Sustav strojnog vida je tehnički sustav koji koristi strojeve da zamijene ljudske oči za dovršeno mjerenje, identifikaciju i prosudbu. Jedna je od važnih grana informatike. Sustav integrira multidisciplinarne tehnologije kao što su optika, mehanika, elektronika te računalni softver i hardver, a uključuje mnoga polja kao što su obrada slike, prepoznavanje uzoraka, umjetna inteligencija, obrada signala i optičko-mehanička integracija.
S brzim razvojem ključnih tehnologija kao što su obrada slike i prepoznavanje uzoraka, dubina i širina aplikacija strojnog vida također se nastavila širiti.
Posljednjih godina, potaknuta pametnom proizvodnjom i industrijskom automatizacijom, tehnologija strojnog vida razvija se prema većoj preciznosti i inteligenciji. U usporedbi s tradicionalnom obradom dvodimenzionalne slike, istraživanje i primjena u polju industrijskog vida postupno se transformiraju u tehnologiju 3D vizualne inspekcije, a primijenjena je u velikoj mjeri u scenarijima kao što su inspekcija zavara, sortiranje dijelova i mjerenje limova.
Može se reći da inspekcija strojnog vida prelazi s 'dvodimenzionalnog prepoznavanja' na 'trodimenzionalnu percepciju'.
Iz perspektive sastava sustava, kompletan sustav strojnog vida obično uključuje sustav rasvjete, industrijske leće, sustav kamera i sustav za obradu slike. U praktičnim primjenama potrebno je sveobuhvatno razmotriti ključne čimbenike kao što su brzina rada sustava i učinkovitost obrade slike, vrsta kamere (u boji ili crno-bijela), je li cilj inspekcije mjerenje veličine ili identifikacija kvara, potreban raspon vidnog polja, razlučivost i kontrast slike prema specifičnim potrebama inspekcije, kako bi se izgradilo stabilno i učinkovito rješenje za vizualni pregled.
vidnog sustavaGrađa
Dizajn hardverskog sustava
Hardverski dio sustava strojnog vida uglavnom se sastoji od industrijskih leća, industrijskih kamera, kartica za snimanje slike, ulazno/izlaznih jedinica i kontrolnih uređaja.
Ukupna izvedba vizualnog sustava ne ovisi samo o kvaliteti piksela kamere i samog hardvera, već što je još važnije, o razumnom usklađivanju i suradnji između različitih hardverskih modula. Na primjer, podudaranje razlučivosti objektiva i kamere, te kompatibilnost kartice za snimanje i podatkovnog sučelja izravno će utjecati na kvalitetu slike sustava i radnu stabilnost.
Stoga je vizualni sustav visokih performansi neodvojiv od sveobuhvatnog razmatranja odabira hardvera, strukture sustava i scenarija primjene.
Dizajn softverskog sustava
Dizajn softvera vizualnog sustava jedna je od središnjih karika u cijelom sustavu i visoke je tehničke složenosti. Tijekom procesa razvoja softvera, ne samo da trebamo obratiti pozornost na optimizaciju programske strukture i operativne učinkovitosti, već se također usredotočiti na točnost, izvedivost i stabilne performanse algoritma u stvarnim scenarijima.
Nakon što je softverski sustav dovršen, njegova se robusnost mora u potpunosti testirati i kontinuirano optimizirati kako bi se osiguralo da sustav može održavati stabilne i pouzdane performanse detekcije u složenim vanjskim okruženjima kao što su promjene osvjetljenja, smetnje u pozadini i razlike u meti.
U aplikacijama robotskog vida, sustav se obično sastoji od dva dijela: modula za prikupljanje slike i modula za obradu vida.
Među njima, modul za prikupljanje slike uključuje sustav osvjetljenja, vizualni senzor, analogno-digitalni pretvarač (A/D), okvirnu memoriju itd., a koristi se za prikupljanje informacija o dvodimenzionalnoj slici u okruženju.
Robotski vizualni sustav dobiva slikovne podatke putem vizualnog senzora, a zatim ih analizira, identificira i razumije pomoću vizualnog procesora i pretvara rezultate obrade u izvršne kontrolne instrukcije, tako da robot može točno identificirati ciljni objekt i odrediti njegovu prostornu poziciju, čime obavlja zadatke kao što su pozicioniranje, hvatanje i sastavljanje.
Rješenje za beskontaktno mjerenje visoke preciznosti
Spektralni konfokalni senzor radi na principu disperzije bijele svjetlosti, fokusirajući monokromatsku svjetlost različitih valnih duljina na različitim pozicijama fokusa kroz poseban optički sustav. Sustav može točno izračunati udaljenost između objekta i senzora na temelju informacije o valnoj duljini svjetlosti reflektirane od površine mjerenog objekta.
Na ovu mjernu metodu ne utječe intenzitet reflektirane svjetlosti, prikladna je za gotovo sve materijale i može postići visokoprecizna i stabilna beskontaktna mjerenja. Jednim skeniranjem može se dobiti potpuna ili djelomična 3D topografija površine mjerenog objekta, što ima značajne prednosti kao što su visoka preciznost, velika brzina i velika stabilnost.
U usporedbi s tradicionalnim metodama laserske detekcije, spektralna konfokalna tehnologija ima osobito dobre rezultate u detekciji prozirnih objekata, visoko reflektirajućih zrcala i jakih materijala koji apsorbiraju svjetlost. Naširoko se koristi u scenarijima online detekcije u industrijama kao što su 3C elektronika, poluvodiči, nova energija litijskih baterija i precizni hardver.
Rješenje za 3D mjerenje industrijske razine
Laserska triangulacija je zrela trodimenzionalna metoda mjerenja koja se naširoko koristi u industrijama kao što su industrija drva, gume, guma, autodijelova, metala i lijevanog željeza. Također je prikladan za scenarije velikih pregleda kao što su cestovne površine.
Ova tehnologija generira podatke o 3D oblaku točaka projiciranjem strukturiranog laserskog svjetla na površinu objekta, a kamera prikuplja profil laserske linije i izračunava informacije o visini. U praktičnim primjenama, mjereni objekt se obično kreće ispod senzora, a više konturnih sekcija kontinuirano se skuplja i spaja kako bi se konačno formirala potpuna trodimenzionalna slika.
Kut postavljanja između lasera i kamere ima važan utjecaj na točnost mjerenja i stabilnost sustava. Povećanje kuta pomaže u poboljšanju razlučivosti visine, dok smanjenje kuta pomaže u poboljšanju ukupne stabilnosti. U kombinaciji sa zrelim softverskim algoritmima, ova tehnologija je uspjela postići učinkovitu i pouzdanu obradu i analizu 3D podataka.
Rješenje kamere za 3D stereoviziju
Kamera za 3D stereo vid temelji se na principu binokularnog vida sličnog ljudskom oku. Dobiva slike iz različitih kutova gledanja kroz dvije kamere i koristi informacije o paralaksi za izračunavanje podataka o dubini objekta.
U stvarnim industrijskim primjenama, nasumična projekcija teksture obično se kombinira kako bi se poboljšale karakteristične informacije o površini mjerenog objekta, čime se poboljšava točnost podudaranja slike. Ova se tehnologija naširoko koristi u scenarijima kao što su navođenje robota, pozicioniranje sklopa i otklanjanje pogrešaka u sustavu, te je pokazala dobru prilagodljivost u dinamičkom otkrivanju i fleksibilnim proizvodnim okruženjima.
Brzo prostorno pozicioniranje
ToF kamere izračunavaju udaljenost cilja emitiranjem impulsa infracrvenog svjetla i mjerenjem vremena potrebnog da se reflektirano svjetlo vrati na senzor, slično radarskom mjerenju udaljenosti.
Rana ToF tehnologija bila je ograničena rezolucijom i preciznošću mjerenja, što je otežavalo ispunjavanje zahtjeva detekcije na industrijskoj razini. S napretkom tehnologije pojavile su se megapikselne ToF kamere koje se postupno promoviraju u aplikacijama kao što su 3D detekcija objekata, robotski utovar i istovar te utovar i istovar paleta.
Treba napomenuti da je ToF tehnologija prikladnija za prepoznavanje cilja i prostorno pozicioniranje, a nije prikladna za scenarije visokopreciznog mjerenja dimenzija.
Uloga softvera u 3D viziji
postojati U 3D sustavu strojnog vida , softver za obradu i analizu slike ekvivalentan je 'mozgu' sustava.
Tradicionalna vizualna inspekcija uvelike se oslanja na programiranje pravila i dovršava zadatke inspekcije usporedbom značajki i prosuđivanjem praga. Kako se složenost scenarija primjene nastavlja povećavati, duboko učenje i umjetne neuronske mreže (ANN) postupno postaju glavna rješenja.
Umjetne neuronske mreže sastoje se od velikog broja međusobno povezanih 'neurona', a njihove se težine veza mogu kontinuirano prilagođavati prema podacima o treniranju, čime se postiže autonomno učenje i izdvajanje značajki. Pod okvirom dubokog učenja, sustav ne treba ručno definirati složene značajke slike. Treba samo unijeti izvorne slikovne podatke kako bi automatski dovršio izdvajanje značajki, klasifikaciju i procjenu, pokazujući veću prilagodljivost i robusnost u složenim industrijskim okruženjima.
S kontinuiranim razvojem tehnologije 3D slikanja, algoritama za obradu oblaka točaka i umjetne inteligencije, inspekcija strojnog vida razvija se prema većoj preciznosti, jačoj inteligenciji i širim scenarijima primjene.
Smart Vision kombinacija 3D strojnog vida i dubokog učenja nastavit će širiti granice industrijske inspekcije i pružati pouzdaniju tehničku podršku za inteligentnu proizvodnju i nadogradnje automatizacije. Industrija strojnog vida puna je očekivanja za budućnost, pričekajmo i vidjet ćemo.
