Hvordan man evaluerer ydelsen og nøjagtigheden af ​​et maskinvisionssystem?

Med den kontinuerlige uddybning af industriel automatisering og intelligent fremstilling,Maskinvisionssystemer er gradvist blevet det vigtigste produktionsudstyr til kvalitetskontrol og procesoptimering på produktionssteder. Men for mange brugere er det stadig en nøglefaktor at evaluere ydelsen og nøjagtigheden af ​​systemet, når man vælger, tester eller importerer maskinvisionsprojekter, der påvirker installationens succes.

Følgende vil fokusere på kriterierne for evaluering af udstyr. Produktionstestmetoder og praktiske applikationsnøglepunkter hjælper virksomheder med at bedømme, om et sæt maskinvisionsudstyr virkelig er 'praktisk' og 'pålidelig' fra et mere professionelt og praktisk perspektiv.

1. Kernedimensioner af evaluering af præstationer

For at evaluere et maskinvisionssystem kræver det normalt at starte fra fem dimensioner: billeddannelseskvalitet, inspektionshastighed, identifikationsnøjagtighed, miljømæssig stabilitet og systemkompatibilitet:

1. billedbehandlingskvalitet

Billeder er grundlaget for det visuelle system, og du skal være opmærksom på indikatorerne, når du vurderer:

Opløsning og klarhed: Hvorvidt den pixeltæthed, der kræves for detaljer, er opfyldt;

Lys og kontrast: Om billedet er lyst og jævnt, og om konturen er klar;

Forvrængning og skarphedskontrol: Om linsen har tilstrækkelig optisk kvalitet.

Billeder af høj kvalitet kan ikke kun forbedre algoritmegenkendelseseffekten, men også give garantier for efterfølgende databehandling.

2. Identifikationsnøjagtighed

Nøjagtighed bruges normalt til at måle ydelsen af ​​visuelle algoritmer i den faktiske produktion. Evalueringsmetoder inkluderer:

Defektgenkendelse nøjagtighed (TPR)

False Detection Rate (FPR) og Missed Detection Rate (FNR)

OCR -anerkendelsesgrad eller stregkodelæsningsgrad

Ved at bygge simulerede arbejdsvilkår kan sensorer bruges til kontinuerligt at importere prøvebilleder til verifikation. Det anbefales, at testprøver indsamles så mange som muligt for at sikre, at flere betingelser tælles.

3. behandlingshastighed

Hvorvidt systemet kan opfylde Beat -kravene er en af ​​nøglerne til evalueringen. Inkluderer generelt:

Billedindsamlingshastighed (billedhastighed)

Billedbehandlingstid (MS)

Hele maskinens respons og outputtid

I faktiske projekter anbefales det at bruge den samlede tid for det 'komplette system fra samlingen til outputresultaterne' til at udføre faktisk måling.

4. stabilitet og anti-interferens

For at evaluere, om systemet kan fungere stabilt i lang tid i et reelt industrielt miljø, skal du fokusere på:

Tilpasningsevne til omgivende lysændringer

Stabil ydeevne under temperatur, fugtighed, vibrationer og elektromagnetisk interferens

Er der nogen forsinkelse eller identifikationsafvigelse under langvarig kontinuerlig drift?

Hvis det er i et svejsningsværksted, oliefyldt miljø eller vibrerende produktionslinje, anbefales det at gennemføre virkelige verifikationstest.

5. System åbenhed og kompatibilitet

Maskinvisionssystemer skal ofte tilsluttes til PLC, robot, database- eller mes -systemer og skal være opmærksomme på:

Om det understøtter standardprotokoller (såsom Gige Vision, USB3 Vision, Modbus, OPC UA osv.);

Om man skal levere SDK til sekundær udvikling;

Om billeder understøtter eksport med multi-format og platform docking (såsom Halcon, VisionPro, LabView osv.);

Et meget kompatibelt system er befordrende for fremtidig ekspansion og vedligeholdelse.

2. hvordan man bygger en effektiv performance -testløsning?

For videnskabeligt at evaluere det visuelle systems ydeevne anbefales det, at virksomheder opsætter følgende processer i importfasen:

Afklar kravene til detektionsmål og nøjagtighed: såsom dimensionel nøjagtighed, karaktergenkendelseshastighed osv.;

Opret et kontrolprøvebibliotek: inklusive normale produkter, typiske mangelfulde produkter og grænsesager;

Byg en testplatform: simulere faktiske arbejdsvilkår for kontinuerlig drift;

Indsamle statistiske data: nøjagtighed, responstid, unormale situationer osv.;

Fase -gentest og optimering: Juster kontinuerligt parametre og algoritmer baseret på testresultater;

Gennem reelle prøver og testforholdstest kan den løsning, der bedst imødekommer behovene, vælges effektivt.

3. sagreference: Karakterdetektionsprojekt i elektronikindustrien

Electronics Factory -produktionssystemet importerer et intelligent visionsystem til at identificere tegn på batterisag, og kunderne fokuserer hovedsageligt på karakterens fuldstændighed og anerkendelsesfejl. Efter test af det visuelle system er følgende det mest omfattende resultat genereret af dataene:

Gennemsnitlig genkendelsesnøjagtighed: 99,2%

Misforståelsesgrad: <0,3%

Hele billedgenkendelse Responstid: 80ms

Karakterkontrast Adaptiv justeringsfunktion, 15% forbedring i den beståede hastighed

På samme tid understøtter systemet problemfri adgang til kundens MES-system, upload i realtid og unormal sporbarhed af identifikationsresultater

Maskinvision er ikke en enhed, der kan bruges blot ved installation. Systemets ydelse og nøjagtighed påvirker direkte den endelige applikationseffekt. Kun ved standardtestmetoder, reelle applikationsscenariets simulering og multi-dimensionel indikatorevaluering kan virksomheder nøjagtigt vælge og reducere forsøgs- og fejlomkostninger.

Zhixiang-visionen giver kun kunderne højtydende og højstabilitetsmaskinvisionsløsninger og formulerer testløsninger i overensstemmelse med brugerbehov, hvilket leverer one-stop-tjenester fra prøvetest, algoritmeoptimering til systemintegration. velkomstKontakt os for prøvetest og tilpasset evalueringstjeneste support.