机器视觉可以捕捉、观察和分析那些从前无法想象的任务。
　　
　　想将检测时间降低一个数量级、提高检测质量、降低成本、增加工人满意度、提高安全性和减少不确定度？先进的机器视觉技术是你的绝好选择。用户、系统集成商和机器视觉产品供应商跟踪了如下结果：
　　■  与3英里每小时（mph）的人眼检测速度相比，自动3D检测速度可以达到30英里每小时。
　　■  无级调解产品的机器人维修。
　　■  以200m/min的速度对生产和结构疵点进行网面检测www.cechina.cn，比肉眼速度快10倍。
　　■  每秒记数450个形状各异、大小不同的物体，精度高达99%。
　　■  每份中可以对1200个不同颜色和大小的产品进行检测并做出合格判定CONTROL ENGINEERING China版权所有，可以设置10个以上的合格判据，精度在95%到99%之间。花费只有预期的1/3，9个月即可收回成本。

图1

图2

图3
为了更快的进行检测，Nagle Rearch将Scik3D技术整合到获专利的Georgetown Rail Aurora轨道检测系统之中。
图片显示了木制枕木（图1）和混凝土枕木（图2）。图3是装载视觉系统的卡车，可以消除人为检测的困

　　感受机器视觉带来的便利包括：
　　3D摄像头可以以30mph的速度监测铁路
　　你愿意沿着铁路边走边找疵点，还是愿意坐在车上以30mph的速度前行，而把工作留给3D摄像头去完成，并且可以每小时检测70000节铁轨，每天检测几百英里？对于9英尺枕木的检测长期以来被认为是轨道维护的“宝石”，它可以确保工人的安全、舒适，且便于制定维护计划。
　　当检查员们沿着铁轨边走边对每一根枕木进行判断的时候，高稳定性的枕木检测向传统的铁轨检测和枕木维护发起了挑战，为什么？
　　■  肉眼检测人员对“好”或“坏”的判断准则是一直变化的；
　　■  两个检测人员对同一根铁轨的评价不可能完全一致；
　　■  检测人员在每一次评价上只能用仅仅1秒钟；
　　■  而且铁路路况条件繁复多变。
　　来自于德克萨斯州Austin公司的Nagle发现2D检测并不适合枕木的检测，原因是枕木表面的污染物很多。Nagle将3D版本的Sick Ranger高速摄像头集成到轨道用小型载货车上控制工程网版权所有，用来检测枕木的几何结构，不考虑颜色和对比度的影响。此产品叫作Georgetown Rail Aurora 3D轨道检测系统（获美国和国际专利），它可以记录铁轨的全尺寸，每个坐标方向上以每小时30公里的速度捕捉三位表面图像，解析度可以达到0.04英寸。
　　Georgetown Rail号称此系统可以精确地检测木制枕木、混凝土枕木、铁钉、铆钉和枕木垫板。它还可以测量枕木间距和铁轨基座腐蚀程度。
　　Nagle列举了一系列用户分析软件，它们可以处理数以G计的数据，并针对超过12个枕木条件生成详细报告，对有问题的枕木还可以回传3D图像。检测完成后48小时内，可以针对轴承、曲率、标题、英里标识、枕木位置的全球定位数据、铁轨接缝检测、单一枕木或枕木群上的铁轨基座腐蚀、轨底坡、枕木间距、枕木垫板和铁钉分级等信息增加变量www.cechina.cn，以符合用户需求。
　　在北美广泛使用的Aurora系统迅速扩展到欧洲和其他市场。视频展示了3D检测系统的强大功能。
　　www.georgetownrail.com/aurora.php
　　www.nagleresearch.com
　　www.sickusa.com/machinevision

　　散落物体计数
　　对数量、次数以及轴承滚球、化学药粒、种子、医药品等高速高频落体加工领域中的对象位置的测量对系统的精确测量能力提出了新的要求。这样的系统可以改进生产厂商的流程和控制质量。传统的技术已经弊端尽露：
　　油脂皮带机系统不是实时测量系统，需要测量前预处理。LED/光电检测或者栅格提供实时、高速的测量，但是其空间解析度不高www.cechina.cn，最低只能检测4mm的物体，而且对多种物体形成的物块也无能为力。
　　带有一个线扫描摄像头的基于机器视觉的系统已经证明比油脂皮带机系统和LED/光电栅格检测法更好，但是单一摄像头仍旧无法区别物块或多重物体，因为其太接近了，看起来就像一个物体。

　　通过使用 V I Engineering机器视觉系统辅以 National Instruments组件、软件和在同一个平面
垂直于敏感区域的2个线%%扫描摄像头和线性背景光源，John Deere每秒钟可以计数450个零件。

　　设计的目标是为John Deere搭建一套系统，用于时间间距和高速下落物体XY轴物位的检测，区分物块中的每一个物体，同时确保精度高于99%，检测速率每秒200个。
　　V I Engineering公司设计了一套基于IEEE1394 的线扫描摄像头和逆光单元的机器视觉系统。使用了专