Kako oceniti delovanje in natančnost sistema strojnega vida?

Z nenehnim poglabljanjem industrijske avtomatizacije in inteligentne proizvodnje,Sistemi strojnih vizij so postopoma postali ključna proizvodna oprema za nadzor kakovosti in optimizacijo procesov na proizvodnih mestih. Toda za številne uporabnike je, kako znanstveno oceniti uspešnost in natančnost sistema pri izbiri, testiranju ali uvozu projektov strojnega vida, še vedno ključni dejavnik, ki vpliva na uspeh uvajanja.

Naslednje se bo osredotočilo na merila za oceno opreme. Metode testiranja proizvodnje in praktične aplikacije Ključne točke pomagajo podjetjem presoditi, ali je nabor opreme strojnega vida resnično 'praktičen' in 'zanesljiv' z bolj profesionalnega in praktičnega vidika.

1. osrednje dimenzije ocenjevanja uspešnosti

Za oceno sistema strojnega vida je običajno potrebno od petih dimenzij: kakovost slikanja, hitrost inšpekcijskega pregleda, natančnost identifikacije, stabilnost okolja in združljivost sistema:

1. slikanje kakovosti

Slike so osnova vizualnega sistema in pri ocenjevanju morate biti pozorni na kazalnike:

Resolucija in jasnost: ali je izpolnjena gostota pik, ki je potrebna za podrobnosti;

Svetloba in kontrast: ali je slika svetla in enakomerna in ali je obris jasen;

Popačenje in nadzor ostrine: ali ima leča zadostno optično kakovost.

Kakovostne slike ne morejo samo izboljšati učinka prepoznavanja algoritmov, ampak tudi zagotavljajo garancije za nadaljnjo obdelavo podatkov.

2. natančnost identifikacije

Natančnost se običajno uporablja za merjenje učinkovitosti vizualnih algoritmov v dejanski proizvodnji. Metode vrednotenja vključujejo:

Natančnost prepoznavanja napak (TPR)

Stopnja lažne odkrivanja (FPR) in zgrešena stopnja odkrivanja (FNR)

Stopnja prepoznavanja OCR ali stopnja uspešnosti branja črtne kode

Z gradnjo simuliranih delovnih pogojev lahko senzorje uporabljajo za neprekinjeno uvoz vzorčnih slik za preverjanje. Priporočljivo je, da se preskusni vzorci zbirajo čim več, da se zagotovi štetje več pogojev.

3. Hitrost obdelave

Ali lahko sistem izpolnjuje zahteve za utripanje, je eden od ključev za oceno. Na splošno vključujejo:

Hitrost pridobivanja slike (hitrost okvirja)

Čas obdelave slike (MS)

Celoten odziv stroja in izhodni čas

V dejanskih projektih je priporočljivo uporabiti skupni čas 'celotnega sistema od zbiranja do izhodnih rezultatov' za izvajanje dejanskih meritev.

4. stabilnost in proti interferenca

Če želite oceniti, ali lahko sistem dolgo deluje stabilno v resničnem industrijskem okolju, se osredotočite na:

Prilagodljivost sprememb svetlobe v okolici

Stabilna zmogljivost pod temperaturo, vlažnostjo, vibracijami in elektromagnetnimi motnjami

Ali med dolgoročnim neprekinjenim delovanjem obstaja kakšna odstopanje zaostajanja ali identifikacije?

Če v varilni delavnici, naftni okolju ali vibrirajoči proizvodni liniji, je priporočljivo izvesti teste za preverjanje v resničnem življenju.

5. Odprtost in združljivost sistema

Sistemi strojnega vida je treba pogosto povezati s sistemi PLC, Robot, Database ali MES in biti pozoren na:

Ali podpira standardne protokole (kot so GIGE Vision, USB3 Vision, Modbus, OPC UA itd.);

Ali zagotoviti SDK za sekundarni razvoj;

Ali slike podpirajo izvoz z več oblikami in priklop platforme (kot so Halcon, VisionPro, Labview itd.);

Zelo združljiv sistem je naklonjen prihodnji širitvi in ​​vzdrževanju.

2. Kako sestaviti učinkovito rešitev za testiranje uspešnosti?

Za znanstveno oceno uspešnosti vidnega sistema je priporočljivo, da podjetja med fazo uvoza vzpostavijo naslednje procese:

Pojasnite zahteve za odkrivanje in zahteve natančnosti: na primer dimenzijsko natančnost, stopnja prepoznavanja znakov itd.;

Vzpostavite knjižnico kontrolnih vzorcev: vključno z običajnimi izdelki, značilnimi okvarjenimi izdelki in mejnimi primeri;

Zgradite testno platformo: simulirajte dejanske delovne pogoje za neprekinjeno delovanje;

Zbiranje statističnih podatkov: natančnost, odzivni čas, nenormalne situacije itd.;

Fazna ponovna testiranje in optimizacija: nenehno prilagajanje parametrov in algoritmov na podlagi rezultatov preskusov;

S testiranjem resničnih vzorcev in delovnih pogojev je mogoče učinkovito izbrati rešitev, ki najbolje ustreza potrebam.

3. Referenca primera: Projekt zaznavanja znakov v elektronski industriji

Sistem za proizvodnjo Electronics Factory uvaža inteligentni vidni sistem za prepoznavanje znakov baterije, stranke pa se osredotočajo predvsem na stopnjo napak v znaki in prepoznavanje. Po testiranju vizualnega sistema je naslednji celovit rezultat, ki ga ustvarijo podatki:

Povprečna natančnost prepoznavanja: 99,2%

Napačna stopnja: <0,3%

Celoten odzivni čas prepoznavanja slike: 80 ms

Funkcija prilagodljive prilagoditve znakov, 15 -odstotno izboljšanje hitrosti prehoda

Hkrati sistem podpira brezhiben dostop do sistema kupcev MES, nalaganja v realnem času in nenormalno sledljivost rezultatov identifikacije

Machine Vision ni naprava, ki jo je mogoče uporabiti preprosto z namestitvijo. Učinkovitost in natančnost sistema neposredno vplivata na končni učinek aplikacije. Samo s standardnimi metodami testiranja lahko simulacija scenarija resničnih aplikacij in večdimenzionalna ocena kazalnikov podjetij natančno izbere in zmanjša stroške preskušanja in napak.

Zhixiang Vision še naprej zagotavlja strankam visokozmogljive in visoko stabilne rešitve strojnega vida ter formulira testne rešitve v skladu s potrebami uporabnikov, ki zagotavljajo storitve na enem mestu od vzorčnega testiranja, optimizacije algoritmov do integracije sistema. dobrodošliPišite nam za vzorčno testiranje in prilagojeno podporo ocenjevalne storitve.