3D机器视觉技术发展白皮书

声明 本报告所载的材料和信息，包括但不限于文本、图片、数据、观点、建议，不构成法律建议，也不应替代律师意见。本报告所有材料或内容的知识产权归撰写单位所有（注明是引自其他方的内容除外），并受法律保护。如需转载，需联系牵头单位并获得授权许可。未经授权许可，任何人不得将报告的全部或部分内容以发布、转载、汇编、转让、出售等方式使用，不得将报告的全部或部分内容通过网络方式传播，不得在任何公开场合使用报告内相关描述及相关数据图表。违反上述声明者，本单位将追究其相关法律责任。 编写说明 中国联通5G+3D机器视觉技术发展白皮书以5G网络技术及端边云协同发展为驱动，在梳理3D机器视觉的发展、5G网络及关键技术对3D机器视觉的影响的基础上，进一步推出了中国联通5G+3D机器视觉技术框架，并结合具体案例场景，进行详细说明。 为建设业界领先的3D机器视觉专项基础能力服务平台，中国联通紧握5G抓手，联合生态建设伙伴，构建了覆盖3D机器视觉数据采集、传输、建模等系列流程中，多行业多场景的端边云协同融合机制，并以此为核心，依靠5G网络提供的数据传输保障，弱化3D机器视觉应用中软硬件的强耦合关系，促进算力的云化、上移，以集约化管理持续推动行业高质量发展。 牵头编写单位：中国联合网络通信集团有限公司 参与编写单位：华为技术有限公司、天津大学、青岛海信通信有限公司、北京翼辉信息技术有限公司、伟景智能科技有限公司、深慧视科技有限公司 目录 编写说明.................................................................................................................313D机器视觉发展背景...............................................................................................61.13D机器视觉概述............................................................................................61.23D机器视觉技术原理....................................................................................71.33D机器视觉典型场景及发展趋势..............................................................101.3.1典型场景............................................................................................101.3.2发展趋势............................................................................................1125G网络对3D机器视觉的影响..............................................................................132.15G网络核心特征..........................................................................................132.25G网络关键技术及对3D机器视觉的价值...............................................132.2.1SUL/超级上行解决方案.................................................................132.2.2大上行专属帧结构解决方案.........................................................142.3面向2025年的5G网络关键技术及对3D机器视觉的价值...................152.3.1上行MIMO增强............................................................................152.3.2灵活时隙配比/灵活双工技术&TDD全上行技术........................162.3.3全上行频谱解耦：.........................................................................172.3.4多终端协同.....................................................................................172.45G+3D机器视觉发展技术要求..................................................................182.4.15G+3D机器视觉端边云协同策略................................................182.4.2方案部署影响因素.........................................................................202.5中国联通5G+3D机器视觉技术框架........................................................2135G+3D机器视觉典型应用案例.............................................................................243.1端云协同：煤流检测..................................................................................243.2端超边与边协同：钢板瑕疵检测及分类分级..........................................253.3端边协同：挂车车体关键尺寸测量..........................................................26 3.4端云协同：无人机立体测绘......................................................................293.5典型应用场景分类......................................................................................314总结与展望.............................................................................................................34 13D机器视觉发展背景 1.13D机器视觉概述 机器视觉是指通过光学装置和非接触传感器等图像采集装置，将被摄目标的不同特征转变成数字化信号，传送给专用的图像分析处理系统，图像处理系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的一种技术。通俗地讲，机器视觉就是为机器赋予了一双眼睛。机器视觉在工业制造领域的广泛应用可以在大幅提高生产效率和产品质量的同时，提高生产的柔性和自动化程度。其体量巨大，易于落地并产生规模效益。 机器视觉系统主要包含光源、图像采集与传输装置、图像分析处理系统、展示与控制系统等四部分。其中，根据处理图像形式或结果的不同，机器视觉可以分为2D机器视觉和3D机器视觉。近几十年来，2D机器视觉已被广泛应用于条码读取、目标跟踪和在线智能检测等领域。随着工业互联网发展对技术要求的不断升级，用户对目标对象的深度信息有了更高要求，而3D相机特有的深度信息采集功能，恰好可以满足这样的市场需求。 2D机器视觉：通过线阵扫描相机或面阵扫描相机采集待检测物体的平面图 像，完成相关的需求检测。其中，线阵相机通常用于幅面较宽，速度较快，精度要求高的流水线产品或圆柱等曲面的实时采集，例如印刷品、纺织品的瑕疵检测等；面阵相机应用更为广泛，大多数常见检测设备执行的都是面阵扫描。 3D机器视觉：数据采集装置通常由多台相机或者一台或多台激光位移传感器组成。3D机器视觉可以获得待测物体的完整空间坐标信息（即XYZ三维立体信息），被广泛应用于机器人引导应用中，提供方位信息。同时，基于激光位移传感器的3D机器视觉能够采集物体表面的高精度深度信息，被广泛应用于产品质检、物料体积检测等环节。以轮胎划痕检测场景为例，2D机器视觉只能识别划痕的粗细和长度信息，而3D机器视觉由于包含深度信息，能够进一步检测划痕的深浅情况。3D视觉的出现，是继黑白到彩色、低分辨率到高分辨率、静态图像到动态影像后的第四次视觉革命。 1.23D机器视觉技术原理 基于成像原理，常用的3D机器视觉方法主要有：双目立体视觉法(StereoVision)、飞行时间法ToF（Timeofflight）、激光三角法(Lasertriangulation)、结构光3D成像(Structuredlight3Dimaging)。 双目立体视觉法(StereoVision)：类似人的双眼通过两个视点观察同一景物，获取不同视角下的感知图像的方式，双目成像通过融合两个相机采集的被测物体图像，建立特征间的对应关系，由三角测量原理计算图像的视差来获取景物的三维信息。 飞行时间法ToF（Timeofflight）：基于飞行时间法的3D机器视觉成像技术，通过给目标物连续发送光脉冲然后用传感器接收从物体返回的光，通过探测光脉冲的飞行时间来得到目标物距离。 激光三角法(Lasertriangulation)：基于光学三角原理根据光源、物体和检测器三者之间的几何成像关系来确定空间物体各点的三维坐标。根据三角原理计算，被测物体越远，在CCD上的位置差别就越小，所以三角测量法在近距离下的精度很高，但是随着距离越来越远，其测量的精度会越来越差。 结构光3D成像(Structuredlight3Dimaging)：光学投射器将一定模式的结构光投射于物体表面，在表面上形成由被测物体表面形状所调制的光条三维图像。该三维图像由处于另一位置的摄像机探测，从而获得光条二维畸变图像。通过结构光前后畸变情况，即可计算被测物距离、形状、尺寸等信息，获取物体三维图像。 上述技术优缺点如表格2所示。 1.33D机器视觉典型场景及发展趋势 1.3.1典型场景 机械臂引导 机械手工作时，会受工件位置和朝向的影响。通过3D机器视觉检测，考虑外围设备干扰和机械手姿势，自动计算出适合的机械手动作，生成运动路径，从而大幅缩短工时，实现灵活、稳定的快速检测。另外，通过对现场建模的模拟，避免启动时不必要的返工和设备导入后的故障，能够大幅提高抓取成功率。 产品瑕疵检测 对于钢铁、汽车、家电、电子消费品等诸多行业，表面瑕疵检测是产品质量控制 的关键环节。由于瑕疵类型繁杂、位置分布不定，完全准确的自动化质量控制一直是业内面临的严峻挑战。针对涉及深度信息的瑕疵检测，通过3D机器视觉的方式，能够精准采集待检测物体的表面信息，显著提高检测精度。尤其，可以通过多种数据处理算法，检测反光表面（如小型电子零件）和低对比度的表面（如轮胎面和侧壁）。 积测量 1.3.2发展趋势 采集前端无