Mnogi proizvodni procesi rade koristeći fiksnu ili tvrdo automatiziranu opremu koja obavlja proizvodne zadatke s ograničenim senzornim unosom. Za složenije aplikacije, jednostavne kamere ili senzori mogu otkriti prisutnost, položaj, veličinu ili debljinu objekta. Kada je objekt složeniji, ima manje ograničenja ili ga treba procijeniti zbog njegovog izgleda, može se primijeniti rješenje strojnog vida. Ovaj blog post će pregledati tri aplikacije kako bi stekli uvid u ulogu mašinskog vida u naprednoj automatizaciji.
U mnogim proizvodnim procesima, brojanje objekata ili karakteristika je često važno kako bi se osigurao kvalitet dijelova ili upravljanje zalihama. Iako ovo može zvučati trivijalno, nije praktičan zadatak za ljude kada se radi o velikim količinama podataka. Da bi se takvi zadaci automatizirali pomoću strojnog vida, segmentacija objekata je prvi korak, a to se može olakšati pravilnom primjenom tehnika osvjetljenja i snimanja.
Cilj akvizicije slike je da se osvijetli i uhvati slika objekta na način koji pojačava kontrast između karakteristika koje se detektiraju i pozadine. Softver strojnog vida se zatim koristi za segmentiranje i otkrivanje karakteristika ili objekata od interesa. Izmjereni atributi svakog otkrivenog objekta se zatim mogu koristiti za određivanje njegovog kvaliteta ili identiteta.
Karakterizacija poroznosti zavara
Uzmite za primjer detekciju i procjenu poroznosti zavara. Oblik dijela, promjenjive konture kanala za zavarivanje i reflektirajuće metalne površine čine ujednačeno osvjetljenje izazovom. Srećom, pore ne reflektuju mnogo svjetlosti – izgledaju tamno.
Zavari imaju niz tamnih područja koja se mogu segmentirati mašinskim vidom. Pore u zavaru imaju karakterističan raspon veličine i oblika koji se može koristiti za zanemarivanje tamnih područja koja ne odgovaraju karakteristikama pora. Jednom kada se otkrije poroznost, broj i gustina pora (broj po inču) u zavaru se može koristiti za označavanje da li je proces zavarivanja prihvatljiv ili je potrebna intervencija operatera ili kontrolnog sistema.
Counting Tubes
Srodni primjer je brojanje broja cijevi na slici snimljenoj s kraja sanduka; kontrola zaliha zahtijeva precizno prebrojavanje. Izazovi uključuju promjenjivo osvjetljenje i promjenjivu perspektivu krajeva cijevi na slici. Kraj cijevi karakterizira tamna unutrašnjost koju okružuje svijetla kružna površina stijenke cijevi.
Razdvajanje tamnog područja s krugom očekivanog promjera će otkriti većinu cijevi. Imajte na umu, međutim, svijetle refleksije nekih unutrašnjosti cijevi blizu dna sanduka - operacije obrade slike mogu spojiti ove male karakteristike s dijelovima unutrašnjosti cijevi za robusnu detekciju i brojanje.
Otkrivanje složenih oštećenja oblika
Razmislite o otkrivanju površinskih oštećenja lopatica propelera. Oštećenja mogu varirati od uskih ogrebotina do velikih habanja; ne postoje standardi za karakterizaciju očekivane veličine ili oblika oštećenog područja. Osim toga, složeni oblici lopatica propelera predstavljaju izazov za optimalno osvjetljenje koje se koristi za poboljšanje kontrasta oštećenja.
U konfiguraciji osvjetljenja korištenoj za krajnju lijevu (najtamniju) sliku, oštećenje je bilo jedva primjetno. Dva naizmjenična smjera osvjetljenja dala su dobar kontrast između oštećenih i neoštećenih područja oštrice, ali kontrast se mijenjao između dvije konfiguracije. Zbog lokaliziranih površina i smjera oštećenja u odnosu na sistem za snimanje, različite regije lopatice propelera će pokazati različite odgovore kao što je prikazano - što znači da ne postoji jedinstvena optimalna konfiguracija osvjetljenja.
Visok stepen varijabilnosti između oblika oštećenja, veličine i kontrasta čini automatsku detekciju pomoću programski programiranih metoda izazovnom, kao što se koristi u primjerima poroznosti zavara i brojanja cijevi. Institut je razvio sistem inspekcije koristeći tehnike mašinskog učenja. Konvoluciona neuronska mreža (CNN) prepoznaje potencijalno oštećena područja na slici. Sekundarna duboka neuronska mreža klasifikuje sliku kao koja sadrži (ili ne sadrži) oštećenje na osnovu sopstvenih vrednosti koje generiše CNN. Ove mreže su obučene korištenjem velikog broja slika gdje su oštećena područja ručno identificirana.
Izvan monohromatskog vida
Tri gornja primjera ilustruju neke jednobojne aplikacije strojnog vida. Stvari postaju još zanimljivije kada se koristi kontrast boja ili nevidljivi dio spektra. Na primjer, jednobojne kamere su osjetljive na bliske infracrvene (NIR) talasne dužine, što omogućava iskorištavanje ili uklanjanje funkcija koje bi inače bile nevidljive ili ometajuće korištenjem ili odbacivanjem tog opsega spektralnim filterom.
Standardne kamere u boji koriste preklapajuće širokopojasne crvene, zelene i plave filtere; korištenje uskopojasnih RGB LED iluminatora umjesto širokopojasnog bijelog osvjetljenja poboljšava diskriminaciju boja. Multispektralne kamere nude vrlo osjetljivu diskriminaciju boja u poređenju sa kamerama u boji i mogu uključivati NIR opsege. Fluorescentna svojstva određenih mastila, boja i lepkova mogu se iskoristiti korišćenjem UV zračenja sa odgovarajućim spektralnim filterima. I ne zaboravite polarizaciju! Infracrvena slika (dugotalasna, srednjetalasna, kratkotalasna) može se koristiti za merenje površinskih temperatura, otkrivanje podzemnih karakteristika/defekta, detekciju ugljikovodičnih gasova i još mnogo toga.