Mnogi proizvodni procesi rade pomoću fiksne ili automatizirane opreme koja obavlja proizvodne zadatke s ograničenim senzorskim unosom. Za složenije primjene, jednostavne kamere ili senzori mogu otkriti prisutnost, položaj, veličinu ili debljinu objekta. Kada je objekt složeniji, ima manje ograničenja ili mu je potrebno procijeniti izgled, može se primijeniti rješenje strojnog vida. Ovaj blog će pregledati tri aplikacije kako bi se dobio uvid u ulogu strojnog vida u naprednoj automatizaciji.
U mnogim proizvodnim procesima, brojanje objekata ili značajki često je važno za osiguranje kvalitete dijelova ili upravljanje zalihama. Iako ovo može zvučati trivijalno, to nije praktičan zadatak za ljude kada su uključene velike količine podataka. Da bi se takvi zadaci automatizirali pomoću strojnog vida, segmentacija objekta je prvi korak, a to se može olakšati pravilnom primjenom tehnika osvjetljenja i slikanja.
Cilj snimanja slike je osvijetliti i uhvatiti sliku objekta na način koji pojačava kontrast između značajki koje se detektiraju i pozadine. Softver strojnog vida zatim se koristi za segmentiranje i otkrivanje značajki ili objekata od interesa. Izmjereni atributi svakog otkrivenog objekta tada se mogu koristiti za određivanje njegove kvalitete ili identiteta.
Karakterizacija poroznosti zavara
Uzmimo za primjer otkrivanje i procjenu poroznosti zavara. Oblik dijela, promjenjive konture zavarenog kanala i reflektirajuće metalne površine čine ravnomjerno osvjetljenje izazovom. Srećom, pore ne reflektiraju puno svjetlosti – izgledaju tamno.
Varovi imaju različita tamna područja koja se mogu segmentirati strojnim vidom. Pore u zavaru imaju karakterističan raspon veličine i oblika koji se mogu koristiti za zanemarivanje tamnih područja koja ne odgovaraju karakteristikama pora. Nakon što se otkrije poroznost, broj i gustoća pora (broj po inču) u zavaru mogu se koristiti za označavanje je li postupak zavarivanja prihvatljiv ili je potrebna intervencija operatera ili kontrolnog sustava.
Epruvete za brojanje
Povezani primjer je brojanje broja cijevi na slici snimljenoj s kraja sanduka; kontrola inventara zahtijeva točno brojanje. Izazovi uključuju promjenjivo osvjetljenje i promjenjivu perspektivu krajeva cijevi na slici. Kraj cijevi karakterizira tamna unutrašnjost okružena svijetlom kružnom površinom stijenke cijevi.
Razdvajanje tamnog područja krugom očekivanog promjera otkrit će većinu cijevi. Međutim, imajte na umu svijetle odbljeske nekih unutrašnjosti cijevi blizu dna sanduka - operacije obrade slike mogu spojiti ove male značajke s područjima unutrašnjosti cijevi za robusnu detekciju i brojanje.
Otkrivanje oštećenja složenog oblika
Razmotrite otkrivanje površinskih oštećenja lopatica propelera. Oštećenja mogu varirati od uskih ogrebotina do velikih istrošenih mjesta; ne postoje standardi koji bi karakterizirali očekivanu veličinu ili oblik 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 zamjetljivo. Dva izmjenična smjera osvjetljenja dala su dobar kontrast između oštećenih i neoštećenih područja lopatica, ali je kontrast bio okretan između dvije konfiguracije. Zbog lokaliziranih površina i smjera oštećenja u odnosu na sustav snimanja, različita područja lopatice propelera pokazat će različite reakcije kao što je prikazano - što znači da ne postoji jedinstvena optimalna konfiguracija osvjetljenja.
Visok stupanj varijabilnosti između oblika oštećenja, veličine i kontrasta čini automatizirano otkrivanje korištenjem programski programiranih metoda izazovnim, kao što se koristi u primjerima poroznosti zavara i brojanja cijevi. Institut je razvio sustav inspekcije korištenjem tehnika strojnog učenja. Konvolucijska neuronska mreža (CNN) prepoznaje potencijalno oštećena područja na slici. Sekundarna duboka neuronska mreža klasificira sliku kao sliku koja sadrži (ili ne sadrži) štetu na temelju svojstvenih vrijednosti koje generira CNN. Ove mreže se treniraju pomoću velikog broja slika na kojima su oštećena područja identificirana ručno.
Izvan monokromatske vizije
Tri gornja primjera ilustriraju neke jednobojne aplikacije strojnog vida. Stvari postaju još zanimljivije kada se koristi kontrast boja ili se koristi nevidljivi dio spektra. Na primjer, jednobojne kamere osjetljive su na valne duljine bliske infracrvenom (NIR), što omogućuje iskorištavanje ili uklanjanje značajki koje bi inače bile nevidljive ili ometajuće korištenjem ili odbijanjem tog pojasa pomoću spektralnog filtra.
Standardne kamere u boji koriste preklapajuće širokopojasne crvene, zelene i plave filtre; korištenjem uskopojasnih RGB LED iluminatora umjesto širokopojasnog bijelog osvjetljenja poboljšava se razlikovanje boja. Višespektralne kamere nude vrlo osjetljivu diskriminaciju boja u usporedbi s kamerama u boji i mogu uključivati NIR pojaseve. Fluorescentna svojstva određenih tinti, boja i ljepila mogu se iskoristiti korištenjem UV zračenja s odgovarajućim spektralnim filterima. I ne zaboravite polarizaciju! Infracrveno snimanje (dugovalno, srednjevalno, kratkovalno) može se koristiti za mjerenje površinskih temperatura, otkrivanje značajki/defekata ispod površine, otkrivanje plinova ugljikovodika i više.