三维成像 ：机器视觉的一个实用的概述

三维成像技术已迅速发展 ，在机器视觉中有它的使用 。三维成像在其他领域 ，如对象和空间建模 ，计算机视觉 ，研发工作或自主机器人的指导 ，一些在这些领域中使用的方法有很少或没有在机器视觉中使用 。而其他领域 ，机器视觉之间的界限往往是模糊的 、象征性的差异影响的三维机器视觉技术得到应用 。其中包括需要完成重复性的自动检测 、机器人导航和自动图像分析任务迅速接近100%的可靠性在合理明确的方案 。

某些机器视觉方法能够提取有限的三维信息 ，而不实际开发的三维图像 。这些方法的例子是使用结构化的激光照明或系统 ，可以确定从已知的对象的表观尺寸的距离 。

相对于传统的2-D ，机器视觉3-D成像不一定是“升级” 。相反 ，它是影像的不同方法 ，该方法是在某些区域更加有限并且更能够在其他人 。的3-D成像方法不产生灰度或彩色信息 ，尽管传统的成像可被添加到完成此 。三维成像确实提供了产品的表面的形状的信息 ，并且不需要亮度/暗度或颜色的差异来创建图像 。

由于这些长处和短处 ，三维成像是一般只用于当它是必要的做的事情是不可能或难以做与传统的成像 。

在机器视觉中使用3D的最常见的原因是情况下 ，它可以创建可靠的分化的功能或缺陷 ，这样是不可能的或难以用传统的成像 。分化需要对比度 ，因此 ，最简单的应用程序的二维成像涉及识别功能 ，是不同的颜色或黑暗相比 ，围绕他们 。当这样的差异不可靠的存在，更复杂的空间解决方案（照明几何等） ，可以使用在二维视觉 ，但当这样是不够的或不利影响的可行性 ，移动到3D往往是最好的选择 。

大多数方法开始通过产生一个深度图类型图像 。例如 ，这可能是一个二维像素阵列（只是作为一个传统的二维图像）但不是每个像素包含灰度或RGB颜色值 ，它包含“Z”（第三）从图像或想象的观赏点各点的距离信息 。一个或多个深度的地图图像可以转化成一个“点云” ，其中包含每一个点的三个维度 。虽然深度图是更有限的 ，它可以表示 ，它有优势 ，它可以经常使用相同的机器视觉工具 ，作为二维视觉处理 。例如 ，要找到“凸点”的表面上的缺陷 ，高度可能被编码为一个灰度值 ，高于一定的高度的区域可以被分离的阈值 ，并通过计算和筛选常见的参数 ，如面积和周长的缺陷的阈值 ，并通过计算和筛选（尺寸） 。同样 ，凸起或凹下的文字或二维码可以从背景中分离出来 ，通过阈值 ，然后读取OCR或通过标准的代码阅读工具 。

 

三维扫描/三角测量

这是机器视觉中最常用的方法 。这的一个原因是 ，它已在机器视觉中的大量使用的最长的 。

这项技术使用一个激光（通常是红外）扫描一次一行一行的工作 ，一个成像器 ，在每一个点产生的 。成像器和激光器位于已知位置和（不同）角度相对于产品 。由于成像器和激光的位置和角度是已知的 ，这使得处理器 ，以确定每个点生成的位置（在三维空间中） 。这是做一整个行 。然后 ，当成像系统或产品被移动在一个控制的“扫描”的方式 ，它重复了下一行和数百或数千额外的过程 ，直到工作片所需的部分已被覆盖 。所有的数据放在一起到一个深度图的三维图像的扫描区域的产品 。

这种方法的一个限制（实际上是在这篇文章中所涵盖的所有成像方法）是 ，只有“看到”由两个元素的区域（在这种情况下 ，激光和相机）成像 。对于这种特殊方法的一些更重要的限制是 ：

要创建一个图像 ，无论是工件或成像系统必须稳定和准确地移动在扫描型运动 。这通常需要添加一些类型的运动控制系统 。还的图像采集时间包括整个扫描过程中 ，这是太慢了许多应用程序的时间 。最后 ，这样的一个添加（特别是如果它涉及到处理和移动的工作片）通常是不允许的“添加”的解决方案 ，不能修改现有的制造和产品流程 。 

该系统依赖于散射（不反射）从激光冲击点的光 ，所以只有产品/区域 ，可以成像散射光 。光亮的对象，那么这个方法可以形象 。例如 ，一个白色的产品将是最容易的图像和镜子将是最困难的 。

由于图像是每个扫描周期只有一次 ，一个“活”的图像（例如 ，用于安装和瞄准） ，这需要约30个图像每秒是不可用的 。

 

立体成像

像一组人眼 ，立体成像是基于两个相机拍摄的一个产品或“场景”的两个不同的意见 ，这些相机在同一平面上略有不同 ，采取的图像 ，然后存储在计算机中 。由此产生的图片是不完全相同的 ，两个相机之间的空间意味着所产生的图像显示相同的场景 ，但从稍微不同的角度。接下来 ，两图像之间的共性和差异的确定 。的差异被称为“差异”的位置的功能 。它是将图像或“3-d-ness”它的深度的差异 。

对于人类 ，立体视觉和其产生的深度知觉是至关重要的行动 ，如驾驶 ，投掷/捕捉一个球 ，甚至穿针 。这并不是说 ，这些活动不能没有这种类型的视觉 ，但它使生活更容易 。与立体机器视觉不同的是，人的“视觉”的一个对象来自头脑 ，它结合了大量的其他信息（如知识的世界和共同的对象）与从眼睛接收的信息 ，所以类比有其局限性 。

这种方法的主要限制是机器视觉的兴趣必须是可见的（可靠地分化） ，使用传统的成像 ，在机器视觉中使用的是最常见的原因是因为这种分化是不可用的 。另一种显着的限制是 ，只用于区分功能的三维信息 。这些限制是其中的主要原因 ，它在机器视觉中使用的是至少在这篇文章中所描述的三种方法。

 

“一枪”基于网格的三维成像

在机器视觉中快速增长的一种新的三维技术是使用一个不可见的（近红外或红外）专门网格的投影的“一个镜头”的方法 。它是以各种不同的名字销售的 。此方法可以被理解为从一个类似的配置类似的扫描三角测量方法（发射器和一个摄像头在已知的位置和角度） 。不同的是 ，它在一个时间在整个产品区域的一个专门的（例如伪随机）网格 。成像和处理系统“知道”的起始点 ，在每一个网格的视图字段中的角度和位置 。从这一点 ，它计算其三维位置，并把它放在一个深度地图图像 。

这种新方法的最大优势（成熟的三角测量方法相比）是 ，它需要一个镜头在一个镜头的整个场景的照片 。成像器或工件（和这样的时间和机器的时间和机器）的控制扫描运动是不需要的 。这大大扩展了应用程序的范围 。现场图像也可用，使它更容易设置 。

这种方法的两个限制是相同的激光三角测量 。它可以只图像区域 ，这两个元素都可以“看到” ，并要求表面散射光 。

这种方法相比 ，传统的三角测量的两个额外的限制是（通常）较低的精度和更长的最小工作距离 。新版本的这项技术正在取得重大进展 ，缩小这两个领域的差距 。

这两种三维成像技术和他们的采用机器视觉应用程序继续增长。相比 ，二维成像 ，他们提供了新的能力和局限性 ，不同的被认为是所考虑的 。基于这两个知识的明智决策是必要的 。新的功能允许正在进行的扩展的应用程序 ，可以解决使用机器视觉的范围内 。