Bagaimana untuk menilai prestasi dan ketepatan sistem penglihatan mesin?

Dengan pendalaman berterusan automasi industri dan pembuatan pintar,Sistem penglihatan mesin secara beransur-ansur menjadi peralatan pengeluaran utama untuk kawalan kualiti dan pengoptimuman proses di tapak pengeluaran. Walau bagaimanapun, bagi kebanyakan pengguna, cara menilai secara saintifik prestasi dan ketepatan sistem semasa memilih, menguji atau memperkenalkan projek penglihatan mesin masih merupakan faktor utama yang mempengaruhi kejayaan penggunaan.

Berikut akan memberi tumpuan kepada kriteria penilaian peralatan. Kaedah ujian pengeluaran dan titik aplikasi praktikal membantu syarikat menilai sama ada satu set peralatan penglihatan mesin benar-benar 'praktikal' dan 'dipercayai' dari perspektif yang lebih profesional dan praktikal.

1. Dimensi teras penilaian prestasi

Untuk menilai sistem penglihatan mesin, anda biasanya perlu bermula daripada lima dimensi kualiti pengimejan, kelajuan pemeriksaan, ketepatan pengecaman, kestabilan persekitaran dan keserasian sistem:

1.Kualiti imej

Imej adalah asas sistem visual. Apabila menilai, anda harus memberi perhatian kepada penunjuk berikut:

Resolusi dan ketajaman: Sama ada ketumpatan piksel yang diperlukan untuk pemeriksaan terperinci dipenuhi;

Pencahayaan dan kontras: sama ada imej itu terang dan sekata, dan sama ada garis besarnya jelas;

Kawalan herotan dan ketajaman: Sama ada kanta mempunyai kualiti optik yang mencukupi.

Imej berkualiti tinggi bukan sahaja dapat meningkatkan kesan pengecaman algoritma, tetapi juga memberikan jaminan untuk pemprosesan data seterusnya.

2. Ketepatan pengecaman

Ketepatan biasanya digunakan untuk mengukur prestasi algoritma penglihatan dalam pengeluaran sebenar. Kaedah penilaian termasuk:

Ketepatan pengecaman kecacatan (TPR)

Kadar pengesanan palsu (FPR) dan kadar pengesanan terlepas (FNR)

Kadar pengecaman OCR atau kadar kejayaan membaca kod bar

Anda boleh menggunakan penderia untuk mensimulasikan keadaan kerja dan terus mengimport imej sampel untuk pengesahan. Adalah disyorkan untuk mengumpul seberapa banyak sampel ujian yang mungkin untuk memastikan statistik pelbagai keadaan.

3. Kelajuan pemprosesan

Sama ada sistem boleh memenuhi keperluan rentak adalah salah satu kunci kepada penilaian. Secara amnya termasuk:

Kelajuan pemerolehan imej (kadar bingkai)

Masa pemprosesan imej (ms)

Keseluruhan tindak balas mesin dan masa keluaran

Dalam projek sebenar, adalah disyorkan bahawa pengukuran sebenar adalah berdasarkan jumlah masa 'keseluruhan sistem daripada pengumpulan hingga hasil keluaran'.

4. Kestabilan dan anti-gangguan

Nilaikan sama ada sistem boleh berjalan dengan stabil untuk masa yang lama dalam persekitaran perindustrian sebenar, memfokuskan pada:

Kebolehsuaian kepada perubahan dalam cahaya ambien

Prestasi stabil di bawah suhu, kelembapan, getaran dan gangguan elektromagnet

Adakah terdapat sebarang ketinggalan atau sisihan pengecaman semasa operasi berterusan jangka panjang?

Contohnya, dalam bengkel kimpalan, persekitaran berminyak atau saluran pengeluaran getaran, adalah disyorkan untuk menjalankan ujian pengesahan kehidupan sebenar.

5. Keterbukaan dan keserasian sistem

Sistem penglihatan mesin selalunya perlu bersambung dengan PLC, robot, pangkalan data atau sistem MES. Anda harus memberi perhatian kepada:

Sama ada ia menyokong protokol standard (seperti GigE Vision, USB3 Vision, Modbus, OPC UA, dll.);

Sama ada untuk menyediakan SDK untuk pembangunan sekunder;

Sama ada imej menyokong eksport berbilang format dan dok platform (seperti Halcon, VisionPro, LabVIEW, dll.);

Sistem dengan keserasian yang kukuh adalah kondusif untuk pengembangan dan penyelenggaraan masa hadapan.

2. Bagaimana untuk membina pelan ujian prestasi yang berkesan?

Untuk menilai secara saintifik prestasi sistem penglihatan, adalah disyorkan bahawa syarikat menyediakan proses berikut semasa peringkat pengenalan:

Jelaskan matlamat pengesanan dan keperluan ketepatan: seperti ketepatan dimensi, kadar pengecaman aksara, dsb.;

Wujudkan perpustakaan sampel kawalan: termasuk produk biasa, produk rosak biasa dan kes sempadan;

Bina platform ujian: simulasi keadaan kerja sebenar untuk operasi berterusan;

Kumpul data statistik: ketepatan, masa tindak balas, situasi tidak normal, dsb.;

Ujian semula dan pengoptimuman berperingkat: Laraskan parameter dan algoritma secara berterusan berdasarkan keputusan ujian;

Melalui sampel sebenar dan ujian keadaan kerja, penyelesaian yang paling memenuhi keperluan boleh dipilih dengan berkesan.

3. Rujukan kes: Projek pengesanan watak industri elektronik

Sistem pengeluaran kilang elektronik itu telah memperkenalkan sistem penglihatan pintar untuk mengenal pasti aksara pada selongsong bateri. Pelanggan terutamanya mengambil berat tentang kadar integriti watak dan kadar ralat pengecaman. Selepas ujian dengan sistem penglihatan, berikut adalah hasil keseluruhan penjanaan data:

Purata ketepatan pengecaman: 99.2%

Kadar pengecaman palsu: <0.3%

Masa tindak balas pengecaman imej keseluruhan: 80ms

Fungsi pelarasan penyesuaian kontras watak, kadar lulus meningkat sebanyak 15%

Pada masa yang sama, sistem ini menyokong akses lancar kepada sistem MES pelanggan, membolehkan muat naik masa nyata keputusan pengenalan dan pengesanan yang tidak normal.

Penglihatan mesin bukanlah peranti yang boleh dipasang dan digunakan dengan mudah. Prestasi dan ketepatan sistem secara langsung mempengaruhi kesan aplikasi akhir. Melalui kaedah ujian standard, simulasi senario aplikasi sebenar dan penilaian penunjuk pelbagai dimensi, syarikat boleh memilih model dengan tepat dan mengurangkan kos percubaan dan ralat.

Zhixiang Vision terus menyediakan pelanggan dengan penyelesaian penglihatan mesin berprestasi tinggi, kestabilan tinggi, dan membangunkan rancangan ujian berdasarkan keperluan pengguna, menyediakan perkhidmatan sehenti daripada ujian sampel, pengoptimuman algoritma kepada penyepaduan sistem. selamat datangHubungi kami untuk ujian sampel dan sokongan perkhidmatan penilaian tersuai.