Kuidas hinnata masina nägemissüsteemi jõudlust ja täpsust?

Tööstusautomaatika pideva süvenemisega ja intelligentse tootmine,Masina nägemissüsteemidest on järk -järgult saanud tootmissaitide kvaliteedikontrolli ja protsesside optimeerimise peamised tootmisvahendid. Kuid paljude kasutajate jaoks on süsteemi visiooniprojektide valimisel, testimisel või importimisel süsteemi jõudlust ja täpsust teaduslikult hinnata, mis mõjutab kasutuselevõtu edu.

Järgnev keskendub seadmete hindamiskriteeriumidele. Tootmise testimise meetodid ja praktilised rakenduse võtmepunktid aitavad ettevõtetel otsustada, kas masina nägemise seadmete komplekt on professionaalsemast ja praktilisemast vaatenurgast tõeliselt 'praktiline' ja 'usaldusväärne'.

1. jõudluse hindamise põhimõõtmed

Masina nägemissüsteemi hindamiseks nõuab see tavaliselt alustamist viiest mõõtmest: kujutise kvaliteet, ülevaatuse kiirus, identifitseerimise täpsus, keskkonna stabiilsus ja süsteemi ühilduvus:

1. pildistamiskvaliteet

Pildid on visuaalse süsteemi alus ja hindamisel peaksite tähelepanu pöörama näitajatele:

Resolutsioon ja selgus: kas üksikasjade jaoks vajalik pikslite tihedus on täidetud;

Valgus ja kontrast: kas pilt on särav ja ühtlane ning kas kontuur on selge;

Moonutused ja teravuse kontroll: kas läätsel on piisav optiline kvaliteet.

Kvaliteetsed pildid ei saa mitte ainult parandada algoritmi äratundmise efekti, vaid anda ka garantiisid järgneva andmetöötluse jaoks.

2. Identifitseerimise täpsus

Täpsust kasutatakse tavaliselt visuaalsete algoritmide jõudluse mõõtmiseks tegelikus tootmises. Hindamismeetodid hõlmavad:

Defekti äratundmise täpsus (TPR)

Valetuvastuse määr (FPR) ja vastamata tuvastamise määr (FNR)

OCR -i äratundmiskiirus või vöötkoodi lugemise õnnestumise määr

Ehitades simuleeritud töötingimusi, saab andureid kasutada proovide pidevaks importimiseks kontrollimiseks. Testiproovid on soovitatav koguda võimalikult palju, et tagada mitu tingimust.

3. töötlemiskiirus

See, kas süsteem suudab vastata lööginõuetele, on üks hindamise võtmeid. Üldiselt hõlmab:

Pildi omandamise kiirus (kaadrisagedus)

Kujutise töötlemise aeg (MS)

Kogu masin reageerimine ja väljundiaeg

Tegelikes projektides on soovitatav kasutada tegeliku mõõtmise läbiviimiseks 'täielikku süsteemi kogumist kuni väljundtulemusteni'.

4. stabiilsus ja sekkumisvastane

Hinnata, kas süsteem saab reaalses tööstuskeskkonnas pikka aega stabiilselt töötada, keskenduge järgmiselt:

Kohanemisvõime ümbritseva valguse muutustega

Stabiilne jõudlus temperatuuri, niiskuse, vibratsiooni ja elektromagnetiliste häirete all

Kas pikaajalise pideva toimimise ajal on mingit viivitust või identifitseerimist?

Kui see asub keevitustöökojas, õliga täidetud keskkonnas või vibreeriva tootmisliinis, on soovitatav viia läbi reaalse elu kontrollimistestid.

5. Süsteemi avatus ja ühilduvus

Masinavisioonisüsteemid tuleb sageli ühendada PLC, roboti, andmebaasi või MES -süsteemidega ning peaksid tähelepanu pöörama:

Kas see toetab standardprotokolle (näiteks Gige Vision, USB3 Vision, Modbus, OPC UA jne);

Kas pakkuda sekundaarseks arenguks SDK -d;

Kas pildid toetavad mitmeformaadilist eksporti ja platvormi dokkimist (näiteks Halcon, VisionPro, LabView jne);

Väga ühilduv süsteem soodustab laienemist ja hooldust.

2. Kuidas luua efektiivne jõudluse testimise lahendus?

Visuaalse süsteemi jõudluse teaduslikuks hindamiseks on soovitatav ettevõte seadistada impordifaasis järgmised protsessid:

Selgitage tuvastamise eesmärgi ja täpsuse nõuded: näiteks mõõtmete täpsus, tähemärkide äratundmise määr jne;

Asutage kontrollproovi raamatukogu: sealhulgas tavalised tooted, tüüpilised defektsed tooted ja piirijuhtumid;

Ehitage katseplatvorm: simuleerige pideva töö tegelikke töötingimusi;

Koguge statistilisi andmeid: täpsus, reageerimise aeg, ebanormaalsed olukorrad jne;

Faasi uuesti test ja optimeerimine: reguleerige testi tulemuste põhjal pidevalt parameetreid ja algoritme;

Reaalsete proovide ja töötingimuste testimise kaudu saab tõhusalt valida lahenduse, mis vastab kõige paremini vajadustele.

3. Juhtumi viide: iseloomu tuvastamise projekt elektroonikatööstuses

Elektroonikavabriku tootmissüsteem impordib intelligentset nägemissüsteemi aku korpuse tegelaste tuvastamiseks ning kliendid keskenduvad peamiselt märkide täielikkusele ja äratundmise veamääradele. Pärast visuaalse süsteemi abil testimist on järgmine kõige põhjalikum tulemus andmete abil:

Keskmine tunnustuse täpsus: 99,2%

Eksiarvamuse määr: <0,3%

Kogu pildituvastuse reageerimise aeg: 80ms

Tähemärgi kontrastsus adaptiivne kohandamise funktsioon, läbimise määra paranemine 15%

Samal ajal toetab süsteem sujuvat juurdepääsu kliendi MES-süsteemile, reaalajas üleslaadimisele ja tuvastamise tulemuste ebanormaalse jälgitavuse

Masinavisioon ei ole seade, mida saab kasutada lihtsalt installimise teel. Süsteemi jõudlus ja täpsus mõjutavad otseselt rakenduse lõplikku efekti. Ainult standardsete testimismeetodite abil saavad reaalse rakenduse stsenaariumi simulatsioon ja mitmemõõtmelise indikaatori hindamine ettevõtted täpselt valida ja vähendada katse- ja veakulusid.

Zhixiang Vision pakub jätkuvalt klientidele suure jõudlusega ja kõrge stabiilsusega masina nägemislahendusi ning sõnastab testilahendused vastavalt kasutaja vajadustele, pakkudes ühe stop-teenuseid alates proovide testimisest, algoritmi optimeerimisest kuni süsteemi integreerimiseni. tervitusvõtke meiega ühendust .Proovide testimise ja kohandatud hindamisteenuse tugi saamiseks