Ako používať strojové videnie pre pokročilú automatizáciu

Apr 07, 2024 Zanechajte správu

Mnohé výrobné procesy fungujú pomocou pevných alebo pevných automatizovaných zariadení, ktoré vykonávajú výrobné úlohy s obmedzeným zmyslovým vstupom. Pre zložitejšie aplikácie môžu jednoduché kamery alebo senzory zistiť prítomnosť, polohu, veľkosť alebo hrúbku objektu. Ak je objekt zložitejší, má menej obmedzení alebo je potrebné vyhodnotiť jeho vzhľad, možno použiť riešenie strojového videnia. Tento blogový príspevok preskúma tri aplikácie, aby ste získali prehľad o úlohe strojového videnia v pokročilej automatizácii.

 

V mnohých výrobných procesoch je počítanie predmetov alebo prvkov často dôležité na zabezpečenie kvality dielov alebo riadenie zásob. Aj keď to môže znieť triviálne, nie je to praktická úloha pre ľudí, keď ide o veľké množstvo údajov. Aby sa takéto úlohy automatizovali pomocou strojového videnia, segmentácia objektov je prvým krokom, čo môže byť uľahčené správnou aplikáciou osvetľovacích a zobrazovacích techník.
 

Cieľom získavania obrazu je osvetliť a zachytiť obraz objektu spôsobom, ktorý zvýši kontrast medzi detegovanými prvkami a pozadím. Softvér strojového videnia sa potom používa na segmentáciu a detekciu funkcií alebo objektov záujmu. Namerané atribúty každého detekovaného objektu potom možno použiť na určenie jeho kvality alebo identity.

 

Charakterizujúce pórovitosť zvaru


Ako príklad si vezmite detekciu a vyhodnotenie pórovitosti zvaru. Tvar dielu, variabilné obrysy zvarového kanála a reflexné kovové povrchy robia z rovnomerného osvetlenia výzvu. Našťastie póry veľa svetla neodrážajú – vyzerajú tmavé.


Zvary majú rôzne tmavé oblasti, ktoré možno segmentovať strojovým videním. Póry vo zvare majú charakteristický rozsah veľkosti a tvaru, ktorý možno použiť na ignorovanie tmavých oblastí, ktoré nezodpovedajú charakteristikám pórov. Po zistení pórovitosti sa počet a hustota pórov (počet na palec) vo zvare môže použiť na označenie, či je proces zvárania prijateľný, alebo či je potrebný zásah operátora alebo riadiaceho systému.

 

Rúry na počítanie

 

Súvisiacim príkladom je počítanie počtu skúmaviek na obrázku zachytenom z konca prepravky; kontrola zásob vyžaduje presné počítanie. Výzvy zahŕňajú variabilné osvetlenie a variabilnú perspektívu koncov trubíc v obraze. Koniec rúrky je charakteristický svojim tmavým vnútrom obklopeným svetlou kruhovou plochou steny rúrky.

 

Rozdelenie tmavej oblasti kruhom s očakávaným priemerom odhalí väčšinu trubíc. Všimnite si však, že jasné odrazy niektorých vnútorných častí skúmaviek v blízkosti spodnej časti prepravky - operácie spracovania obrazu môžu zlúčiť tieto malé prvky s oblasťami vnútra trubice pre robustnú detekciu a počítanie.

 

Detekcia komplexného poškodenia tvaru


Zvážte zistenie poškodenia povrchu listov vrtule. Poškodenie sa môže pohybovať od úzkych škrabancov až po veľké miesta opotrebovania; neexistujú žiadne normy, ktoré by charakterizovali očakávanú veľkosť alebo tvar poškodenej oblasti. Okrem toho zložité tvary listov vrtule predstavujú výzvu pre optimálne osvetlenie používané na zvýšenie kontrastu poškodenia.

 

V konfigurácii osvetlenia použitej pre obraz úplne vľavo (najtmavší) bolo poškodenie sotva postrehnuteľné. Dva striedavé smery osvetlenia poskytovali dobrý kontrast medzi poškodenými a nepoškodenými oblasťami čepele, ale kontrast sa medzi týmito dvoma konfiguráciami zmenil. V dôsledku lokalizovaných povrchov a smeru poškodenia vzhľadom na zobrazovací systém budú rôzne oblasti listu vrtule vykazovať rôzne odozvy, ako je znázornené - čo znamená, že neexistuje jediná optimálna konfigurácia osvetlenia.

 

Vysoký stupeň variability medzi tvarom, veľkosťou a kontrastom poškodenia robí automatizovanú detekciu pomocou programovo naprogramovaných metód náročnou, ako sa používa v príkladoch pórovitosti zvaru a počítania rúrok. Inštitút vyvinul inšpekčný systém využívajúci techniky strojového učenia. Konvolučná neurónová sieť (CNN) rozpoznáva potenciálne poškodené oblasti na obrázku. Sekundárna hlboká neurónová sieť klasifikuje obrázok ako obsahujúci (alebo neobsahujúci) poškodenie na základe vlastných hodnôt generovaných CNN. Tieto siete sú trénované pomocou veľkého počtu obrázkov, kde boli poškodené oblasti identifikované manuálne.

 

Beyond Monochrome Vision

 

Vyššie uvedené tri príklady ilustrujú niektoré monochromatické aplikácie strojového videnia. Veci sú ešte zaujímavejšie pri použití farebného kontrastu alebo pri použití neviditeľnej časti spektra. Napríklad monochromatické kamery sú citlivé na blízke infračervené (NIR) vlnové dĺžky, čo umožňuje využitie alebo odstránenie funkcií, ktoré by za normálnych okolností boli neviditeľné alebo rušivé, použitím alebo odmietnutím tohto pásma pomocou spektrálneho filtra.

 

Štandardné farebné kamery používajú prekrývajúce sa širokopásmové červené, zelené a modré filtre; použitie úzkopásmových RGB LED iluminátorov namiesto širokopásmového bieleho osvetlenia zlepšuje rozlíšenie farieb. Multispektrálne kamery ponúkajú vysoko citlivé rozlíšenie farieb v porovnaní s farebnými kamerami a môžu obsahovať NIR pásma. Fluorescenčné vlastnosti určitých atramentov, farbív a lepidiel možno využiť použitím UV žiarenia s vhodnými spektrálnymi filtrami. A nezabudnite na polarizáciu! Infračervené zobrazovanie (dlhé vlny, stredové vlny, krátke vlny) možno použiť na meranie povrchových teplôt, detekciu podpovrchových prvkov/defektov, detekciu uhľovodíkových plynov a ďalšie.

Zaslať požiadavku

whatsapp

Telefón

E-mailom

Vyšetrovanie