Система машинного зрения — это техническая система, которая использует машины вместо человеческих глаз для выполнения измерений, идентификации и принятия решений. Это одна из важных отраслей информатики. Система объединяет междисциплинарные технологии, такие как оптика, механика, электроника, компьютерное программное и аппаратное обеспечение, и включает в себя множество областей, таких как обработка изображений, распознавание образов, искусственный интеллект, обработка сигналов и оптико-механическая интеграция.
С быстрым развитием ключевых технологий, таких как обработка изображений и распознавание образов, глубина и широта приложений машинного зрения также продолжают расширяться.
В последние годы, благодаря интеллектуальному производству и промышленной автоматизации, технологии машинного зрения развиваются в сторону более высокой точности и интеллекта. По сравнению с традиционной обработкой двумерных изображений исследования и приложения в области промышленного зрения постепенно трансформируются в технологию трехмерного визуального контроля и широко применяются в таких сценариях, как проверка сварных швов, сортировка деталей и измерение листового металла.
Можно сказать, что машинное зрение переходит от «двумерного распознавания» к «трехмерному восприятию».
С точки зрения состава системы полная система машинного зрения обычно включает в себя систему освещения, промышленный объектив, систему камер и систему обработки изображений. В практических приложениях необходимо всесторонне учитывать ключевые факторы, такие как скорость работы системы и эффективность обработки изображений, тип камеры (цветная или черно-белая), является ли целью проверки измерение размера или выявление дефектов, требуемый диапазон поля зрения, разрешение и контрастность изображения в соответствии с конкретными потребностями контроля, чтобы создать стабильное и эффективное решение для визуального контроля.
зрительной системыСтроение
Проектирование аппаратной системы
Аппаратная часть системы машинного зрения в основном состоит из промышленных объективов, промышленных камер, карт захвата изображения, блоков ввода-вывода и устройств управления.
Общая производительность системы технического зрения зависит не только от качества пикселей камеры и самого оборудования, но, что более важно, от разумного согласования и совместной работы между различными аппаратными модулями. Например, соответствие разрешения объектива и камеры, а также совместимость карты захвата и интерфейса данных напрямую повлияют на качество изображения и стабильность работы системы.
Таким образом, высокопроизводительная система машинного зрения неотделима от всестороннего рассмотрения выбора оборудования, структуры системы и сценариев применения.
Проектирование программной системы
Программное обеспечение зрительной системы является одним из основных звеньев всей системы и имеет высокую техническую сложность. В процессе разработки программного обеспечения нам необходимо не только уделять внимание оптимизации структуры программы и эффективности работы, но также уделять внимание точности, реализуемости и стабильной работе алгоритма в реальных сценариях.
После того, как система программного обеспечения будет завершена, ее надежность должна быть полностью проверена и постоянно оптимизирована, чтобы гарантировать, что система может поддерживать стабильные и надежные характеристики обнаружения в сложных внешних условиях, таких как изменения освещения, фоновые помехи и различия в целях.
В приложениях машинного зрения система обычно состоит из двух частей: модуля получения изображения и модуля обработки изображения.
Среди них модуль получения изображения включает в себя систему освещения, визуальный датчик, аналого-цифровой преобразователь (АЦП), память кадров и т. д. и используется для сбора информации о двумерном изображении в окружающей среде.
Система технического зрения робота получает данные изображения через визуальный датчик, а затем анализирует, идентифицирует и понимает их процессором машинного зрения и преобразует результаты обработки в исполняемые инструкции управления, чтобы робот мог точно идентифицировать целевой объект и определять его пространственное положение, тем самым выполняя такие задачи, как позиционирование, захват и сборка.
Высокоточное решение для бесконтактных измерений
Спектральный конфокальный датчик работает по принципу дисперсии белого света, фокусируя монохроматический свет разной длины волны в разных положениях фокуса с помощью специальной оптической системы. Система может точно рассчитать расстояние между объектом и датчиком на основе информации о длине волны света, отраженного от поверхности измеряемого объекта.
На этот метод измерения не влияет интенсивность отраженного света, он подходит практически для всех материалов и позволяет обеспечить высокоточные и стабильные бесконтактные измерения. За одно сканирование можно получить полную или частичную трехмерную топографию поверхности измеряемого объекта, что имеет значительные преимущества, такие как высокая точность, высокая скорость и высокая стабильность.
По сравнению с традиционными методами лазерного обнаружения, спектральная конфокальная технология особенно хорошо работает при обнаружении прозрачных объектов, зеркал с высокой отражающей способностью и сильно поглощающих свет материалов. Он широко используется в сценариях онлайн-обнаружения в таких отраслях, как 3C-электроника, полупроводники, новая энергия литиевых батарей и прецизионное оборудование.
Решение для 3D-измерений промышленного уровня
Лазерная триангуляция — это проверенный метод трехмерных измерений, который широко используется в таких отраслях, как деревообработка, резина, шины, автозапчасти, металл и чугун. Он также подходит для крупномасштабных сценариев проверки, таких как дорожное покрытие.
Эта технология генерирует трехмерные данные облака точек путем проецирования структурированного лазерного света на поверхность объекта, а камера собирает профиль лазерной линии и рассчитывает информацию о высоте. В практических приложениях измеряемый объект обычно перемещается под датчиком, и несколько участков контура непрерывно собираются и соединяются, чтобы в конечном итоге сформировать полное трехмерное изображение.
Угол установки между лазером и камерой оказывает важное влияние на точность измерений и стабильность системы. Увеличение угла помогает улучшить разрешение по высоте, а уменьшение угла помогает улучшить общую устойчивость. В сочетании с зрелыми программными алгоритмами эта технология позволила добиться эффективной и надежной обработки и анализа 3D-данных.
Решение для 3D-камеры стереовидения
3D-камера стереовидения основана на принципе бинокулярного зрения, аналогичного зрению человеческого глаза. Он получает изображения с разных углов обзора с помощью двух камер и использует информацию о параллаксе для расчета данных о глубине объекта.
В реальных промышленных приложениях проецирование случайной текстуры обычно комбинируется для улучшения характеристической информации о поверхности измеряемого объекта, тем самым повышая точность сопоставления изображений. Эта технология широко используется в таких сценариях, как управление роботами, позиционирование сборки и отладка системы, и продемонстрировала хорошую адаптируемость в динамическом обнаружении и гибких производственных средах.
Быстрое пространственное позиционирование
Камеры ToF рассчитывают расстояние до цели, излучая импульсы инфракрасного света и измеряя время, необходимое для того, чтобы отраженный свет вернулся к датчику, аналогично радару.
Ранняя технология ToF была ограничена разрешением и точностью измерений, что затрудняло соответствие требованиям обнаружения промышленного уровня. С развитием технологий появились мегапиксельные камеры ToF, которые постепенно используются в таких приложениях, как обнаружение трехмерных объектов, загрузка и разгрузка роботов, а также загрузка и разгрузка поддонов.
Следует отметить, что технология ToF больше подходит для распознавания целей и пространственного позиционирования и не подходит для сценариев высокоточного измерения размеров.
Роль программного обеспечения в 3D-зрении
существовать В системе 3D-машинного зрения программное обеспечение для обработки и анализа изображений эквивалентно «мозгу» системы.
Традиционная визуальная проверка в значительной степени опирается на программирование правил и выполняет задачи проверки путем сравнения характеристик и определения пороговых значений. Поскольку сложность сценариев приложений продолжает расти, глубокое обучение и искусственные нейронные сети (ИНС) постепенно становятся основными решениями.
Искусственные нейронные сети состоят из большого количества взаимосвязанных «нейронов», и веса их соединений можно постоянно корректировать в соответствии с обучающими данными, тем самым обеспечивая автономное обучение и извлечение признаков. В рамках глубокого обучения системе не нужно вручную определять сложные функции изображения. Ему достаточно ввести исходные данные изображения, чтобы автоматически выполнить извлечение, классификацию и оценку признаков, демонстрируя более высокую адаптируемость и надежность в сложных промышленных условиях.
Благодаря постоянному развитию технологий 3D-изображения, алгоритмов обработки облаков точек и искусственного интеллекта, машинное зрение развивается в направлении более высокой точности, более мощного интеллекта и более широких сценариев применения.
Сочетание 3D-машинного зрения и глубокого обучения в Zhixiang Vision продолжит расширять границы промышленного контроля и обеспечивать более надежную техническую поддержку для модернизации интеллектуального производства и автоматизации. Индустрия машинного зрения полна ожиданий на будущее, давайте подождем и посмотрим.
