Како проценити перформансе и тачност система машинског вида?

Уз континуирано продубљивање индустријске аутоматизације и интелигентне производње,Системи машинског вида постепено су постали кључна производна опрема за контролу квалитета и оптимизацију процеса на производним локацијама. Међутим, за многе кориснике, како да научно процене перформансе и тачност система приликом одабира, тестирања или увођења пројеката машинске визије, и даље је кључни фактор који утиче на успех примене.

Следеће ће се фокусирати на критеријуме за оцењивање опреме. Методе тестирања производње и практичне тачке примене помажу компанијама да процене да ли је сет опреме за машински вид заиста „практичан“ и „поуздан“ из професионалније и практичније перспективе.

1. Основне димензије евалуације учинка

Да бисте проценили систем машинског вида, обично морате да почнете од пет димензија квалитета слике, брзине инспекције, тачности препознавања, стабилности животне средине и компатибилности система:

1. Квалитет слике

Слика је основа визуелног система. Приликом процене треба обратити пажњу на следеће индикаторе:

Резолуција и оштрина: да ли је задовољена густина пиксела потребна за детаљну инспекцију;

Осветљење и контраст: да ли је слика светла и уједначена и да ли је обрис јасан;

Контрола изобличења и оштрине: Да ли сочиво има довољан оптички квалитет.

Висококвалитетне слике могу не само да побољшају ефекат препознавања алгоритма, већ и дају гаранцију за накнадну обраду података.

2. Тачност препознавања

Тачност се обично користи за мерење перформанси алгоритама визије у стварној производњи. Методе процене укључују:

Прецизност препознавања дефекта (ТПР)

Стопа лажне детекције (ФПР) и стопа промашене детекције (ФНР)

Стопа успешности ОЦР препознавања или успешности читања баркода

Можете користити сензоре за симулацију радних услова и континуирано увоз узорака слика ради верификације. Препоручљиво је прикупити што више узорака за тестирање како би се осигурала статистика различитих стања.

3. Брзина обраде

Да ли систем може да испуни захтеве ритма је један од кључева за процену. Генерално укључују:

Брзина стицања слике (брзина кадрова)

Време обраде слике (мс)

Укупна реакција машине и време излаза

У стварним пројектима, препоручује се да се стварно мерење заснива на укупном времену „целог система од прикупљања до излазних резултата“.

4. Стабилност и против сметњи

Процените да ли систем може да ради стабилно дуго времена у стварном индустријском окружењу, фокусирајући се на:

Прилагодљивост на промене амбијенталног светла

Стабилне перформансе под температуром, влагом, вибрацијама и електромагнетним сметњама

Да ли постоји заостајање или одступање у препознавању током дуготрајног непрекидног рада?

На пример, у радионицама за заваривање, зауљеним срединама или производним линијама са вибрацијама, препоручује се спровођење тестова верификације у стварном животу.

5. Отвореност и компатибилност система

Системи машинског вида често морају да се повезују са ПЛЦ-ом, роботима, базама података или МЕС системима. Треба обратити пажњу на:

Да ли подржава стандардне протоколе (као што су ГигЕ Висион, УСБ3 Висион, Модбус, ОПЦ УА, итд.);

Да ли да обезбеди СДК за секундарни развој;

Да ли слика подржава извоз у више формата и прикључивање платформе (као што су Халцон, ВисионПро, ЛабВИЕВ, итд.);

Систем са јаком компатибилношћу је погодан за будуће проширење и одржавање.

2. Како направити ефикасан план тестирања перформанси?

Да би научно процениле перформансе система визије, препоручује се да компаније поставе следеће процесе током фазе увођења:

Појасните циљеве детекције и захтеве за прецизношћу: као што су тачност димензија, стопа препознавања карактера, итд.;

Успоставити библиотеку контролних узорака: укључујући нормалне производе, типичне неисправне производе и граничне случајеве;

Направите тест платформу: симулирајте стварне услове рада за континуирани рад;

Прикупити статистичке податке: тачност, време одзива, ненормалне ситуације итд.;

Фазно поновно тестирање и оптимизација: Континуирано прилагођавање параметара и алгоритама на основу резултата тестирања;

Кроз прави узорак и тестирање радних услова, решење које најбоље одговара потребама може се ефикасно изабрати.

3. Референца случаја: Пројекат детекције карактера електронске индустрије

Производни систем фабрике електронике увео је систем интелигентне визије за идентификацију знакова на кућиштима батерија. Купци су углавном забринути због стопе интегритета карактера и стопе грешака у препознавању. Након тестирања са системом визије, следећи је укупан резултат генерисања података:

Просечна тачност препознавања: 99,2%

Стопа лажног препознавања: <0,3%

Време одговора за препознавање целе слике: 80 мс

Функција прилагођавања контраста карактера, пролазност се повећава за 15%

Истовремено, систем подржава беспрекоран приступ МЕС систему корисника, омогућавајући у реалном времену отпремање резултата идентификације и абнормално праћење.

Машински вид није уређај који се може лако инсталирати и користити. Перформансе и тачност система директно утичу на коначни ефекат примене. Кроз стандардне методе тестирања, симулацију реалног сценарија примене и процену вишедимензионалних индикатора, компаније могу прецизно да изаберу моделе и смање трошкове покушаја и грешака.

Зхикианг Висион наставља да пружа клијентима решења за машински вид високих перформанси и високе стабилности и развија планове тестирања на основу потреба корисника, пружајући услуге на једном месту од тестирања узорка, оптимизације алгоритама до интеграције система. добродошлиКонтактирајте нас за тестирање узорака и подршку за прилагођену услугу евалуације.