Kuinka arvioida konevisiojärjestelmän suorituskyky ja tarkkuus?

Teollisuusautomaation ja älykkään valmistuksen jatkuvan syventämisen myötä,Koneen näköjärjestelmistä on vähitellen tullut tärkeimmät tuotantolaitteet laadunvalvonnan ja prosessien optimointiin tuotantopaikoilla. Mutta monille käyttäjille, kuinka järjestelmän suorituskyky ja tarkkuus arvioidaan tieteellisesti koneen visioprojektien valinnassa, testaamisessa tai tuonnissa, on edelleen avaintekijä, joka vaikuttaa käyttöönoton onnistumiseen.

Seuraava keskittyy laitteiden arviointikriteereihin. Tuotannon testausmenetelmät ja käytännön sovellusavaimet auttavat yrityksiä arvioimaan, onko konevisiolaitteiden joukko todella 'käytännöllisiä' ja 'luotettavia' ammattimaisemmasta ja käytännöllisemmältä näkökulmasta.

1. Suorituskyvyn arvioinnin ytimen mitat

Koneen näköjärjestelmän arvioimiseksi se vaatii yleensä viidestä ulottuvuudesta: kuvantamisen laatu, tarkastusnopeus, tunnistamisen tarkkuus, ympäristön stabiilisuus ja järjestelmän yhteensopivuus:

1. Kuvantamisen laatu

Kuvat ovat visuaalisen järjestelmän perusta, ja sinun tulee kiinnittää huomiota indikaattoreihin arvioitaessa:

Resoluutio ja selkeys: Täytetäänkö yksityiskohtiin vaadittava pikselitiheys;

Valo ja kontrasti: onko kuva kirkas ja tasainen ja onko ääriviivat selkeä;

Vääristymät ja terävyyden hallinta: Onko linssillä riittävä optinen laatu.

Korkealaatuiset kuvat eivät voi vain parantaa algoritmien tunnistusvaikutusta, vaan myös antaa takuita seuraavalle tietojenkäsittelylle.

2. Tunnistamisen tarkkuus

Tarkkuutta käytetään yleensä visuaalisten algoritmien suorituskyvyn mittaamiseen todellisessa tuotannossa. Arviointimenetelmät sisältävät:

Viantunnistuksen tarkkuus (TPR)

Väärä havaitsemisnopeus (FPR) ja menetetty havaitsemisnopeus (FNR)

OCR: n tunnistusaste tai viivakoodin lukemisen onnistumisaste

Rakentamalla simuloituja työoloja, antureita voidaan käyttää jatkuvasti tuodaan näytekuvia varmennusta varten. On suositeltavaa, että testinäytteet kerätään mahdollisimman monta varmistaakseen, että useita ehtoja lasketaan.

3. Käsittelynopeus

Se, pystyykö järjestelmä täyttämään Beat -vaatimukset, on yksi arvioinnin avaimista. Yleensä sisältää:

Kuvan hankkimisnopeus (kehyksenopeus)

Kuvankäsittelyaika (MS)

Koko koneen vastaus- ja lähtöaika

Varsinaisissa projekteissa on suositeltavaa käyttää 'täydellisen järjestelmän kokonaisaikaa kokoelmasta lähtötuloksiin' todellisen mittauksen suorittamiseen.

4. stabiilisuus ja häiriöiden vastainen

Arvioida, pystyykö järjestelmä toimimaan vakaasti pitkään todellisessa teollisuusympäristössä, keskittyy:

Sopeutumiskyky ympäristön valonmuutoksiin

Vakaa suorituskyky lämpötilan, kosteuden, värähtelyn ja sähkömagneettisten häiriöiden alaisena

Onko viive- tai tunnistuspoikkeamaa pitkän aikavälin jatkuvan toiminnan aikana?

Jos se on hitsauspajassa, öljy täytetyllä ympäristöllä tai värähtelevällä tuotantolinjalla, on suositeltavaa suorittaa tosielämän todentamistestejä.

5. Järjestelmän avoimuus ja yhteensopivuus

Koneen näköjärjestelmät on usein kytkettävä PLC: hen, robottiin, tietokantaan tai MES -järjestelmiin, ja niiden on kiinnitettävä huomiota:

Tukeeko se vakioprotokollia (kuten GIGE -visio, USB3 -visio, Modbus, OPC UA jne.);

Tarjota SDK toissijaiseen kehitykseen;

Tukevatko kuvat monimuotoisen vientiä ja alustan telakointia (kuten Halcon, VisionPro, LabView jne.);

Erittäin yhteensopiva järjestelmä edistää tulevaisuuden laajentumista ja ylläpitoa.

2. Kuinka rakentaa tehokas suorituskyvyn testausratkaisu?

Visuaalisen järjestelmän suorituskyvyn tieteellisesti arvioimiseksi on suositeltavaa, että yritykset asettavat seuraavat prosessit tuontivaiheen aikana:

Selvitä havaitsemistavoite- ja tarkkuusvaatimukset: kuten mittatarkkuus, merkin tunnistusaste jne.;

Perusta ohjausnäytekirjasto: mukaan lukien normaalit tuotteet, tyypilliset vialliset tuotteet ja rajatapaukset;

Rakenna testialusta: simuloi jatkuvaa käyttöolosuhteita;

Kerää tilastotiedot: tarkkuus, vasteaika, epänormaalit tilanteet jne.;

Vaiheen uudelleentestaus ja optimointi: säädä jatkuvasti parametreja ja algoritmeja testitulosten perusteella;

Oikeiden näytteiden ja työolosuhteiden testaamisen avulla voidaan valita tehokkaasti ratkaisu, joka vastaa parhaiten tarpeita.

3. Tapausviite: Elektroniikkateollisuuden hahmotunnistusprojekti

Elektroniikan tehdastuotantojärjestelmä tuo älykkään näköjärjestelmän akkukotelon merkkien tunnistamiseksi, ja asiakkaat keskittyvät pääasiassa hahmojen täydellisyyden ja tunnistusvirheiden määrään. Visuaalisen järjestelmän testaamisen jälkeen seuraava on tietojen tuottama kattavin tulos:

Keskimääräinen tunnistustarkkuus: 99,2%

Väärinkäsitysaste: <0,3%

Koko kuvantunnistusvasteaika: 80 ms

Merkkien kontrastin mukautuva säätöfunktio, 15%: n paraneminen läpäisyasteessa

Samanaikaisesti järjestelmä tukee saumattomia pääsyä asiakas MES-järjestelmään, reaaliaikaiseen lataukseen ja tunnistamistulosten epänormaaliin jäljitettävyyteen

Koneen visio ei ole laite, jota voidaan käyttää yksinkertaisesti asennuksella. Järjestelmän suorituskyky ja tarkkuus vaikuttavat suoraan lopulliseen sovellusvaikutukseen. Vain vakiotestausmenetelmillä todellinen sovellusskenaarion simulointi ja moniulotteinen indikaattorin arviointi voivat yritykset valita tarkasti ja vähentää kokeilu- ja virhekustannuksia.

Zhixiang Vision tarjoaa edelleen asiakkaille korkean suorituskyvyn ja korkean aseman koneen visioratkaisuja ja muotoilee testiratkaisuja käyttäjän tarpeiden mukaisesti tarjoamalla yhden luukun palveluita näytteen testaamisesta, algoritmien optimoinnista järjestelmän integrointiin. TervetuloaOta yhteyttä näytteen testaamiseen ja räätälöityyn arviointipalvelun tukeen.