Багато виробничих процесів працюють із використанням стаціонарного або жорстко автоматизованого обладнання, яке виконує виробничі завдання з обмеженим сенсорним введенням. Для більш складних застосувань прості камери або датчики можуть визначати присутність, положення, розмір або товщину об’єкта. Коли об’єкт складніший, має менше обмежень або потребує оцінки зовнішнього вигляду, можна застосувати рішення машинного зору. У цій публікації блогу розглядатимуться три програми, щоб зрозуміти роль машинного зору в розширеній автоматизації.
У багатьох виробничих процесах підрахунок об’єктів або елементів часто важливий для забезпечення якості деталей або керування запасами. Хоча це може здатися тривіальним, це не є практичним завданням для людей, коли задіяні великі обсяги даних. Першим кроком для автоматизації таких завдань за допомогою машинного зору є сегментація об’єктів, і цьому може сприяти правильне застосування методів освітлення та зображення.
Мета отримання зображення полягає в тому, щоб висвітлити та захопити зображення об’єкта таким чином, щоб підвищити контраст між функціями, які потрібно виявити, та фоном. Програмне забезпечення машинного зору потім використовується для сегментації та виявлення особливостей або об’єктів, що цікавлять. Виміряні атрибути кожного виявленого об’єкта потім можна використовувати для визначення його якості або ідентичності.
Характеристика пористості шва
Візьмемо як приклад виявлення та оцінку пористості зварного шва. Форма деталі, змінні контури зварювального каналу та відбиваючі металеві поверхні ускладнюють рівномірне освітлення. На щастя, пори не відбивають багато світла - вони виглядають темними.
Зварні шви мають різноманітні темні ділянки, які можна сегментувати машинним зором. Пори в зварному шві мають характерний діапазон розмірів і форми, які можна використовувати для ігнорування темних ділянок, які не відповідають характеристикам пор. Після виявлення пористості кількість і щільність пор (кількість на дюйм) у зварному шві можна використовувати, щоб вказати, чи прийнятний процес зварювання чи потрібне втручання оператора чи системи керування.
Лічильні пробірки
Пов’язаним прикладом є підрахунок кількості трубок на зображенні, отриманому з кінця ящика; контроль запасів вимагає точного підрахунку. Проблеми включають змінне освітлення та змінну перспективу кінців труби на зображенні. Кінець трубки характеризується темною внутрішньою частиною, оточеною світлою круглою поверхнею стінки трубки.
Розділивши темну область колом очікуваного діаметру, ви виявите більшість трубок. Зверніть увагу, однак, на яскраві відблиски деяких внутрішніх частин трубок біля дна ящика – операції обробки зображень можуть об’єднати ці маленькі елементи з внутрішніми областями трубок для надійного виявлення та підрахунку.
Виявлення пошкоджень складної форми
Розгляньте можливість виявлення пошкоджень поверхні лопатей гвинта. Пошкодження можуть варіюватися від вузьких подряпин до великих плям зносу; немає стандартів для характеристики очікуваного розміру або форми пошкодженої ділянки. Крім того, складні форми лопатей гвинта є проблемою для оптимального освітлення, яке використовується для посилення контрасту пошкоджень.
У конфігурації освітлення, використаній для крайнього лівого (найтемнішого) зображення, пошкодження було ледь помітним. Два змінних напрямки освітлення забезпечили хороший контраст між пошкодженими та непошкодженими ділянками леза, але контраст між двома конфігураціями змінювався. Через локалізовані поверхні та напрямок пошкодження відносно системи візуалізації різні області лопаті гвинта демонструватимуть різну реакцію, як показано, тобто не існує єдиної оптимальної конфігурації освітлення.
Високий ступінь варіабельності між формою, розміром і контрастом ушкоджень робить автоматизоване виявлення за допомогою програмно-програмованих методів складним завданням, як це використовується в прикладах пористості зварного шва та підрахунку труб. Інститут розробив систему перевірки з використанням методів машинного навчання. Згорточна нейронна мережа (CNN) розпізнає потенційно пошкоджені ділянки на зображенні. Вторинна глибока нейронна мережа класифікує зображення як таке, що містить (або не містить) пошкодження на основі власних значень, згенерованих CNN. Ці мережі навчаються за допомогою великої кількості зображень, де пошкоджені ділянки визначені вручну.
За межами монохромного бачення
Три наведені вище приклади ілюструють деякі додатки монохромного машинного зору. Речі стають ще цікавішими, коли використовується колірний контраст або використовується невидима частина спектру. Наприклад, монохромні камери чутливі до довжин хвиль ближнього інфрачервоного випромінювання (NIR), що дозволяє використати або видалити функції, які зазвичай були б невидимими або відволікаючими, використовуючи або відхиляючи цей діапазон за допомогою спектрального фільтра.
Стандартні кольорові камери використовують широкосмугові червоні, зелені та сині фільтри, що перекриваються; використання вузькосмугового світлодіодного освітлення RGB замість широкосмугового білого освітлення покращує розрізнення кольорів. Багатоспектральні камери пропонують високочутливе розрізнення кольорів порівняно з кольоровими камерами та можуть включати смуги NIR. Флуоресцентні властивості певних чорнил, барвників і адгезивів можна використати за допомогою УФ-опромінення з відповідними спектральними фільтрами. І не забувайте про поляризацію! Інфрачервоне зображення (довгохвильове, середньохвильове, короткохвильове) можна використовувати для вимірювання температури поверхні, виявлення підповерхневих особливостей/дефектів, виявлення вуглеводневих газів тощо.