Koliko je vizija stroja pokretačka automatizacija

Sep 12, 2024 Ostavi poruku

Mašinski vid je fuzija niza tehnologija koje omogućavaju industrijskoj ili drugoj automatiziranoj opremi kako bi se izvele iz slika napredno razumijevanje okruženja. Bez softvera za mašinu Vision, digitalne slike s različitim vrijednostima boja i tonski intenziteti ne bi bili ništa više od jednostavne, nepovezane kolekcije piksela u takvu opremu. Strojno vid omogućava računaru (obično se poveže sa strojnim kontrolerom) za otkrivanje ivica i oblika u takvim slikama kako bi se omogućio procesoru višeg nivoa da prepozna unaprijed definirani ciljni objekt. Slike u tom smislu nisu ograničene na fotografske slike u vidljivom spektru; Oni mogu uključivati ​​i slike dobivene pomoću infracrvenog, laserskog, rendgenskog i ultrazvučnog signala.

 

U industrijskim okruženjima prilično je uobičajeno za aplikacije za strojne vizije kako bi prepoznali određene dijelove iz mnogih dijelova smještenih u neredu materijalnih kante. Ovdje, vizija stroja pomaže u pick-and-plaćenom robotu automatski pokupiti ispravne dijelove. Naravno, ako su dijelovi svi uredno raspoređeni u istoj orijentaciji na paleti, bilo bi relativno jednostavno prepoznati ih s obzirom na povratne informacije. Međutim, moćni algoritmi strojnih vida mogu prepoznati objekte koji su na različitim udaljenostima od kamere (i stoga se pojavljuju kao različite slike veličine na senzoru snimanja) kao i predmeti koji nisu orijentirani u istom smjeru kao i kameru.

 

Najsofisticiraniji sustavi stroja za stroj omogućili su dizajne koji su daleko složeniji od biranja dijelova iz kante; Na primjer, možda neće biti složenije identifikacije od auto-vožnje automobila.

 

machine vision

 

 

Tehnike vezane za mašinski vid


Izraz strojno vid ponekad je rezerviran za referencu na sofisticiranije i efikasnije matematičke metode koje mogu izdvojiti informacije sa slika. Nasuprot tome, termin računarski vid obično opisuje modernije, računski zahtjevne sisteme - uključujući pristupe crnim kutijom koji koriste mašinsko učenje ili umjetnu inteligenciju (AI). Međutim, strojni vid se može koristiti i kao sveobuhvatan pojam koji uključuje sve metode izvlačenja informacija visokog nivoa sa slika; U ovom slučaju računarska vizija opisuje svoju osnovnu teoriju rada.


Tehnike koje mogu izvući značenje visokog nivoa od slika obiluju. U istraživačkoj zajednici takve se tehnike često smatraju razliku od strojnog vida. U stvarnosti, međutim, svi su različiti načini provođenja strojnog vida ... i preklapaju se u mnogim slučajevima.


Digitalna obrada slike je oblik digitalne obrade signala koji uključuje poboljšanje slike, restauraciju, kodiranje i kompresiju. Prednosti preko analogne obrade slike su minimiziranje buke i izobličenja, kao i mnoštvo algoritama. Jedna od prvih vrsta poboljšanja slike korištena je za ispravljanje prvih izbliza slika lunarne površine. U tom su procesu korištene fotogrametrijsko mapiranje, kao i filtri za buku, a napravljene su ispravke za geometrijske izobličenja uzrokovane usklađivanjem kamere snimke na lunarnu površinu.

 

Digitalna poboljšanja slike obično uključuje sve veće kontrast i eventualno geometrijske korekcije za gledanje uglova i izobličenja sočiva. Kompresija se često postiže približnim složenim signalima kao kombinacija kosinusnih funkcija - Fourier transformacija poznata kao diskretna kosin transformatora (DCT). Format datoteke JPEG je najčešća primjena DCT-a. Restauracija slike može koristiti i Fourier Transform za uklanjanje buke i zamućenja.


Fotogrametrija koristi neku vrstu prepoznavanja značajki za izdvajanje mjerenja sa slika. Ova mjerenja mogu uključivati ​​3D informacije kada se više slika iste scene stječe sa različitih lokacija. Najjednostavniji fotogrametrijski sustavi koriste skali za mjerenje udaljenosti između dvije točke na slici. Da biste to učinili, često je potrebno uključiti poznatu referentnu vagu na slici.


Detekcija značajki omogućava računaru da prepozna ivice, uglove ili bodove na slici. Ovo je prvi korak potreban za fotogrametru i za prepoznavanje objekata i motion.blob Detekcija identificira područja s ivicama koje su previše glatke za otkrivanje ruba ili ugao.


Priznavanje uzoraka koristi se za prepoznavanje određenih objekata. U najjednostavnijem slučaju, to bi moglo značiti pronalaženje dobro definiranog određenog mehaničkog dijela na traku transportera.


3D rekonstrukcija određuje 3D oblik objekta sa 2D slike. Ova značajka može se realizirati fotogrametrijskim metodama. U ovom slučaju, visine zajedničkih karakteristika (određene u slikama različitih promatračkih točaka) određene su trokuta. 3D rekonstrukcija je moguća i samo 2D slike; Ovdje softver objašnjava i geometrijske odnose između ivica ili zasjenjenih područja.

 


Ljudi mogu rekonstruirati kocke jednostavnim preradom u mozak pomoću crteža line - koristeći zasjenjene krugove za rekonstrukciju sfera. Zasjenjenje pokazuje nagib površine. Međutim, ovaj proces izvedbe daleko je složeniji nego što može pomisliti, jer je sjenčanje jednodimenzionalni parametar, dok se nagib događa u dvodimenzionalnom kućištu. To može dovesti do dvosmislenih situacija - činjenica koju je potvrdila umjetnost prikazivanja fizički nemogućih predmeta.


Kako su zadaci vizije stroja nastala


Mnogi sustavi strojnih vida uključivaju gornje tehnike postepeno započinjući s operacijama niskog nivoa, a zatim napredujući u operacije višeg nivoa. Na najnižem nivou, svi pikseli slike pohranjuju se kao podaci sa visokim širinom pojasa. Svaka operacija u nizu, tada prepoznaje značajke slike i predstavlja informacije od interesa sa relativno malom količinom podataka.


Prvi je rad niskog nivoa poboljšanja i restauracije slike, a zatim otkrivanje funkcija. Stoga u slučaju upotrebe više senzora, operacije niskog nivoa mogu se izvesti distributiranim procesima specijaliziranim za pojedine senzore. Jednom kada se osobine otkrivaju u pojedinačnim slikama, može se izvesti naprednija fotogrametrija - kao u bilo kojem prepoznavanju objekta ili drugog zadatka koji se oslanja na kombinirane podatke iz više slika i senzora.


Direktni računi i algoritmi učenja


U slučaju strojnog vida, direktno računanje je skup matematičkih funkcija koje je definirao programer. Ove funkcije uzimaju ulaze kao što su vrijednosti slike piksela i stvaraju izlaze kao što su koordinate objekata. Suprotno tome, algoritmi učenja ne napisuju direktno ljudi, već su obučeni na primjeru podataka podataka koji koreliraju ulaze sa željenim izlazima. Kao rezultat toga, algoritmi učenja koriste se kao crne kutije. Većina takvih strojnog učenja sada koristi duboko učenje na temelju umjetnih neuronskih mreža za računanje.

 

Jednostavno učenje stroja za industrijske primjene obično je pouzdano i manje računski zahtjevno kada se temelji na izravnom računanju. Naravno, postoje ograničenja onoga što se može postići izravnim računanjem. Na primjer, ne treba se nadati da će se nadati licama za prepoznavanje potrebnih naprednih obrazaca prepoznavanja, a posebno ne od video snimka u prepunim javnim prostorima. Nasuprot tome, mašinsko učenje može vešto podnijeti takve aplikacije. Stoga nije iznenađujuće da se mašinsko učenje sve više raspoređuje za operacije sa niskim nivoom, posebno poboljšanja slike, restauraciju i otkrivanje funkcija.


Poboljšane metode podučavanja (ne algoritmi)


Sve veća sofisticiranost tehnika dubokog učenja dala je jasno da to nije sami algoritmi učenja koji treba poboljšati, već način na koji su algoritmi obučeni. Jedan je poboljšani postupak obuke poznat kao računarska vizija usmjerena na podatke. Ovdje, sustav dubokog učenja prihvaća vrlo robusni skup treninga koji se sastoji od hiljada, milicija ili čak milijarde slika - a zatim sprema sintetizirane informacije izvedene iz svake algoritme. Ovi algoritmi učinkovito uče povezivanjem na radne primjere, a zatim se odnose na "knjigu odgovora" kako bi se provjerilo da su izvedene ispravne vrijednosti.


Postoji stara oprezna priča o prepoznavanju digitalnog uzoraka. Američka vojna je jednom namjeravala koristiti strojnu viziju za prepoznavanje ciljanog prepoznavanja, a demonstracija radova odbrane pouzdano je identificirala i američke i ruske tenkove. Cisterne svih različitih vrsta moglo bi se pravilno razlikovati, jedan za drugim, od antenskih fotografija dobavljača. Međutim, kada se ponovo testira sa vlastitim bibliotekom Pentagona, sustav je održavao netočne odgovore. Problem je bio što su slike izgovora odbrane sve prikazale američke tenkove u pustinjskim i ruskim tenkovima na zelenim poljima. Umjesto da identificirate različite tenkove, sustav je identificirao različite obojene pozadine. Koji su kriteriji za priznavanje? Algoritmi za učenje zahtijevaju pažljivo izjedinjene podatke o treningu za rad.


Zaključak: sigurna vizija za robotske radne parcele


Mašinski vid više nije niša tehnologija. U trenutnom pogonu industrijski sektor je najveći prostor za rast za implementaciju strojnih vida. Najistaknutiji razvoj u ovom području je kako strojno viđenje sada dovršava sigurnosne sustave u industrijskim postrojenjima, tj. Sistemi koji zvuče alarm ili daju govorne obavijesti kada radnik uđe na radno područje ili drugu odgovarajuću zaštitnu opremu. Mašinski vid se može koristiti i u sistemima koji upozoravaju kada se pokretne mašine, poput viljuškara, preblizu osoblju.

 

Ovi i slični strojni sistemi za viziju ponekad mogu zamijeniti tvrde zaštitne mjere oko industrijskih robota kako bi se operacije učinili efikasnijim. Mašinski vidni sustavi također mogu zamijeniti ili poboljšati sigurnosne sustave na temelju čuvanja svjetlosti koji zaustavljaju strojeve kad god se otkrije radnik unose u radnu ćeliju. Kada strojno vid nadzire fabrički pod oko radne ćelije, roboti u toj ćeliji imaju potencijal da postepeno usporavaju kako se ljudi približavaju.

 

Kako se dizajn industrijskih okruženja prilagodi suradnjskim robotima i drugim radnom opremom koja omogućuje sigurnosno osoblje da se sigurno hoda okolo (čak i dok se oprema radi), ovi i drugi sustavi zasnovani na stroju postat će zajednički dio biljnih procesa.

Pošaljite upit

whatsapp

Telefon

E-pošte

Upit