Konenäköjärjestelmä on tekninen järjestelmä, joka käyttää koneita korvaamaan ihmisen silmät mittauksen, tunnistamisen ja arvioinnin suorittamiseksi. Se on yksi tärkeimmistä tietojenkäsittelytieteen aloista. Järjestelmä yhdistää monialaisia teknologioita, kuten optiikkaa, mekaniikkaa, elektroniikkaa sekä tietokoneohjelmistoja ja -laitteita, ja se sisältää monia aloja, kuten kuvankäsittelyn, hahmontunnistuksen, tekoälyn, signaalinkäsittelyn ja optis-mekaanisen integroinnin.
Keskeisten teknologioiden, kuten kuvankäsittelyn ja kuviontunnistuksen, nopean kehityksen myötä myös konenäkösovellusten syvyys ja laajuus ovat laajentuneet.
Viime vuosina konenäkötekniikka on kehittynyt älykkään valmistuksen ja teollisuusautomaation vetämänä kohti suurempaa tarkkuutta ja älykkyyttä. Perinteiseen kaksiulotteiseen kuvankäsittelyyn verrattuna teollisen näön alan tutkimus ja sovellus on vähitellen muuttumassa 3D-visuaaliseksi tarkastusteknologiaksi, ja sitä on sovellettu laajassa mittakaavassa skenaarioissa, kuten hitsaustarkastuksessa, osien lajittelussa ja metallilevymittauksissa.
Voidaan sanoa, että konenäkötarkastus on siirtymässä 'kaksiulotteisesta tunnistamisesta' 'kolmiulotteiseen havaintoon'.
Järjestelmän koostumuksen näkökulmasta täydellinen konenäköjärjestelmä sisältää yleensä valaistusjärjestelmän, teollisuuslinssin, kamerajärjestelmän ja kuvankäsittelyjärjestelmän. Käytännön sovelluksissa on tarpeen ottaa kokonaisvaltaisesti huomioon keskeiset tekijät, kuten järjestelmän toimintanopeus ja kuvankäsittelyn tehokkuus, kameran tyyppi (väri- tai mustavalkoinen), onko tarkastuksen kohteena koon mittaus vai vian tunnistaminen, tarvittava näkökenttä, tarkkuus ja kuvan kontrasti erityisten tarkastustarpeiden mukaan, jotta voidaan rakentaa vakaa ja tehokas visuaalinen tarkastusratkaisu.
Visuaalisen järjestelmän rakenne
Laitteistojärjestelmän suunnittelu
Konenäköjärjestelmän laitteisto-osa koostuu pääasiassa teollisuuslinsseistä, teollisuuskameroista, kuvankaappauskorteista, syöttö-/tulostusyksiköistä ja ohjauslaitteista.
Näköjärjestelmän kokonaissuorituskyky ei riipu pelkästään kameran pikselien ja itse laitteiston laadusta, vaan mikä vielä tärkeämpää, eri laitteistomoduulien kohtuullisesta sovituksesta ja yhteistyöstä. Esimerkiksi objektiivin ja kameran resoluution yhteensopivuus sekä sieppauskortin ja datarajapinnan yhteensopivuus vaikuttavat suoraan järjestelmän kuvanlaatuun ja toiminnan vakauteen.
Siksi korkean suorituskyvyn visiojärjestelmä on erottamaton laitteiston valinnan, järjestelmärakenteen ja sovellusskenaarioiden kattavasta tarkastelusta.
Ohjelmistojärjestelmän suunnittelu
Visuaalisen järjestelmän ohjelmistosuunnittelu on yksi koko järjestelmän ydinlinkkeistä ja sen tekninen monimutkaisuus on korkea. Ohjelmistokehitysprosessin aikana meidän ei tarvitse kiinnittää huomiota vain ohjelmarakenteen ja toiminnan tehokkuuden optimointiin, vaan myös algoritmin tarkkuuteen, toteutettavuuteen ja vakaaseen suorituskykyyn todellisissa skenaarioissa.
Kun ohjelmistojärjestelmä on valmis, sen kestävyys on testattava täysin ja optimoitava jatkuvasti sen varmistamiseksi, että järjestelmä pystyy ylläpitämään vakaata ja luotettavaa tunnistussuorituskykyä monimutkaisissa ulkoisissa ympäristöissä, kuten valaistuksen muutoksissa, taustahäiriöissä ja kohdeeroissa.
Robottinäkösovelluksissa järjestelmä koostuu yleensä kahdesta osasta: kuvanottomoduulista ja näönkäsittelymoduulista.
Niistä kuvanhankintamoduuli sisältää valaistusjärjestelmän, visuaalisen anturin, analogia-digitaalimuuntimen (A/D), kehysmuistin jne., ja sitä käytetään kaksiulotteisen kuvainformaation keräämiseen ympäristössä.
Robottinäköjärjestelmä hankkii kuvadatan visuaalisen anturin kautta, analysoi, tunnistaa ja ymmärtää sen sitten näköprosessorilla ja muuntaa käsittelytulokset suoritettaviksi ohjauskäskyiksi, jotta robotti voi tarkasti tunnistaa kohdeobjektin ja määrittää sen spatiaalisen sijainnin, jolloin se suorittaa tehtäviä, kuten paikantamisen, tarttumisen ja kokoonpanon.
Erittäin tarkka kosketukseton mittausratkaisu
Spektraalinen konfokaalisensori toimii valkoisen valon dispersion periaatteella ja fokusoi eri aallonpituuksilla monokromaattista valoa eri tarkennuspisteisiin erityisen optisen järjestelmän kautta. Järjestelmä pystyy laskemaan tarkasti kohteen ja anturin välisen etäisyyden mitattavan kohteen pinnalta heijastuneen valon aallonpituustietojen perusteella.
Heijastetun valon intensiteetti ei vaikuta tähän mittausmenetelmään, se soveltuu melkein kaikille materiaaleille ja voi saavuttaa erittäin tarkan ja vakaan kosketuksettoman mittauksen. Yhdellä skannauksella voidaan saada mitatun kohteen pinnan täydellinen tai osittainen 3D-topografia, jolla on merkittäviä etuja, kuten korkea tarkkuus, nopea nopeus ja vahva vakaus.
Perinteisiin laserilmaisumenetelmiin verrattuna spektraalinen konfokaalinen tekniikka toimii erityisen hyvin läpinäkyvien kohteiden, erittäin heijastavien peilien ja voimakkaiden valoa absorboivien materiaalien havaitsemisessa. Sitä käytetään laajasti online-tunnistusskenaarioissa sellaisilla aloilla kuin 3C-elektroniikka, puolijohteet, litiumakku, uusi energia ja tarkkuuslaitteisto.
Teollisuusluokan 3D-mittausratkaisu
Lasertriangulaatio on kypsä kolmiulotteinen mittausmenetelmä, jota käytetään laajalti sellaisilla aloilla kuin puu-, kumi-, renkaat-, autonosat, metalli- ja valurauta. Se soveltuu myös laajamittaisiin tarkastusskenaarioihin, kuten tienpintoihin.
Tämä tekniikka tuottaa 3D-pistepilvitietoa projisoimalla strukturoitua laservaloa kohteen pinnalle, ja kamera kerää laserviivaprofiilin ja laskee korkeustiedot. Käytännön sovelluksissa mitattu kohde yleensä liikkuu anturin alta, ja useita ääriviivaosuuksia kerätään jatkuvasti ja yhdistetään lopulliseksi kolmiulotteiseksi kuvaksi.
Laserin ja kameran välinen asennuskulma vaikuttaa merkittävästi mittaustarkkuuteen ja järjestelmän vakauteen. Kulman lisääminen parantaa korkeuden erottelukykyä, kun taas kulman pienentäminen parantaa yleistä vakautta. Yhdessä kypsien ohjelmistoalgoritmien kanssa tämä teknologia on kyennyt saavuttamaan tehokkaan ja luotettavan 3D-tietojen käsittelyn ja analyysin.
3D-stereonäkökameraratkaisu
3D-stereonäkökamera perustuu binokulaarisen näön periaatteeseen, joka on samanlainen kuin ihmissilmä. Se hakee kuvia eri katselukulmista kahden kameran kautta ja käyttää parallaksitietoja laskeakseen kohteen syvyystiedot.
Varsinaisissa teollisissa sovelluksissa satunnaista tekstuuriprojisointia yhdistetään yleensä parantamaan mitattavan kohteen pinnan tunnusomaista informaatiota, mikä parantaa kuvan sovitustarkkuutta. Tätä tekniikkaa on käytetty laajasti skenaarioissa, kuten robotin ohjauksessa, kokoonpanon sijoittelussa ja järjestelmän virheenkorjauksessa, ja se on osoittanut hyvää sopeutumiskykyä dynaamisissa havaitsemis- ja joustavissa tuotantoympäristöissä.
Nopea tilapaikannus
ToF-kamerat laskevat kohdeetäisyyden lähettämällä infrapunavalopulsseja ja mittaamalla ajan, joka kuluu heijastuneen valon palaamiseen anturiin, kuten tutkaetäisyys.
Varhaista ToF-tekniikkaa rajoitti resoluutio ja mittaustarkkuus, mikä vaikeutti teollisuustason tunnistusvaatimusten täyttämistä. Tekniikan kehittyessä on syntynyt megapikselin ToF-kameroita, joita edistetään vähitellen sovelluksissa, kuten 3D-objektien havaitsemisessa, robottien lastauksessa ja purkamisessa sekä kuormalavojen lastauksessa ja purkamisessa.
On huomattava, että ToF-tekniikka soveltuu paremmin kohteen tunnistukseen ja spatiaaliseen paikannukseen, eikä se sovellu erittäin tarkkoihin mittamittausskenaarioihin.
Ohjelmiston rooli 3D-näössä
olemassa 3D-konenäköjärjestelmässä kuvankäsittely- ja analyysiohjelmisto vastaa järjestelmän 'aivoja'.
Perinteinen silmämääräinen tarkastus perustuu vahvasti sääntöohjelmointiin ja suorittaa tarkastustehtävät ominaisuuksien vertailun ja kynnysarvioinnin avulla. Sovellusskenaarioiden monimutkaisuuden kasvaessa syväoppimisesta ja keinotekoisista hermoverkoista (ANN) on vähitellen tulossa valtavirtaratkaisuja.
Keinotekoiset hermoverkot koostuvat suuresta määrästä toisiinsa kytkettyjä 'neuroneja', ja niiden yhteyspainoja voidaan jatkuvasti säätää harjoitustietojen mukaan, jolloin saavutetaan autonominen oppiminen ja ominaisuuksien poimiminen. Syväoppimiskehyksessä järjestelmän ei tarvitse manuaalisesti määrittää monimutkaisia kuvaominaisuuksia. Sen tarvitsee vain syöttää alkuperäisiä kuvatietoja suorittaakseen ominaisuuksien poimimisen, luokittelun ja arvioinnin automaattisesti loppuun, mikä osoittaa vahvempaa mukautumiskykyä ja kestävyyttä monimutkaisissa teollisuusympäristöissä.
3D-kuvaustekniikan, pistepilvien käsittelyalgoritmien ja tekoälyn jatkuvan kypsyyden myötä konenäkötarkastus kehittyy kohti suurempaa tarkkuutta, vahvempaa älykkyyttä ja laajempia sovellusskenaarioita.
Zhixiang Visionin 3D-konenäön ja syväoppimisen yhdistelmä laajentaa edelleen teollisen tarkastuksen rajoja ja tarjoaa luotettavampaa teknistä tukea älykkäille valmistus- ja automaatiopäivityksille. Konenäköala on täynnä tulevaisuuden odotuksia, odotellaan ja katsotaan.
