您的位置>首页>新闻动态> 一文看懂黑白相机与彩色相机!

发布时间: 2020-10-30    浏览量:761

想象一下只能看到灰色的世界,许多东西都将隐藏不见。色彩让我们看到这个世界的细节。



那么黑白相机和彩色相机的区别是什么呢?在机器视觉应用中,又该怎么选型?


彩色相机通常是包含单个CCD的单芯片相机。由于获取彩色图像需要关于三原色(红、绿、蓝,即R、G和B)的信息,因此CCD的每个像素都装有 R、G或B色滤镜。每个像素以256级R、G或B将强度信息发送给控制器。


颜色系统以数字形式描述颜色。它通常表示成有三个轴的3D空间。使用“色调”(Hue)、“饱和度”(Saturation)、“亮度”(Brightness) 的HSB颜色系统与人的眼睛最接近,最适合用于图像处理。


当目标有光泽并且有弯曲的表面时,黑白相机无法像人的眼睛那样处理图像。图中标签的亮度不均匀,使用黑白相机无法提取清洗的图像。使用彩色相机时,则可以只提取标签的金色部分。这是因为在处理图像时,彩色相机使用的是色调(颜色)数据,而不是黑白相机使用的强度(亮度)数据。



视觉系统捕捉灰度图像时,它根据从0-255灰色选择一个单独灰度值进行评估决策。视觉系统捕捉彩色图像进行评估时,它的数据超过灰度图像的三倍。那么为什么大部分用户不选择色彩检测呢?因为过去,彩色图像对于机器视觉系统用户一直是困难和昂贵的技术。


彩色相机的成本几乎与灰度或单色相机相同,颜色没有真正的成本差异,因为制造传感器所需的技术都处于芯片级别。能够提供彩色图像的相机使用与灰度相机相同的传感器和组件。


彩色视觉系统使用更多的互补金属氧化物半导体(CMOS)代替电荷耦合器件(CCD)传感器,因为后者能够以更高的速度运行,这降低了成本并增加了灵活性。这种改进促使更多制造商重新审视色彩视觉技术。



我们也看到了更高分辨率的相机,在过去,大多数彩色视觉应用都使用了500万像素的摄像头。如今,可提供更多1200万像素的摄像头。


与色彩视觉相关的最大问题涉及成本,为了从这项技术中受益,你不必在硬件上投入大量资金。


近年来色彩视觉变得更加实惠,随着技术的进步和需求的增加,作为彩色成像框架的成像器材的成本正在下降。更快的处理器和设备存储器使机器视觉系统能够更快地处理数据,即使使用更高分辨率的成像器材。彩色视觉已成为日常检查的实用解决方案。


高分辨率传感器提供了高质量的彩色图像,超过了几年前单色图像、处理能力、存储和成本的提高使可负担的色彩技术]成为可能。


随着彩色视觉检测系统变得越来越便宜,它们可以在工厂车间更广泛地部署。

颜色和灰度之间不再有很大的价格差异,如果一个应用程序真的受益于颜色,那你可以通过彩色视觉进行解决。


这引起了传统上因成本问题无法使用机器视觉技术的小型制造商的更多兴趣,低端视觉系统并不像过去那么复杂。小型制造商现在可以以低于2,000美元的价格配置简单的检验应用程序。


视觉软件界面越来越容易使用,你不必雇佣程序员或系统集成商。中小型制造企业在没有很多视觉经验的情况下,可以快速解决检验问题。对于颜色和灰度系统来说都是一样的。


关于彩色成像系统,最大的误区是它涉及到多层的复杂性。现实情况是,这项技术价格合理,分辨率更高,性能也更好。


今天,随时机器视觉技术,成像处理软件和检测工具的进步,处理彩色图像变的更简单、更快速且更便宜。现在色彩检测是更可行的选择,为何以及何时您应考虑使用彩色视觉系统呢?


何时以及为何使用色彩

因为传统灰色机器视觉技术根据0-255灰度进行决策,可充分完成检测大部分对颜色不敏感工件的工作。即便工件或产品有颜色,颜色也并非解决检测应用的因素。但是,当检测侧重基于颜色差异的工件时,例如询问“此工件颜色是否正确”或“哪些产品是橙色,哪些是绿色”灰度机器视觉系统在许多情况下就不可靠,有时不能完成任务。




制造商使用色彩机器视觉解决三种主要视觉应用:


  1. 工件分类

    通常,色彩是区分瓶盖、包装或药片等工件的唯一特征。



2.颜色识别和匹配

例如,检测员经常配错颜色,而彩色视觉工具则能可靠的区分各种颜色,以及监控颜色是否一致。



3.组装验证和检测

当组装的工件尺寸非常小或其上的字符串或条形码等识别标记不易辨认时,要验证所用工件是否正确会显得比较困难。在这些情况下,色彩为准确识别的工件提供一个选项,以确定是否正确组装该工件。



但是,并非所有机器视觉应用都需要彩色视觉处理。


在大多数应用中,颜色并不重要,灰度相机通常也可以根据不同的灰度来区分颜色。


使用传统的灰度视觉系统,绝大多数检测应用仍然是最好的解决方案,但是,人们对彩色成像的兴趣越来越大,因为这种技术更加实惠。视觉软件也更易于使用且更易于访问。



在某些情况下,你可以从灰度图像中获得更合理的图像对比度和特征分割,其中一个原因是因为用于机器视觉的算法不一定在色彩空间中独特操作。


“例如,处理一个简单的彩色测量任务可能对制造商没有任何好处,但是,如果机器视觉应用的任务是通过颜色区分、识别或分类,那么彩色视觉系统将具有自身的优势,并且将是最好的解决方式。”