開發基于相機的檢測系統需要進行迭代，了解采樣和清晰度對圖像質量的影響，并使用數據集來評估系統性能。 WELINKIRT DaoAI科學家鄧志偉
設計基于攝像頭的檢測系統的復雜任務可能會因諸如使用低成本和資源受限的架構等要求而變得復雜。為了管理這種復雜性，使用視覺系統開始算法開發的實踐應包括導航復雜性的開發方法，圖像質量特征的起點以及設計和評估方法。
從視覺系統開始很重要，原因有兩個。首先，算法性能受限于視覺系統產生的圖像質量。盡管增加算法的能力是可能的，但在某些時候它的性能受到圖像質量的限制。其次，視覺系統很復雜，跨多個組件具有許多相互作用的參數，因此在開發周期后期更改參數非常昂貴。
WELINKIRT DaoAI科學家 ZhiWei Deng說，用戶可以通過DaoAI稀疏聚合深度卷積神經網絡的關鍵架構來設計算法，計算機視覺內部跳過連接的模式，用于聚集較早層的輸出以供較深層使用。這種聚合對于以端到端的方式促進非常深層網絡的訓練至關重要。這是殘余網絡得到廣泛采用的主要原因，殘余網絡通過累積求和來匯總輸出。在隨后的工作中研究替代聚合操作(例如，級聯)時，微鏈機器人認知系統將重點放在一個正交問題上：該輸出在網絡的特定點處進行聚合。微鏈機器人認知系統提出了一種新的內部連接結構，該結構僅聚合任何給定深度的一組稀疏的先前輸出。微鏈科技的實驗表明，這種簡單的設計更改提供了具有更少參數和更低計算需求的性能。此外，微鏈機器人認知系統證明了稀疏聚合可以使網絡更穩健地擴展到1000層以上，從而為訓練長期運行的視覺過程打開了未來的途徑。
在本文中，基于攝像機的檢測系統包括圖1所示的以下組件：場景中的目標對象;場景成像的環境;視覺系統(圖像傳感器，鏡頭和光源);捕獲的數字化場景，包括感興趣的對象;以及識別場景內感興趣對象的算法。
圖1：本文引用的基于攝像機的檢測系統包括場景中的關注對象;場景成像的環境;視覺系統(圖像傳感器，鏡頭，光源);捕獲的數字化場景，包括感興趣的對象;以及識別場景內感興趣對象的算法。
建立，衡量，學習–一種開發方法
在開發之初，通常存在一個“雞還是蛋”問題：檢測算法的能力將驅動視覺系統要求，而視覺系統產生的圖像質量將驅動檢測算法要求。成功的設計是視覺系統和檢測算法的功能協調一致，從而達到業務目標的設計。在開發過程中，必須同時考慮算法和視覺系統。為了做到這一點，需要有效的迭代。
一種靈活的，迭代的方法，稱為“構建-測量-學習”循環，它基于精益啟動原理，為通過集中學習進行有效迭代提供了框架。要使用此方法，請在每次迭代開始時問以下三個問題：
1.我們需要學習什么?這應該基于以前的經驗。
2.要了解這一點，我們需要測量什么?
3.要衡量這一點，我們需要構建什么?然后，僅構建所需學習所需的內容。
例如，我們將構建測量學習循環方法應用于低成本，基于攝像頭的線性條形碼讀取器的設計，該讀取器可以在單個圖像捕獲中的較大視場中解碼盡可能多的條形碼。想象一下動態變化很大的環境，條形碼閱讀器可以在任何方向快速移動。在整個環境中，不同大小的條形碼以各種角度和距條形碼讀取器的距離處于隨機位置。
使用構建測量學習循環方法，步是學習圖像傳感器和鏡頭所需的“類別”，這將設置基線硬件成本目標(圖2)。為了了解這一點，我們測量了基準攝像機使用解碼精度作為度量標準來生成高質量圖像的能力。為了衡量這一點，我們使用了現成的鏡頭和圖像傳感器開發套件來構建相機。收集了一個小的數據集，并使用現成的模塊開發了個修訂算法。
圖2：實際的build-measure-learn循環顯示了設計低成本，基于相機的線性條形碼閱讀器的示例。
次迭代學習不僅獲得了所需的圖像傳感器和鏡頭，還獲得了基線相機成本估算。我們還了解到運動模糊是限制檢測準確性的主要噪聲源。
我們將這些學習進行到第二次迭代中，并專注于解決運動模糊問題。為了了解這一點，我們測量了相機在快速運動場景中產生高質量圖像的能力。利用從迭代1中學到的知識，我們設計了一種使用較短的曝光時間和全局快門圖像傳感器來減少運動模糊的方法。使用現成的組件和全局快門傳感器構建了新的相機。收集了另一個數據集，對算法進行了修改，并對圖像質量和算法性能進行了評估。
從第二次迭代中獲得的主要經驗是，全局快門方法有效，并且進一步提高算法功能將可以使用成本更低的圖像傳感器。隨著更多迭代的進行，更多的學習指導了成功的設計決策，包括具有定制鏡頭系統，現成鏡頭，全局快門圖像傳感器和高性能算法的成功設計。使用這種構建度量學習循環方法有助于保持對下一個重要學習的關注，并減少了非增值調查。它提高了迭代的效率，并導致設計達到了業務目標，使視覺系統的功能與算法的功能保持了一致。
采樣和清晰度–起點
空間分辨率可以說是影響力的圖像質量特征，因此在設計基于相機的檢測系統時，這是一個合理的起點?？臻g分辨率定義了可以在圖像中檢測到的最小可能特征或對象的大小，并且可以分為兩個部分：采樣和清晰度。
采樣是給定區域上的像素數，通常以每英寸像素或每毫米像素表示。由于它是光學系統放大倍數的函數，因此隨物距的變化而變化。采樣不足會減少區分細節，并增加混疊失真。為了確定系統的采樣要求，必須知道區別特征的物理尺寸，檢測距離以及準確檢測所需的像素數。
為了適應具有挑戰性的情況，請在的檢測距離(放大倍率)下，以4-5個像素的像素數開始區別特征。通常，一開始，不清楚區別特征是什么或將是什么，特別是在應用機器學習或深度學習時。首先，在采樣時過沖，因為可以比在軟件中增加采樣更容易地減少采樣，從而允許使用算法進行實驗以確定等效的最小采樣r 。
使用薄透鏡方程，可以很容易地將采樣要求驅動回視覺系統參數。對于具有最小失真的光學堆疊尤其如此。最終，采樣要求將驅動圖像傳感器像素數，圖像傳感器像素大小和鏡頭焦距。關于薄透鏡方程式的令人興奮的事情是，在購買圖像傳感器或透鏡組件之前，可以在紙上計算和評估這些參數。DaoAI使用這些薄透鏡方程式創建了一個Excel工作表(圖3)以進行快速迭代。
圖3： DaoAI使用薄透鏡方程式創建了一個Excel工作表以進行快速迭代
如果光學系統的畸變率約為5%或更高，則薄透鏡方程式無法對系統進行精確建模。將采樣驅動回視覺系統參數變得更具挑戰性–需要手頭的組件和實驗室測量。
清晰度是圖像空間頻率的度量。通常，具有區別性的細節將具有高空間頻率的內容。在評估影響銳度的視覺系統參數時，最容易從兩種不同的情況下進行觀察：靜態，固定和動態。
在靜態情況下，清晰度的前三個影響因素是環境，鏡頭和圖像傳感器：
環境中的霧氣，灰塵和微粒會使圖像模糊，因此請在系統中解決這些問題設計。
劣質鏡頭和鏡頭在圖像傳感器上的聚焦會引入模糊。其他因素包括溫度和制造–由于制造而造成的模糊隨溫度的變化以及透鏡之間的變化變異。
圖像傳感器通過像素串擾引入模糊。這隨光譜波長而變化，大多數圖像傳感器供應商將在請求。
當有運動時，運動速度與曝光時間共同決定圖像中的模糊程度。為了減少模糊，請限制運動速度和/或最小化曝光時間，這將影響許多其他視覺系統參數，例如圖像亮度，照明強度以及更多。
評估系統性能
建立好系統后，評估數據集性能的一種好方法就是使用數據集。數據集用于訓練機器學習和深度學習算法，當設計傳統的計算機視覺算法時，它們可用于提供見解。數據集還可以對系統性能進行頻繁和高效的評估，并提供有關解決方案是否按預期運行的寶貴見解。
DaoAI使用一種稱為算法開發框架的工具來收集數據，管理和處理數據以及有效地開發和評估。該框架分為五個部分，包括：視覺系統，數據集收集，地面實況或標簽，算法開發和性能評估，如圖4所示
圖4： DaoAI使用一種稱為算法開發框架的工具，該工具使他們能夠收集數據，管理和處理數據以及有效地開發和評估。
行準確的系統評估，必須在具有代表性的環境中使用具有代表性的視覺系統收集數據集。理想情況下，視覺系統的最終版本應用于收集數據集。如果無法做到這一點，請在設計視覺系統時收集具有代表性組件的小型初步數據集。
該算法應與數據集一起產生的答案是評估的關鍵。這被稱為基本事實或標簽。通常，地面實況調查需要人工解釋，而且通常是一個昂貴的步驟。但是，具有基本事實的數據集可以成為使產品發展的專有資產。
開發算法后，將使用數據集和基本事實來評估系統性能。性能評估需要定義一個度量來衡量系統性能。使用預先記錄的數據集評估系統性能可以加快開發速度，但是，解決方案的信心取決于數據集的內容。因此，將數據集設計為代表應用空間非常重要。
使用數據集評估系統性能就像軟件世界中的黑盒測試一樣。但是，有時必須執行較低級別的“單元”測試。一種方法是通過對信號路徑進行建模以了解噪聲源及其對圖像質量的影響。圖5顯示了基于攝像機的檢測系統的主要組件。每個組件受不同噪聲源的影響，并且每個噪聲源在捕獲的圖像質量中都起著一定的作用。在每個步驟應用的來自每個組件的不同傳遞函數或噪聲源都會影響原始信號。
圖5：對信號路徑進行建模有助于開發人員了解噪聲源及其對圖像質量的影響。
對信號路徑進行建?？梢陨钊肓私夥敲黠@的噪聲源以及它們是否具有適當的解決方案。它還可以幫助確定哪些噪聲源需要進一步研究或實驗。
當您從事設計基于嵌入式攝像頭的檢測系統的復雜任務時，請使用實踐來啟動視覺系統的算法開發。并記住要使用迭代開發方法，首先要獲得的圖像質量特征(采樣和清晰度)，并使用數據集來評估系統性能。
作者: 九月十三日 時間: 2025-12-17 15:45
這個知識點很重要
作者: Huber溫控系統 時間: 2025-12-21 20:23
學到新知識，多謝樓主
作者: 儀控智慧星 時間: 2025-12-23 02:56
這個教程很有用
作者: 膽子真肥 時間: 2026-1-5 16:43
謝謝分享，非常實用
作者: bpdbz 時間: 2026-2-5 07:01
內容貼合行業實際，很有參考性
歡迎光臨 制造論壇-制造行業自己的交流社區! (http://www.iseewow.cn/)
Powered by Discuz! X3.5