Kuidas hinnata masinnägemissüsteemide jõudlust ja täpsust?

Tööstusliku automatiseerimise ja intelligentse tootmise pideva süvenemisegaMasinnägemissüsteemid on järk-järgult muutunud tootmiskohtade kvaliteedikontrolli ja protsesside optimeerimise võtmeseadmeteks. Paljude kasutajate jaoks on aga süsteemi jõudluse ja täpsuse teaduslik hindamine masinnägemisprojektide valimisel, testimisel või juurutamisel endiselt juurutamise edukuse võtmetegur.

Järgnevalt keskendutakse seadmete hindamise kriteeriumidele. Tootmise testimise meetodid ja praktilised rakenduspunktid aitavad ettevõtetel otsustada, kas masinnägemisseadmete komplekt on tõesti 'praktiline' ja 'usaldusväärne' professionaalsemast ja praktilisemast vaatenurgast.

1. Tulemuslikkuse hindamise põhimõõtmed

Masinnägemissüsteemi hindamiseks peate tavaliselt alustama pildikvaliteedi, kontrolli kiiruse, tuvastamise täpsuse, keskkonnastabiilsuse ja süsteemi ühilduvuse viiest mõõtmest:

1. Pildi kvaliteet

Pilt on visuaalse süsteemi alus. Hindamisel peaksite pöörama tähelepanu järgmistele näitajatele:

Eraldusvõime ja teravus: kas üksikasjalikuks kontrolliks nõutav pikslitihedus on täidetud;

Valgustus ja kontrastsus: kas pilt on hele ja ühtlane ning kas piirjoon on selge;

Moonutuste ja teravuse juhtimine: kas objektiivil on piisav optiline kvaliteet.

Kvaliteetsed pildid ei paranda mitte ainult algoritmi tuvastamise efekti, vaid tagavad ka järgneva andmetöötluse.

2. Tuvastamise täpsus

Täpsust kasutatakse tavaliselt nägemisalgoritmide jõudluse mõõtmiseks tegelikus tootmises. Hindamismeetodid hõlmavad järgmist:

Defektide tuvastamise täpsus (TPR)

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

OCR-tuvastusmäär või vöötkoodi lugemise õnnestumise määr

Saate kasutada andureid, et simuleerida töötingimusi ja importida pidevalt proovipilte kontrollimiseks. Erinevate tingimuste statistika tagamiseks on soovitatav koguda võimalikult palju katseproove.

3. Töötlemise kiirus

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

Pildi omandamise kiirus (kaadrisagedus)

Pildi töötlemise aeg (ms)

Masina üldine reageerimis- ja väljundaeg

Tegelike projektide puhul on soovitatav, et tegelik mõõtmine põhineks 'kogu süsteemi kogumisel tulemusteni jõudmiseni' koguajal.

4. Stabiilsus ja häiretevastane toime

Hinnake, kas süsteem suudab reaalses tööstuskeskkonnas pikka aega stabiilselt töötada, keskendudes järgmisele:

Kohanemisvõime ümbritseva valguse muutustega

Stabiilne jõudlus temperatuuri, niiskuse, vibratsiooni ja elektromagnetiliste häirete korral

Kas pikaajalise pideva töötamise ajal esineb viivitust või tuvastushälvet?

Näiteks keevitustöökodades, õlises keskkonnas või vibratsiooniga tootmisliinides on soovitatav teha tõelisi kontrollkatseid.

5. Süsteemi avatus ja ühilduvus

Masinnägemissüsteemid peavad sageli liidestuma PLC, robotite, andmebaaside või MES-süsteemidega. Peaksite pöörama tähelepanu:

Kas see toetab standardprotokolle (nt GigE Vision, USB3 Vision, Modbus, OPC UA jne);

Kas pakkuda teisese arenduse jaoks SDK-d;

kas pilt toetab mitme formaadi eksporti ja platvormi dokkimist (nt Halcon, VisionPro, LabVIEW jne);

Tugeva ühilduvusega süsteem soodustab edaspidist laiendamist ja hooldust.

2. Kuidas koostada tõhus jõudluskontrolli plaan?

Nägemissüsteemide toimivuse teaduslikuks hindamiseks on ettevõtetel soovitatav sissejuhatusetapis seadistada järgmised protsessid:

Täpsustage tuvastamiseesmärke ja täpsusnõudeid: näiteks mõõtmete täpsus, märgituvastuskiirus jne;

Looge kontrollnäidiste raamatukogu: sealhulgas tavatooted, tüüpilised defektsed tooted ja piirjuhtumid;

Ehitage katseplatvorm: simuleerige pidevaks tööks tegelikke töötingimusi;

Koguda statistilisi andmeid: täpsus, reageerimisaeg, ebatavalised olukorrad jne;

Järkjärguline kordustestimine ja optimeerimine: parameetrite ja algoritmide pidev kohandamine testitulemuste põhjal;

Reaalse näidise ja töötingimuste testimise teel saab tõhusalt välja valida vajadustele kõige paremini vastava lahenduse.

3. Juhtumi viide: elektroonikatööstuse iseloomu tuvastamise projekt

Elektroonikatehase tootmissüsteemis on kasutusele võetud intelligentne nägemissüsteem, mis võimaldab tuvastada akukorpustel olevaid tegelasi. Kliendid on peamiselt mures märkide terviklikkuse ja tuvastamise veamäära pärast. Pärast nägemissüsteemiga testimist on andmete genereerimise üldine tulemus:

Keskmine tuvastamise täpsus: 99,2%

Valetuvastuse määr: <0,3%

Kogu pildituvastuse reaktsiooniaeg: 80 ms

Tähemärgi kontrasti adaptiivne reguleerimise funktsioon, läbimissagedus suureneb 15%

Samas toetab süsteem sujuvat ligipääsu kliendi MES-süsteemile, võimaldades tuvastamise tulemuste reaalajas üleslaadimist ja ebanormaalset jälgimist.

Masinnägemine ei ole seade, mida oleks lihtne paigaldada ja kasutada. Süsteemi jõudlus ja täpsus mõjutavad otseselt rakenduse lõppefekti. Standardsete testimismeetodite, tegeliku rakenduse stsenaariumi simulatsiooni ja mitmemõõtmelise indikaatori hindamise abil saavad ettevõtted täpselt valida mudeleid ja vähendada katse-eksituse kulusid.

Zhixiang Vision jätkab klientidele suure jõudlusega ja kõrge stabiilsusega masinnägemislahenduste pakkumist ning töötab välja kasutajate vajadustest lähtuvaid katseplaane, pakkudes ühtseid teenuseid alates näidistestimisest, algoritmide optimeerimisest kuni süsteemiintegratsioonini. tere tulemastvõtke meiega ühendust .Proovide testimise ja kohandatud hindamisteenuse toe saamiseks