也可以通过使检测尽可能简单来增强。也许开发对齐零件的箱子可能会产生额外的成本，但可以让机器视觉更容易地检测箱子中的零件。游戏可能更像是从一个全新的盒子里挑选一根牙签，而不是拾取棍子，它们对齐在一起。这可能意味着让导航辅助工具（例如沿着地板的胶带）具有更高的对比度，以便更容易检测。任何通过增加对比度使检测更容易的事情都会减少照明波动的影响。

光学传感器实验

仪器专业的学生需要确定光学传感器上堆放了多少张纸。纸张越多，通过的光线越少，光学传感器的电压就越小。对于这个项目，学生利用 LabVIEW 软件并设置与页数相对应的电压阈值。事实上，在一个实验期间，他们运行了数据采集，图表显示每增加一页就会出现一个不错的阶跃变化。

下一周，问题出现了。没有一个小组的软件能够百分百准确地记录正确的页数。是什么改变了？环境光！通过将传感器放置在略微不同的位置，环境光发生了变化，因此传感器报告的电压值也发生了变化。他们的解决方案是什么？使用数据采集板上的输出通道为 LED 供电。明亮的 LED 淹没了大部分环境光。使用新的电压值进行简单的重新校准，系统就变得更加强大了。

传感器解决方案

乍一看，机器视觉似乎是一个复杂甚至挑剔的领域。工程师如何准确预测每个可能的零件方向、每个可能的照明条件和光学特性？关键在于他们做不到。随着人工智能 (AI) 和机器学习 (ML)的迅速发展，这些传感器“学会”如何检测照明或方向的细微变化。也许可以将带有光源的 CAD 模型编入系统中，系统会扫描众多光源照明方向并创建自己的可能场景库。也可以手动将奇怪的情况输入到库中。机器视觉的未来将由更高分辨率和更高对比度的相机以及改进的 AI 和 ML 算法驱动。