Machine vision system er et teknisk system, der bruger maskiner til at erstatte menneskelige øjne for at fuldføre måling, identifikation og bedømmelse. Det er en af de vigtige grene af datalogi. Systemet integrerer multidisciplinære teknologier som optik, mekanik, elektronik og computersoftware og hardware og involverer mange områder som billedbehandling, mønstergenkendelse, kunstig intelligens, signalbehandling og optisk-mekanisk integration.
Med den hurtige udvikling af nøgleteknologier såsom billedbehandling og mønstergenkendelse er dybden og bredden af maskinsynsapplikationer også fortsat med at vokse.
I de seneste år, drevet af smart fremstilling og industriel automatisering, har maskinsynsteknologien udviklet sig mod højere præcision og intelligens. Sammenlignet med traditionel todimensionel billedbehandling er forskning og anvendelse inden for industriel vision gradvist omdannet til 3D-visuel inspektionsteknologi og er blevet anvendt i stor skala i scenarier som svejseinspektion, delesortering og metalplademåling.
Det kan siges, at maskinsynsinspektion bevæger sig fra 'todimensionel genkendelse' til 'tredimensionel perception'.
Fra et systemsammensætningsperspektiv inkluderer et komplet maskinsynssystem normalt et belysningssystem, industrilinse, kamerasystem og billedbehandlingssystem. I praktiske applikationer er det nødvendigt grundigt at overveje nøglefaktorer såsom systemdriftshastighed og billedbehandlingseffektivitet, kameratype (farve eller sort/hvid), om inspektionsmålet er størrelsesmåling eller defektidentifikation, påkrævet synsfeltområde, opløsning og billedkontrast i henhold til specifikke inspektionsbehov, for at opbygge en stabil og effektiv visuel inspektionsløsning.
det visuelle systemStrukturen af
Hardware system design
Hardwaredelen af machine vision-systemet består hovedsageligt af industrielle linser, industrikameraer, billedoptagelseskort, input/output-enheder og kontrolenheder.
Den overordnede ydeevne af visionsystemet afhænger ikke kun af kvaliteten af kameraets pixels og hardwaren i sig selv, men endnu vigtigere, den rimelige matchning og samarbejde mellem de forskellige hardwaremoduler. For eksempel vil matchningen af objektiv og kameraopløsning og kompatibiliteten af optagelseskort og datagrænseflade direkte påvirke systemets billedkvalitet og driftsstabilitet.
Derfor er et højtydende visionsystem uadskilleligt fra omfattende overvejelser om hardwarevalg, systemstruktur og applikationsscenarier.
Software system design
Softwaredesignet af det visuelle system er et af kerneleddet i hele systemet og har høj teknisk kompleksitet. Under softwareudviklingsprocessen skal vi ikke kun være opmærksomme på optimering af programstruktur og driftseffektivitet, men også fokusere på nøjagtigheden, realiserbarheden og den stabile ydeevne af algoritmen i faktiske scenarier.
Når softwaresystemet er færdigt, skal dets robusthed testes fuldt ud og løbende optimeres for at sikre, at systemet kan opretholde stabil og pålidelig detekteringsydelse i komplekse eksterne miljøer såsom lysændringer, baggrundsinterferens og målforskelle.
I robotsynsapplikationer består systemet normalt af to dele: et billedoptagelsesmodul og et synsbehandlingsmodul.
Blandt dem inkluderer billedoptagelsesmodulet et lyssystem, en visuel sensor, en analog-til-digital konverter (A/D), en rammehukommelse osv., og bruges til at indsamle todimensionel billedinformation i miljøet.
Robotvisionssystemet indhenter billeddata gennem den visuelle sensor og analyserer, identificerer og forstår dem derefter af synsprocessoren og konverterer behandlingsresultaterne til eksekverbare kontrolinstruktioner, så robotten nøjagtigt kan identificere målobjektet og bestemme dets rumlige position og derved fuldføre opgaver såsom positionering, greb og samling.
Berøringsfri måleløsning med høj præcision
Den spektrale konfokale sensor arbejder baseret på princippet om spredning af hvidt lys, der fokuserer monokromatisk lys af forskellige bølgelængder ved forskellige fokuspositioner gennem et specielt optisk system. Systemet kan nøjagtigt beregne afstanden mellem objektet og sensoren baseret på bølgelængdeinformationen for lyset, der reflekteres fra overfladen af det målte objekt.
Denne målemetode er ikke påvirket af intensiteten af reflekteret lys, er velegnet til næsten alle materialer og kan opnå højpræcision, højstabilitet, berøringsfri måling. En enkelt scanning kan opnå den komplette eller delvise 3D-topografi af overfladen af det målte objekt, hvilket har væsentlige fordele såsom høj præcision, hurtig hastighed og stærk stabilitet.
Sammenlignet med traditionelle laserdetekteringsmetoder klarer spektral konfokal teknologi sig særligt godt til detektering af transparente genstande, stærkt reflekterende spejle og stærke lysabsorberende materialer. Det er meget udbredt i online detektionsscenarier i industrier som 3C elektronik, halvledere, lithium batteri ny energi og præcisionshardware.
Industriel kvalitet 3D måleløsning
Lasertriangulering er en moden tredimensionel målemetode, der er meget udbredt i industrier som træ, gummi, dæk, bildele, metal og støbejern. Den er også velegnet til storskala inspektionsscenarier såsom vejbelægninger.
Denne teknologi genererer 3D-punktskydata ved at projicere struktureret laserlys på overfladen af et objekt, og kameraet opsamler laserlinjeprofilen og beregner højdeinformation. I praktiske applikationer bevæger det målte objekt sig normalt under sensoren, og flere kontursektioner samles kontinuerligt og splejses for til sidst at danne et komplet tredimensionelt billede.
Installationsvinklen mellem laseren og kameraet har en vigtig indflydelse på målenøjagtigheden og systemets stabilitet. Forøgelse af vinklen hjælper med at forbedre højdeopløsningen, mens en formindskelse af vinklen hjælper med at forbedre den generelle stabilitet. Kombineret med modne softwarealgoritmer har denne teknologi været i stand til at opnå effektiv og pålidelig 3D-databehandling og -analyse.
3D stereo vision kamera løsning
3D stereovisionskameraet er baseret på princippet om binokulært syn, der ligner det menneskelige øje. Den optager billeder fra forskellige betragtningsvinkler gennem to kameraer og bruger parallakseinformation til at beregne dybdedataene for objektet.
I faktiske industrielle applikationer kombineres tilfældig teksturprojektion sædvanligvis for at forbedre den karakteristiske information af overfladen af det målte objekt og derved forbedre billedtilpasningsnøjagtigheden. Denne teknologi er blevet brugt i vid udstrækning i scenarier som robotvejledning, monteringspositionering og systemfejlfinding og har vist god tilpasningsevne i dynamisk detektion og fleksible produktionsmiljøer.
Hurtig rumlig positionering
ToF-kameraer beregner målafstanden ved at udsende impulser af infrarødt lys og måle den tid, det tager for det reflekterede lys at vende tilbage til sensoren, svarende til radarafstand.
Tidlig ToF-teknologi var begrænset af opløsning og målenøjagtighed, hvilket gjorde det vanskeligt at opfylde detektionskravene på industrielt niveau. Med teknologiens fremskridt er der opstået megapixel ToF-kameraer, som gradvist fremmes i applikationer som 3D-objektdetektering, robotindlæsning og -aflæsning og pallelæsning og -tømning.
Det skal bemærkes, at ToF-teknologi er mere velegnet til målgenkendelse og rumlig positionering og ikke er egnet til dimensionelle målescenarier med høj præcision.
Softwarens rolle i 3D-vision
eksistere I et 3D-maskinsynssystem svarer billedbehandlings- og analysesoftware til systemets 'hjerne'.
Traditionel visuel inspektion er stærkt afhængig af regelprogrammering og fuldfører inspektionsopgaver gennem sammenligning af funktioner og tærskelvurdering. Efterhånden som kompleksiteten af applikationsscenarier fortsætter med at stige, er deep learning og kunstige neurale netværk (ANN) gradvist ved at blive mainstream-løsninger.
Kunstige neurale netværk er sammensat af et stort antal indbyrdes forbundne 'neuroner', og deres forbindelsesvægte kan løbende justeres i henhold til træningsdataene, og derved opnås autonom læring og funktionsudtrækning. Under deep learning-rammerne behøver systemet ikke manuelt at definere komplekse billedfunktioner. Det behøver kun at indtaste originale billeddata for automatisk at fuldføre udtræk, klassificering og bedømmelse af funktioner, hvilket viser stærkere tilpasningsevne og robusthed i komplekse industrielle miljøer.
Med den kontinuerlige modenhed af 3D-billedteknologi, punktskybehandlingsalgoritmer og kunstig intelligens, udvikler maskinsynsinspektion sig mod højere præcision, stærkere intelligens og bredere anvendelsesscenarier.
Zhixiang Visions kombination af 3D maskinsyn og dyb læring vil fortsætte med at udvide grænserne for industriel inspektion og give mere pålidelig teknisk support til intelligente fremstillings- og automatiseringsopgraderinger. Machine vision-industrien er fuld af forventninger til fremtiden, lad os vente og se.
