Проверка машинного зрения:профессиональные инструменты

Автоматизированный производственный контроль деталей и продуктов успешно выполняется с использованием технологий машинного зрения на протяжении десятилетий во множестве разнообразных приложений практически для каждого промышленного и производственного процесса. Хотя точных цифр не существует, можно утверждать, что задачи проверки, вероятно, доминируют в области приложений машинного зрения. Тем не менее, продолжают появляться новые технологии и программное обеспечение машинного зрения, которые еще больше улучшают ценностное предложение и упрощают внедрение автоматизированного контроля. Ключом к успеху для конечных пользователей является понимание как зрелых, так и новых инструментов торговли и как лучше всего реализовать эти инструменты.

Обзор проверки

Разнообразие задач, связанных с проверкой, в процессах автоматизации затрудняет определение каждого возможного варианта использования. В общем, некоторые из важных категорий включают проверку сборки, наличие / отсутствие функций, обнаружение дефектов (во многих формах), а также идентификацию и дифференциацию продукта. Во всех случаях важно помнить, что машинное зрение может быть важным компонентом концепций больших данных и Индустрии 4.0.

При внедрении проверки с помощью машинного зрения для промышленной автоматизации, возможно, наиболее важное ценностное предложение заключается в том, как можно использовать результаты проверки. Больше, чем просто проверка качества, информация, полученная с помощью машинного зрения, может иметь жизненно важное значение для повышения эффективности более широкого процесса и, таким образом, способствовать снижению общих затрат на производство и автоматизацию.

Визуализация - основа каждого успешного приложения

Всегда стоит повторять, что независимо от того, какой вариант использования или метод анализа, качественное изображение является критически важной основой любого проекта машинного зрения. Качественное изображение определяется как изображение, которое имеет правильное разрешение и контраст, чтобы выделить интересующие элементы (объекты, части, дефекты) в желаемом поле зрения. Правильная проектная спецификация включает в себя сам компонент формирования изображения, а также связанные и необходимые компоненты, включая освещение и оптику.

Для многих инспекционных приложений, использующих правильный дизайн изображений, двухмерная шкала серого по-прежнему является наиболее широко используемой технологией. Прогресс в скорости и разрешении в сенсорах и камерах открывает больше возможностей для использования, которые ранее могли быть недостижимыми или слишком сложными для практического применения. Благодаря наличию камер с разрешением сенсора от 12 до 50 мегапикселей и выше обнаружение мелких деталей в больших полях обзора становится проще и дешевле. Вскоре получение изображения с разрешением 5–10 МП может считаться стандартным вместо высокого разрешения.

Интеллектуальные камеры, основная технология машинного зрения, продолжают расти в задачах проверки и регулярно обеспечивают более высокое разрешение и более быструю обработку. Кроме того, были внесены значительные изменения в стандартные архитектуры камер, которые включают встроенную обработку с использованием ПЛИС и других вычислительных платформ. Эти компоненты хорошо подходят для приложений проверки, которые можно масштабировать для нескольких дублирующих установок, чтобы воспользоваться преимуществами связанных с этим сниженных затрат на некоторые из этих типов компонентов.

За пределами двухмерных изображений и изображений в оттенках серого

Компоненты машинного зрения, которые фиксируют трехмерную информацию сцены, очень легко доступны с помощью различных методологий визуализации и техник реализации. Трехмерные изображения обеспечивают топографическое представление геометрии поверхности объекта, тогда как двухмерное изображение захватывает изображение контраста (в градациях серого или цветное), обнаруженное на плоской поверхности объекта. Трехмерные данные позволяют выполнять или расширять задачи проверки, включающие элементы или дефекты с более геометрической структурой, чем контраст. Использование 3D-систем стало значительно проще, и, как и в случае с их 2D-аналогами, разрешение, скорость и точность продолжают расти.

Как уже отмечалось, многие приложения для проверки машинного зрения используют камеры, которые предоставляют изображение объекта в градациях серого (также называемое монохроматическим, поскольку это изображение без цвета или, по сути, одноцветное. ). Однако некоторые приложения могут извлечь выгоду из цветных изображений или должны полагаться на них, чтобы предоставить информацию, необходимую для анализа. Доступны стандартные камеры для машинного зрения, которые фиксируют изображение RGB (красный, зеленый, синий). При правильной интеграции эти компоненты могут повысить надежность анализа признаков, когда цвет является частью определяющих характеристик объекта или дефекта. В то время как большинство цветных камер на рынке используют систему фильтрации на датчике (фильтр Байера), также доступны расширенные компоненты камеры, которые оптически разделяют входящее изображение на три полнокадровых канала (обычно RGB) для лучшего разрешения и цветовой дифференциации. P>

Изображения за пределами видимого

Хотя это и не новость, но более широкое распространение в последние годы, даже более мощный метод получения цветных изображений, называемый гиперспектральным изображением, и его близкое относительное мультиспектральное отображение, может обеспечивать более дискретную и гранулярную цветопередачу. анализ. Эти камеры собирают несколько, а иногда и сотни изображений одной сцены, каждое с разной узкой полосой пропускания спектральной информации от сцены. Компоненты этого типа со специализированным программным обеспечением для классификации могут выполнять спектральный контроль материалов или даже определять химический состав. Многие отрасли промышленности, такие как пищевая, фармацевтическая и переработка вторсырья, выигрывают от этого типа инспекции.

Продолжая рассмотрение цветных изображений, мы находим компоненты, которые могут создавать изображения, используя невидимое освещение и даже тепловую энергию. Обычно это можно назвать инфракрасным (ИК) изображением. Приложения, которые создают изображения в ближнем инфракрасном (NIR), коротковолновом инфракрасном (SWIR) и длинноволновом инфракрасном (тепловизионном) диапазонах, позволяют просматривать объекты, невидимые в видимом диапазоне длин волн. Эта возможность может быть использована с большим преимуществом во многих областях инспекции, начиная от обнаружения порчи пищевых продуктов и заканчивая просмотром непрозрачных пластиковых контейнеров и подтверждением уровней заполнения.

Упрощенная реализация проверки

Алгоритмы и программные инструменты, используемые для задач проверки машинного зрения, достаточно зрелые и надежные. В целом, при работе с надежным изображением многие задачи проверки легко реализовать. Появились новые технологии, которые могут быть добавлены к существующим инструментам машинного зрения, чтобы обеспечить дополнительные возможности и различные подходы к обработке.

Наиболее известной из этих технологий является глубокое обучение. Глубокое обучение для машинного зрения специально предназначено и хорошо подходит для инспекционных приложений и успешно применяется к растущему числу инспекционных приложений в промышленном машинном зрении. Но для проектирования, настройки и интеграции приложений с использованием глубокого обучения требуется совершенно иной подход к реализации, нежели тот, который используется для традиционных проектов машинного зрения.

Так называемые традиционные методы реализации машинного зрения включают создание набора правил для целевого объекта, которые выполняются с использованием алгоритмов, возвращающих конкретную информацию об объекте или сцене. Глубокое обучение тренируется с использованием множества репрезентативных изображений, содержащих примеры хороших и дефектных частей или объектов. Однако это не лучшая цель для всех видов инспекции. Необходимость собрать много изображений, прежде чем можно будет предсказать уровень успеха, который может быть достигнут, может быть обременительным для некоторых приложений, а текущее обслуживание системы и ее классификации может не подходить для конкретного случая использования.

Будущее машинного зрения

С ростом спроса на качество, интеллектуальное производство и сбор данных, внедрение технологии машинного зрения для приложений контроля продолжает расти. Возможности расширенных компонентов и программного обеспечения для проверки, безусловно, приведут к дополнительным сценариям использования и принесут дополнительную пользу в будущем.