Kako procijeniti performanse i točnost sustava strojnog vida?

Uz kontinuirano produbljivanje industrijske automatizacije i inteligentne proizvodnje,Sustavi strojnog vida postupno su postali ključna proizvodna oprema za kontrolu kvalitete i optimizaciju procesa na proizvodnim mjestima. Međutim, za mnoge korisnike, kako znanstveno procijeniti izvedbu i točnost sustava pri odabiru, testiranju ili uvođenju projekata strojnog vida još uvijek je ključni čimbenik koji utječe na uspjeh implementacije.

Sljedeće će se usredotočiti na kriterije ocjenjivanja opreme. Metode testiranja proizvodnje i točke praktične primjene pomažu tvrtkama da prosude je li skup opreme za strojni vid doista 'praktičan' i 'pouzdan' iz profesionalnije i praktičnije perspektive.

1. Temeljne dimenzije evaluacije učinka

Za procjenu sustava strojnog vida obično morate krenuti od pet dimenzija kvalitete slike, brzine pregleda, točnosti prepoznavanja, stabilnosti okoliša i kompatibilnosti sustava:

1.Kvaliteta slike

Slika je temelj vizualnog sustava. Prilikom ocjenjivanja obratite pozornost na sljedeće pokazatelje:

Razlučivost i oštrina: je li zadovoljena gustoća piksela potrebna za detaljan pregled;

Osvjetljenje i kontrast: je li slika svijetla i ravnomjerna i je li obris jasan;

Kontrola izobličenja i oštrine: ima li leća dovoljnu optičku kvalitetu.

Visokokvalitetne slike ne samo da mogu poboljšati učinak prepoznavanja algoritma, već također pružaju jamstvo za naknadnu obradu podataka.

2. Točnost prepoznavanja

Točnost se obično koristi za mjerenje izvedbe algoritama vida u stvarnoj proizvodnji. Metode ocjenjivanja uključuju:

Preciznost prepoznavanja grešaka (TPR)

Stopa lažnog otkrivanja (FPR) i stopa promašenog otkrivanja (FNR)

OCR stopa prepoznavanja ili stopa uspješnosti čitanja crtičnog koda

Možete koristiti senzore za simulaciju radnih uvjeta i kontinuirani uvoz uzoraka slika za provjeru. Preporuča se prikupiti što više ispitnih uzoraka kako bi se osigurala statistika različitih stanja.

3. Brzina obrade

Može li sustav zadovoljiti zahtjeve otkucaja jedan je od ključeva za procjenu. Općenito uključuju:

Brzina dobivanja slike (broj sličica u sekundi)

Vrijeme obrade slike (ms)

Ukupni odziv stroja i izlazno vrijeme

U stvarnim projektima preporučuje se da se stvarno mjerenje temelji na ukupnom vremenu 'cijelog sustava od prikupljanja do izlaznih rezultata'.

4. Stabilnost i zaštita od smetnji

Ocijenite može li sustav raditi stabilno dugo vremena u stvarnom industrijskom okruženju, fokusirajući se na:

Prilagodljivost promjenama ambijentalnog svjetla

Stabilne performanse pri temperaturi, vlažnosti, vibracijama i elektromagnetskim smetnjama

Postoji li kašnjenje ili odstupanje u prepoznavanju tijekom dugotrajnog neprekidnog rada?

Na primjer, u radionicama za zavarivanje, uljnim okruženjima ili proizvodnim linijama vibracija, preporuča se provođenje verifikacijskih testova u stvarnom životu.

5. Otvorenost i kompatibilnost sustava

Sustavi strojnog vida često se moraju povezati s PLC-om, robotima, bazama podataka ili MES sustavima. Trebate obratiti pozornost na:

Podržava li standardne protokole (kao što su GigE Vision, USB3 Vision, Modbus, OPC UA, itd.);

Treba li osigurati SDK za sekundarni razvoj;

Podržava li slika izvoz u više formata i pristajanje na platformu (kao što su Halcon, VisionPro, LabVIEW itd.);

Sustav s jakom kompatibilnošću pogodan je za buduća proširenja i održavanje.

2. Kako izgraditi učinkovit plan testiranja performansi?

Za znanstvenu procjenu performansi sustava za viziju, preporučuje se da tvrtke uspostave sljedeće procese tijekom faze uvođenja:

Pojasnite ciljeve detekcije i zahtjeve točnosti: kao što je točnost dimenzija, stopa prepoznavanja znakova itd.;

Uspostavite biblioteku kontrolnih uzoraka: uključujući normalne proizvode, tipične neispravne proizvode i granične slučajeve;

Izgradite testnu platformu: simulirajte stvarne radne uvjete za kontinuirani rad;

Prikupiti statističke podatke: točnost, vrijeme odziva, nenormalne situacije itd.;

Postupno ponovno testiranje i optimizacija: Kontinuirano prilagođavanje parametara i algoritama na temelju rezultata ispitivanja;

Testiranjem stvarnog uzorka i radnih uvjeta može se učinkovito odabrati rješenje koje najbolje zadovoljava potrebe.

3. Referenca slučaja: Projekt otkrivanja znakova elektroničke industrije

Proizvodni sustav tvornice elektronike uveo je sustav inteligentnog vida za prepoznavanje znakova na kućištima baterija. Kupci su uglavnom zabrinuti zbog stope integriteta znakova i stope pogrešaka u prepoznavanju. Nakon testiranja sa sustavom za vid, sljedeći je ukupni rezultat generiranja podataka:

Prosječna točnost prepoznavanja: 99,2%

Stopa lažnog prepoznavanja: <0,3%

Vrijeme odziva prepoznavanja cijele slike: 80 ms

Funkcija adaptivne prilagodbe kontrasta znakova, prolaznost se povećava za 15%

U isto vrijeme, sustav podržava besprijekoran pristup korisničkom MES sustavu, omogućavajući učitavanje rezultata identifikacije u stvarnom vremenu i abnormalno praćenje.

Strojni vid nije uređaj koji se može jednostavno instalirati i koristiti. Performanse i točnost sustava izravno utječu na konačni učinak primjene. Kroz standardne metode testiranja, simulaciju stvarnog scenarija primjene i procjenu višedimenzionalnih pokazatelja, tvrtke mogu točno odabrati modele i smanjiti troškove pokušaja i pogrešaka.

Zhixiang Vision nastavlja kupcima pružati visokoučinkovita i stabilna rješenja strojnog vida i razvija planove testiranja temeljene na potrebama korisnika, pružajući usluge na jednom mjestu od testiranja uzoraka, optimizacije algoritama do integracije sustava. DobrodošliObratite nam se za testiranje uzoraka i podršku prilagođene usluge ocjenjivanja.