Masinnägemissüsteem on tehniline süsteem, mis kasutab mõõtmise, tuvastamise ja otsustamise lõpuleviimiseks inimsilmade asendamiseks masinaid. See on üks olulisemaid arvutiteaduse harusid. Süsteem integreerib multidistsiplinaarseid tehnoloogiaid, nagu optika, mehaanika, elektroonika ning arvutitarkvara ja riistvara, ning hõlmab paljusid valdkondi, nagu pilditöötlus, mustrituvastus, tehisintellekt, signaalitöötlus ja optilis-mehaaniline integratsioon.
Peamiste tehnoloogiate, nagu pilditöötlus ja mustrituvastus, kiire arenguga on ka masinnägemisrakenduste sügavus ja laius jätkuvalt laienenud.
Viimastel aastatel on masinnägemise tehnoloogia ajendatuna nutikast tootmisest ja tööstusautomaatikast arenenud suurema täpsuse ja intelligentsuse suunas. Võrreldes traditsioonilise kahemõõtmelise pilditöötlusega, on tööstusliku nägemise valdkonna uurimine ja rakendamine järk-järgult muutumas 3D-visuaalse kontrolli tehnoloogiaks ning seda on laialdaselt rakendatud sellistes stsenaariumides nagu keevisõmbluste kontroll, osade sorteerimine ja metalllehtede mõõtmine.
Võib öelda, et masinnägemise kontroll liigub 'kahemõõtmeliselt äratundmiselt' 'kolmemõõtmelisele tajule'.
Süsteemi koostise seisukohast sisaldab terviklik masinnägemissüsteem tavaliselt valgustussüsteemi, tööstuslikku objektiivi, kaamerasüsteemi ja pilditöötlussüsteemi. Praktilistes rakendustes on stabiilse ja tõhusa visuaalse kontrolli lahenduse loomiseks vaja põhjalikult kaaluda selliseid võtmetegureid nagu süsteemi töökiirus ja pilditöötluse efektiivsus, kaamera tüüp (värviline või mustvalge), kas kontrolli eesmärk on suuruse mõõtmine või defekti tuvastamine, nõutav vaatevälja ulatus, eraldusvõime ja pildi kontrastsus vastavalt konkreetsetele kontrollivajadustele.
Visuaalse süsteemi struktuur
Riistvarasüsteemi projekteerimine
Masinnägemissüsteemi riistvaraosa koosneb peamiselt tööstuslikest objektiividest, tööstuskaameratest, pildistamiskaartidest, sisend-/väljundseadmetest ja juhtseadmetest.
Nägemissüsteemi üldine jõudlus ei sõltu mitte ainult kaamera pikslite ja riistvara enda kvaliteedist, vaid mis veelgi olulisem, mõistlikust sobitamisest ja koostööst erinevate riistvaramoodulite vahel. Näiteks objektiivi ja kaamera eraldusvõime sobitamine ning salvestuskaardi ja andmeliidese ühilduvus mõjutavad otseselt süsteemi kujutise kvaliteeti ja tööstabiilsust.
Seetõttu on suure jõudlusega nägemissüsteem lahutamatu riistvara valiku, süsteemi struktuuri ja rakendusstsenaariumide igakülgsest kaalumisest.
Tarkvarasüsteemide projekteerimine
Visuaalse süsteemi tarkvaradisain on kogu süsteemi üks põhilülidest ja sellel on kõrge tehniline keerukus. Tarkvaraarendusprotsessi käigus ei pea me tähelepanu pöörama mitte ainult programmi struktuuri ja tööefektiivsuse optimeerimisele, vaid keskenduma ka algoritmi täpsusele, teostatavusele ja stabiilsele jõudlusele tegelikes stsenaariumides.
Pärast tarkvarasüsteemi valmimist tuleb selle töökindlust täielikult testida ja pidevalt optimeerida, et tagada süsteemi stabiilse ja usaldusväärse tuvastamise jõudlus keerulistes väliskeskkondades, nagu valgustuse muutused, taustahäired ja sihtmärgi erinevused.
Robotinägemisrakendustes koosneb süsteem tavaliselt kahest osast: pildihõivemoodulist ja nägemise töötlemise moodulist.
Nende hulgas on pildihõivemoodulis valgustussüsteem, visuaalsensor, analoog-digitaalmuundur (A/D), kaadrimälu jne ning seda kasutatakse keskkonnas kahemõõtmelise pildiinfo kogumiseks.
Roboti nägemissüsteem hangib visuaalse anduri kaudu pildiandmed ning seejärel analüüsib, tuvastab ja mõistab neid nägemisprotsessori abil ning teisendab töötlemistulemused käivitatavateks juhtkäskudeks, nii et robot saab sihtobjekti täpselt tuvastada ja selle ruumilise asukoha määrata, täites sellega ülesandeid, nagu positsioneerimine, haaramine ja kokkupanek.
Kõrge täpsusega kontaktivaba mõõtmislahendus
Spektraalne konfokaalne andur töötab valge valguse dispersiooni põhimõttel, fokusseerides läbi spetsiaalse optilise süsteemi erineva lainepikkusega monokromaatilist valgust erinevatesse fookuspositsioonidesse. Süsteem suudab mõõdetava objekti pinnalt peegelduva valguse lainepikkuse informatsiooni põhjal täpselt välja arvutada objekti ja anduri vahelise kauguse.
Seda mõõtmismeetodit ei mõjuta peegeldunud valguse intensiivsus, see sobib peaaegu kõikide materjalide jaoks ja võimaldab saavutada ülitäpse ja kõrge stabiilsusega kontaktivaba mõõtmise. Ühe skaneerimisega on võimalik saada mõõdetud objekti pinna täielik või osaline 3D topograafia, millel on olulised eelised, nagu suur täpsus, kiire kiirus ja tugev stabiilsus.
Võrreldes traditsiooniliste lasertuvastusmeetoditega, toimib spektraalkonfokaalne tehnoloogia eriti hästi läbipaistvate objektide, tugevalt peegeldavate peeglite ja tugevate valgust neelavate materjalide tuvastamisel. Seda kasutatakse laialdaselt veebituvastusstsenaariumides sellistes tööstusharudes nagu 3C elektroonika, pooljuhid, liitiumaku uus energia ja täppisriistvara.
Tööstusliku kvaliteediga 3D mõõtmislahendus
Lasertriangulatsioon on küps kolmemõõtmeline mõõtmismeetod, mida kasutatakse laialdaselt sellistes tööstusharudes nagu puit, kumm, rehvid, autoosad, metall ja malm. See sobib ka suuremahuliste kontrollimise stsenaariumide jaoks, nagu teekatted.
See tehnoloogia genereerib 3D-punktipilveandmeid, projitseerides objekti pinnale struktureeritud laservalguse, ning kaamera kogub laserjooneprofiili ja arvutab kõrgusteabe. Praktilistes rakendustes liigub mõõdetud objekt tavaliselt anduri all ning mitut kontuurilõiku kogutakse ja ühendatakse pidevalt, et lõpuks moodustada terviklik kolmemõõtmeline pilt.
Laseri ja kaamera vahelisel paigaldusnurgal on oluline mõju mõõtmise täpsusele ja süsteemi stabiilsusele. Nurga suurendamine aitab parandada kõrguse eraldusvõimet, nurga vähendamine aga üldist stabiilsust. Koos küpsete tarkvaraalgoritmidega on see tehnoloogia suutnud saavutada tõhusa ja usaldusväärse 3D-andmete töötlemise ja analüüsi.
3D stereokaamera lahendus
3D stereokaamera põhineb binokulaarse nägemise põhimõttel, mis sarnaneb inimsilma omaga. See hangib pilte erinevate vaatenurkade alt läbi kahe kaamera ja kasutab parallaksiteavet objekti sügavusandmete arvutamiseks.
Tegelikes tööstuslikes rakendustes kombineeritakse tavaliselt juhuslikku tekstuuriprojektsiooni, et parandada mõõdetava objekti pinna iseloomulikku teavet, parandades seeläbi kujutise sobitamise täpsust. Seda tehnoloogiat on laialdaselt kasutatud sellistes stsenaariumides nagu roboti juhtimine, koostu positsioneerimine ja süsteemi silumine ning see on näidanud head kohanemisvõimet dünaamilises tuvastamises ja paindlikes tootmiskeskkondades.
Kiire ruumiline positsioneerimine
ToF-kaamerad arvutavad sihtmärgi kauguse, kiirgades infrapunavalguse impulsse ja mõõtes aega, mis kulub peegeldunud valguse andurisse naasmiseks, sarnaselt radari kauguse määramisele.
Varasemat ToF-tehnoloogiat piirasid eraldusvõime ja mõõtmise täpsus, mistõttu oli tööstusliku taseme tuvastamisnõuete täitmine keeruline. Tehnoloogia arenguga on esile kerkinud megapikslised ToF-kaamerad, mida hakatakse järk-järgult propageerima sellistes rakendustes nagu 3D-objektide tuvastamine, roboti peale- ja mahalaadimine ning kaubaaluste laadimine ja mahalaadimine.
Tuleb märkida, et ToF-tehnoloogia sobib paremini sihtmärgi tuvastamiseks ja ruumiliseks positsioneerimiseks ning ei sobi ülitäpse mõõtmete mõõtmise stsenaariumide jaoks.
Tarkvara roll 3D-nägemises
olemas 3D masinnägemissüsteemis on pilditöötlus- ja analüüsitarkvara samaväärne süsteemi 'ajuga'.
Traditsiooniline visuaalne kontroll tugineb suurel määral reeglite programmeerimisele ja viib kontrollimisülesanded lõpule funktsioonide võrdluse ja lävehinnangu kaudu. Kuna rakendusstsenaariumide keerukus kasvab, on süvaõpe ja tehisnärvivõrgud (ANN) järk-järgult muutumas peavoolulahendusteks.
Kunstlikud närvivõrgud koosnevad suurest hulgast omavahel ühendatud 'neuronitest' ja nende ühenduste kaalu saab vastavalt treeningandmetele pidevalt reguleerida, saavutades seeläbi autonoomse õppimise ja funktsioonide eraldamise. Süvaõppe raamistikus ei pea süsteem keerukaid pildifunktsioone käsitsi määratlema. Funktsioonide ekstraheerimise, klassifitseerimise ja otsustamise automaatseks lõpuleviimiseks peab see sisestama ainult algsed pildiandmed, mis näitab suuremat kohanemisvõimet ja vastupidavust keerukates tööstuskeskkondades.
3D-pilditehnoloogia, punktipilvetöötlusalgoritmide ja tehisintellekti pideva küpsuse tõttu areneb masinnägemise kontroll suurema täpsuse, tugevama intelligentsuse ja laiemate rakendusstsenaariumide suunas.
Smart Visioni 3D masinnägemise ja süvaõppe kombinatsioon laiendab jätkuvalt tööstusliku kontrolli piire ja pakub usaldusväärsemat tehnilist tuge intelligentsetele tootmis- ja automaatikauuendustele. Masinnägemistööstus on täis tulevikuootusi, oodakem ja vaatame.
