机器视觉技术及其在汽车制造质量检测中的应用

随着社会经济的不断发展,科学技术的不断提高,现如今越来越多的高科技技术被应用在人们的生活、生产中。作为比较典型的高科技技术,机器视觉技术就是通过机器代替人的眼睛进行判断和测量,并在一些人们不适合的危险工作环境或者是人工视觉无法满足要求的场合进行工作,从而可以有效的提高生产过程中的柔性以及自动化程度,促使工作效率、生产效率的有效提高。另外,机器视觉可以还比较容易实现信息集成,这是实现计算机集成制造的基础技术。文章首先对机器视觉技术进行了详细的研究和分析,然后根据实际情况提出了机器视觉技术在汽车制造质量检查中的应用措施。     

电子插接件大批量制造中的质量在线检测

电子插接件的生产具有产量大、效率高和产品质量要求严格的特点，而日臻成熟的机器视觉检测检测技术极为适合其制造质量的在线检测。本文介绍了应用机器视觉检测技术对电子接插元件制造质量进行在线检测的过程，并以其冲压阶段中典型质量缺陷的检测为例阐述了机器视觉检测系统构建、算法和应用问题。     

机器视觉在汽车驾驶辅助系统中的应用

机器视觉是汽车驾驶辅助系统应用领域的重要技术,文章主要综述了机器视觉在车道检测技术、交通标志识别技术、车辆识别技术、行人检测技术和驾驶员状态检测技术等领域的应用,着重介绍了机器视觉技术在上述领域目前的研究现状,为机器视觉在汽车驾驶辅助领域的进一步研究提供了参考。     

基于机器视觉技术的公路路产赔偿管理信息系统

研究与设计基于机器视觉技术的公路路产赔偿管理系统的系统方案和结构方案。介绍机器视觉在公路路产赔偿管理中应用的关键技术。应用实例证明了该系统不仅有较好的测量精度，有较大的测量范围，同时有较好的操作性。     

机器视觉系统在激光焊接中的应用

为了满足柔性化生产的要求,机器视觉被广泛应用在激光焊接中。文章通过机器视觉系统在汽车制造业激光焊接中的应用实例,介绍了视觉激光焊接系统的组成,并重点分析了视觉技术的应用,如标定、焊前检测、焊缝轨迹控制及焊后质量检测等。     

基于机器视觉的智能车辆前方道路边界及车道标识识别方法综述

为了全面了解国内外在基于机器视觉的智能车辆前方道路边界及车道标识识别领域的研究进展，文章介绍了近年来一些典型的基于机器视觉的道路边界及车道标识识别系统，对基于机器视觉的前方道路边界及车道标识识别方法进行了分类，对各大类方法中采用的不同技术进行了阐述，然后对基于机器视觉与其他传感器融合的识别方法进行了总结，最后就该领域的研究难点及发展趋势进行了简要论述。     

浅谈机器视觉技术在汽车制造业中的应用

在数字化转型快速发展的时代背景下，机器视觉被广泛应用于各行各业。介绍了视觉采集方法与处理方法，在此基础上通过具体车间说明机器视觉与传统人工视觉相比的优点。在视觉引导上件、视觉引导装配、视觉检测和视觉在线测量等方面论证该方法从根本上解决了人工成本问题，使汽车制造更高质量、低成本、柔性化。     

车载机器视觉系统的测试场景研究

基于机器视觉的先进驾驶员辅助系统是目前汽车行业驾驶员辅助系统的重要组成部分。机器视觉主要通过一个放置在前挡风玻璃的高清摄像头采集图像,由于摄像头本身存在局限性,为了保证性能,需要对车载机器视觉系统进行系统、充分的测试验证。文章以基于机器视觉实现的车道偏离预警系统的测试为例,主要对其测试场景进行分类研究,包括天气、道路、道路材质、道线线型、光照、路面干扰、车道情况等。     

基于视觉技术的汽车制造智能装备文献综述

机器视觉是近20年新兴起来的一项工程技术,涉及到成像技术、图像处理、传感器技术、硬件技术与接口技术等。随着视觉技术的逐步完善和发展,其在工程上得到了越来越广泛的运用。文章就视觉技术的组成、机器视觉在智能装备上的运用以及机器视觉在焊接线上的运用展开了综述,在总结文献的基础上对汽车生产焊接线上使用机器视觉技术进行了展望。     

3D动态工业照相机成像技术定位仪——工作原理解析(六)

3.国内外图像和机器视觉应用技术的现状图像和机器视觉技术在美、欧、日等发达国家的应用已经非常普及。一方面生产自动化程度高,人力成本占整个产品成本的比例较大,消费者对产品质量和一致性的要求也很高。另一方面其设     

Computer Vision and Highway Automation

A survey is given on the development of machine vision for road vehicle guidance. Through early work in real-time simulation with real hardware in the loop at UBM, and through the EUREKA-project ‘Prometheus’ from 1987 to 1994 following the 100 th anniversary of road vehicle developments since 1886, Europe has pioneered the field. Since first fully autonomous testdrives in 1986, and first participation in public traffic in 1992, considerable progress has been achieved. With continuous growth in computing power of microprocessors at a rate of about one order of magnitude every four to five years, sufficient performance levels for dynamic machine vision will be available within one or two decades. The principles of dynamic vision as developed at UBM and performance levels achieved are discussed.     

Computer Vision and Highway Automation

A survey is given on the development of machine vision for road vehicle guidance. Through early work in real-time simulation with real hardware in the loop at UBM, and through the EUREKA-project 'Prometheus' from 1987 to 1994 following the 100 th anniversary of road vehicle developments since 1886, Europe has pioneered the field. Since first fully autonomous testdrives in 1986, and first participation in public traffic in 1992, considerable progress has been achieved. With continuous growth in computing power of microprocessors at a rate of about one order of magnitude every four to five years, sufficient performance levels for dynamic machine vision will be available within one or two decades. The principles of dynamic vision as developed at UBM and performance levels achieved are discussed.     

基于机器视觉的车辆检测与参数识别研究进展

近年来公路交通运输快速增长，交通车辆的快速准确检测与识别对智能交通系统和交通基础设施运维具有重要意义。随着机器视觉和深度学习技术的迅速发展及其在目标检测领域的广泛应用，车辆目标检测和参数识别也取得新的突破。该文从车辆参数的识别方法和应用研究两方面梳理了机器视觉和深度学习在车辆检测与参数识别领域的研究现状、最新研究成果和未来发展趋势。在识别方法方面，将车辆检测方法分为3类：运动目标检测方法、目标实例检测方法和细粒度检测方法，系统总结了这3类方法的基本原理和各自特点。在应用研究方面，详细综述了基于机器视觉的车辆检测方法在车辆参数识别中的应用现状，主要包括车辆类别、车辆时空参数、车辆重量参数识别以及车辆多参数识别系统。最后对基于机器视觉和深度学习的车辆参数识别研究进行了归纳总结，并讨论了当前存在的挑战和未来可能的发展趋势。研究表明，对于不同的环境条件和车辆参数，应根据实际需要和各算法特点选择合适的车辆检测方法。目前方法仍局限于单参数或少量参数的独立检测，且识别精度和效率难以同时满足。后续研究应注重与新技术的融合，提高在现实复杂环境下车辆参数识别的精度、效率、鲁棒性及全面性，以使其更好地应用于工程实际。     

可控图像退化对提升机器视觉鲁棒性的研究

现有工业机器视觉设备验证仍主要依赖批量造件,小概率的产品缺陷误判和设备失效风险不容易在投产前被发现和消除。为提升机器视觉系统鲁棒性,充分验证算法和参数不足,需要开发一种可控图像退化模拟系统。此系统能根据工况和设备特性,利用少量样图生成各类具有代表性的退化图像,并对图像退化程度进行精确量化评价。选择评价合适的退化图像对主流机器视觉设备进行鲁棒性验证,从而虚拟但有效地降低设备损坏停机和产品质量风险。另外,对于深度学习视觉应用,此系统也能更贴合工厂环境实现数据增广,优化神经网络模型。     

基于机器视觉的智能车辆避撞预警算法

由于受到信息采集源性能影响,造成了智能车辆避撞预警系统(Collision Warning System,CWS)前后车相对距离测量精度低的问题,针对此问题提出了一种基于机器视觉的预警算法(Collision Warning Algorithm,CWA),利用机器视觉获得了较高精度的测距信息,有效提高了预警算法的有效性。在分析驾驶员驾驶行为基础上,确定CWA的报警准则。基于机器视觉技术建立了一种多输入、多输出的CWA模型,给出了模型预警原理、决策阈值确定方法、逻辑结构图,以及基于机器视觉的车辆信息获取方法。设计了一个单车道双车辆跟驰实车试验,采集模型测试所需的数据,并利用实测数据对模型进行了验证。试验结果显示,平均测距误差不超过3.6 m,预警模型能够准确给出预警信息,对提高车辆行驶主动安全性具有重要意义。     

智能车辆的障碍物检测研究方法综述

按照使用传感器的不同类型来分类，对智能车辆的障碍物检测和识别技术进行了综述，并分析各种障碍物检测方法。这些方法中主要包括基于立体视觉方法、基于激光雷达的方法：基于彩色机器视觉的方法及基于结构光的方法等等，同时作者指出任何一种有效的障碍物检测系统不能只依靠单一传感器进行环境感知，因此利用多种传感器信息融合技术检测智能车辆前方障碍物，是未来该领域的研究重点与难点。另外，还介绍了近几年一些研究机构在该领域的研究成果，并对所使用的一些算法进行简要的概括，为我国在智能车辆的障碍物检测领域的发展提供借鉴。     

机器视觉的辨识功能在汽车发动机厂的应用

为了提高现代汽车发动机厂作业过程的可靠性,消除产品的质量缺陷,机器视觉这一新技术已在企业得到应用,尤其是其所具有的辨识功能。文章通过详实、形象的实例,描述了机器视觉的辨识功能在企业诸多场合,特别是在发动机装配线中的一些典型应用及其体现出来的优越性,从而表明了这项新技术在现代汽车制造业中确实大有用武之地。     

车辆前方行驶环境识别技术探讨

基于雷达和视觉技术对车辆前方行驶环境识别,进而判断车辆安全状态和实现纵向横行运动状态警示和控制,其是实现汽车安全辅助驾驶的主要技术途径。介绍车辆前方行驶环境识别涉及到的雷达和视觉的一些技术,其中包括雷达种类和适用场合,雷达检测障碍物的算法,车用图像的性能要求,基于图像特征和模型的车道线识别的方法,利用图像实现其他环境信息识别的方法。     

基于机器视觉对交通场景中车辆速度识别研究

通过对YOLOv5机器视觉框架进行二次开发，同时融合DeepSORT追踪算法，实现对桥梁交通车辆时空信息的提取和车辆轨迹的追踪。改进了传统的虚拟线圈法，实现了对车辆速度的测量，避免对传统方法中因检测线圈的像素变化进行阈值的设定，提高了算法的普适性。最后，将算法应用到实际的场景中与测速仪结果进行对比，其中平均误差在1%以内，误差最大值控制在为15%以内。     

基于道路模型的弯道检测研究与应用

基于机器视觉的弯道图像能提供车辆行驶道路环境的丰富信息,从建立弯道模型、提取车道线像素点以及拟合车道模型等步骤分析了传统基于道路模型的弯道检测方法,针对传统方法很难适用于多种不同形状弯道的特点,提出一种基于特征点提取的弯道检测新方法;介绍了弯道检测在车道偏离预警、弯道限速以及弯道防碰撞预警等领域的应用情况;最后提出弯道检测应该建立三维车道线模型、注重发展多传感器融合技术,提高其适用性和鲁棒性.