System widzenia maszynowego to system techniczny, w którym maszyny zastępują ludzkie oczy w celu dokonania pomiaru, identyfikacji i oceny. Jest to jedna z najważniejszych gałęzi informatyki. System integruje multidyscyplinarne technologie, takie jak optyka, mechanika, elektronika oraz oprogramowanie i sprzęt komputerowy, i obejmuje wiele dziedzin, takich jak przetwarzanie obrazu, rozpoznawanie wzorców, sztuczna inteligencja, przetwarzanie sygnałów i integracja optyczno-mechaniczna.
Wraz z szybkim rozwojem kluczowych technologii, takich jak przetwarzanie obrazu i rozpoznawanie wzorców, zakres zastosowań widzenia maszynowego również stale się poszerza.
W ostatnich latach, napędzana inteligentną produkcją i automatyzacją przemysłową, technologia widzenia maszynowego ewoluuje w kierunku większej precyzji i inteligencji. W porównaniu z tradycyjnym dwuwymiarowym przetwarzaniem obrazu, badania i zastosowania w dziedzinie wizji przemysłowej stopniowo przekształcają się w technologię kontroli wizualnej 3D i są stosowane na dużą skalę w scenariuszach takich jak kontrola spoin, sortowanie części i pomiar blachy.
Można powiedzieć, że inspekcja wizyjna maszynowa odchodzi od „rozpoznawania dwuwymiarowego” do „percepcji trójwymiarowej”.
Z punktu widzenia kompozycji systemu, kompletny system widzenia maszynowego obejmuje zazwyczaj system oświetlenia, obiektyw przemysłowy, system kamer i system przetwarzania obrazu. W zastosowaniach praktycznych konieczne jest wszechstronne uwzględnienie kluczowych czynników, takich jak szybkość działania systemu i wydajność przetwarzania obrazu, typ kamery (kolorowa lub czarno-biała), czy celem kontroli jest pomiar rozmiaru czy identyfikacja defektów, wymagany zakres pola widzenia, rozdzielczość i kontrast obrazowania zgodnie z konkretnymi potrzebami inspekcji, aby zbudować stabilne i wydajne rozwiązanie w zakresie inspekcji wizualnej.
układu wzrokowegoStruktura
Projekt systemu sprzętowego
Część sprzętowa systemu widzenia maszynowego składa się głównie z obiektywów przemysłowych, kamer przemysłowych, kart do przechwytywania obrazu, jednostek wejścia/wyjścia i urządzeń sterujących.
Ogólna wydajność systemu wizyjnego zależy nie tylko od jakości pikseli kamery i samego sprzętu, ale co ważniejsze, od rozsądnego dopasowania i współpracy pomiędzy różnymi modułami sprzętowymi. Na przykład dopasowanie rozdzielczości obiektywu i kamery oraz kompatybilność karty przechwytującej i interfejsu danych będą miały bezpośredni wpływ na jakość obrazowania systemu i stabilność działania.
Dlatego też stworzenie wysokowydajnego systemu wizyjnego jest nierozerwalnie związane z kompleksowym uwzględnieniem doboru sprzętu, struktury systemu i scenariuszy zastosowań.
Projektowanie systemu oprogramowania
Projekt oprogramowania systemu wizualnego jest jednym z podstawowych ogniw całego systemu i charakteryzuje się dużą złożonością techniczną. Podczas procesu tworzenia oprogramowania musimy nie tylko zwracać uwagę na optymalizację struktury programu i wydajności operacyjnej, ale także skupić się na dokładności, wykonalności i stabilnym działaniu algorytmu w rzeczywistych scenariuszach.
Po ukończeniu tworzenia oprogramowania należy w pełni przetestować jego niezawodność i stale optymalizować, aby zapewnić, że system będzie w stanie utrzymać stabilną i niezawodną skuteczność wykrywania w złożonych środowiskach zewnętrznych, takich jak zmiany oświetlenia, zakłócenia tła i różnice celów.
W zastosowaniach wizyjnych robotów system składa się zwykle z dwóch części: modułu akwizycji obrazu i modułu przetwarzania obrazu.
Wśród nich moduł akwizycji obrazu obejmuje układ oświetleniowy, czujnik wizualny, przetwornik analogowo-cyfrowy (A/D), pamięć ramki itp. i służy do gromadzenia dwuwymiarowych informacji o obrazie w otoczeniu.
System wizyjny robota pozyskuje dane obrazowe za pośrednictwem czujnika wizualnego, a następnie analizuje je, identyfikuje i rozumie przez procesor wizyjny, a wyniki przetwarzania przekształca na wykonywalne instrukcje sterujące, dzięki czemu robot może dokładnie zidentyfikować obiekt docelowy i określić jego położenie przestrzenne, realizując w ten sposób zadania takie jak pozycjonowanie, chwytanie i montaż.
Precyzyjne, bezdotykowe rozwiązanie pomiarowe
Spektralny czujnik konfokalny działa w oparciu o zasadę rozproszenia światła białego, skupiając światło monochromatyczne o różnych długościach fal w różnych pozycjach skupienia poprzez specjalny układ optyczny. System może dokładnie obliczyć odległość między obiektem a czujnikiem na podstawie informacji o długości fali światła odbitego od powierzchni mierzonego obiektu.
Na tę metodę pomiaru nie ma wpływu intensywność odbitego światła, jest ona odpowiednia dla prawie wszystkich materiałów i umożliwia uzyskanie bardzo precyzyjnego i stabilnego pomiaru bezdotykowego. Pojedynczy skan może uzyskać pełną lub częściową topografię 3D powierzchni mierzonego obiektu, co ma znaczące zalety, takie jak wysoka precyzja, duża prędkość i duża stabilność.
W porównaniu z tradycyjnymi metodami detekcji laserowej, spektralna technologia konfokalna sprawdza się szczególnie dobrze w wykrywaniu obiektów przezroczystych, luster o wysokim współczynniku odbicia i materiałów silnie pochłaniających światło. Jest szeroko stosowany w scenariuszach wykrywania online w branżach takich jak elektronika 3C, półprzewodniki, nowa energia z baterii litowych i sprzęt precyzyjny.
Rozwiązanie do pomiarów 3D klasy przemysłowej
Triangulacja laserowa to dojrzała metoda pomiaru trójwymiarowego, szeroko stosowana w branżach takich jak drewno, guma, opony, części samochodowe, metal i żeliwo. Nadaje się również do scenariuszy inspekcji na dużą skalę, takich jak nawierzchnie dróg.
Technologia ta generuje dane chmury punktów 3D poprzez rzutowanie strukturalnego światła lasera na powierzchnię obiektu, a kamera zbiera profil linii lasera i oblicza informacje o wysokości. W zastosowaniach praktycznych mierzony obiekt zwykle przemieszcza się pod czujnikiem, a wiele odcinków konturu jest w sposób ciągły zbieranych i łączonych, aby ostatecznie utworzyć kompletny trójwymiarowy obraz.
Kąt montażu pomiędzy laserem a kamerą ma istotny wpływ na dokładność pomiaru i stabilność systemu. Zwiększanie kąta pomaga poprawić rozdzielczość wysokości, a zmniejszenie kąta pomaga poprawić ogólną stabilność. W połączeniu z dojrzałymi algorytmami oprogramowania, technologia ta umożliwia wydajne i niezawodne przetwarzanie i analizę danych 3D.
Rozwiązanie z kamerą stereowizyjną 3D
Kamera stereowizyjna 3D opiera się na zasadzie widzenia obuocznego podobnego do ludzkiego oka. Pozyskuje obrazy pod różnymi kątami widzenia za pomocą dwóch kamer i wykorzystuje informacje dotyczące paralaksy do obliczenia danych dotyczących głębokości obiektu.
W rzeczywistych zastosowaniach przemysłowych projekcję losowej tekstury zwykle łączy się w celu uwydatnienia charakterystycznych informacji o powierzchni mierzonego obiektu, poprawiając w ten sposób dokładność dopasowania obrazu. Technologia ta jest szeroko stosowana w scenariuszach takich jak kierowanie robotem, pozycjonowanie zespołów i debugowanie systemu, a także wykazała dobre możliwości adaptacji w dynamicznym wykrywaniu i elastycznych środowiskach produkcyjnych.
Szybkie pozycjonowanie przestrzenne
Kamery ToF obliczają odległość do celu, emitując impulsy światła podczerwonego i mierząc czas potrzebny na powrót odbitego światła do czujnika, podobnie jak w przypadku pomiaru radarowego.
Wczesna technologia ToF była ograniczona rozdzielczością i dokładnością pomiaru, co utrudniało spełnienie wymagań wykrywania na poziomie przemysłowym. Wraz z rozwojem technologii pojawiły się megapikselowe kamery ToF, które są stopniowo promowane w takich zastosowaniach, jak wykrywanie obiektów 3D, załadunek i rozładunek robotów oraz załadunek i rozładunek palet.
Należy zauważyć, że technologia ToF jest bardziej odpowiednia do rozpoznawania celów i pozycjonowania przestrzennego i nie nadaje się do scenariuszy precyzyjnych pomiarów wymiarowych.
Rola oprogramowania w wizji 3D
istnieć W systemie widzenia maszynowego 3D oprogramowanie do przetwarzania i analizy obrazu jest odpowiednikiem „mózgu” systemu.
Tradycyjna inspekcja wizualna opiera się w dużej mierze na programowaniu reguł i kończy zadania kontrolne poprzez porównanie cech i ocenę progów. W miarę wzrostu złożoności scenariuszy zastosowań, głębokie uczenie się i sztuczne sieci neuronowe (ANN) stopniowo stają się głównymi rozwiązaniami.
Sztuczne sieci neuronowe składają się z dużej liczby wzajemnie połączonych „neuronów”, a wagi ich połączeń można w sposób ciągły dostosowywać zgodnie z danymi szkoleniowymi, uzyskując w ten sposób autonomiczne uczenie się i ekstrakcję cech. W ramach głębokiego uczenia system nie musi ręcznie definiować skomplikowanych cech obrazu. Wystarczy wprowadzić oryginalne dane obrazu, aby automatycznie zakończyć ekstrakcję, klasyfikację i ocenę cech, wykazując większe możliwości adaptacji i solidność w złożonych środowiskach przemysłowych.
Wraz z ciągłym rozwojem technologii obrazowania 3D, algorytmów przetwarzania chmur punktów i sztucznej inteligencji, inspekcja wizyjna maszyn rozwija się w kierunku wyższej precyzji, silniejszej inteligencji i szerszych scenariuszy zastosowań.
Połączenie wizji maszynowej 3D i głębokiego uczenia się firmy Zhixiang Vision będzie w dalszym ciągu poszerzać granice inspekcji przemysłowej i zapewniać bardziej niezawodne wsparcie techniczne dla inteligentnych modernizacji produkcji i automatyzacji. Branża systemów wizyjnych jest pełna oczekiwań na przyszłość, poczekajmy i zobaczmy.
