Hur utvärderar man prestandan och noggrannheten i ett maskinsynssystem?

Med den kontinuerliga fördjupningen av industriell automatisering och intelligent tillverkning,Maskinvisionssystem har gradvis blivit den viktigaste produktionsutrustningen för kvalitetskontroll och processoptimering på produktionsplatser. Men för många användare är hur man vetenskapligt utvärderar systemets prestanda och noggrannhet när du väljer, testning eller import av maskinvisionsprojekt fortfarande en nyckelfaktor som påverkar framgången för distributionen.

Följande kommer att fokusera på kriterierna för utvärdering av utrustning. Produktionstestmetoder och praktiska tillämpningsnyckelpunkter hjälper företag att bedöma om en uppsättning maskinvisionutrustning verkligen är 'praktisk' och 'pålitlig' ur ett mer professionellt och praktiskt perspektiv.

1. Kärna dimensioner av prestationsutvärdering

För att utvärdera ett maskinsynssystem kräver det vanligtvis att du börjar från fem dimensioner: avbildningskvalitet, inspektionshastighet, identifieringsnoggrannhet, miljöstabilitet och systemkompatibilitet:

1. avbildningskvalitet

Bilder är grunden för det visuella systemet, och du bör vara uppmärksam på indikatorerna när du utvärderar:

Upplösning och tydlighet: Huruvida pixeltätheten som krävs för detaljer är uppfyllda;

Lätt och kontrast: om bilden är ljus och jämn, och om konturen är klar;

Distorsion och skärpa kontroll: Huruvida linsen har tillräcklig optisk kvalitet.

Bilder av hög kvalitet kan inte bara förbättra algoritmigenkänningseffekten, utan ger också garantier för efterföljande databehandling.

2. Identifieringsnoggrannhet

Noggrannhet används vanligtvis för att mäta prestandan för visuella algoritmer i den faktiska produktionen. Utvärderingsmetoder inkluderar:

Defektigenkänningsnoggrannhet (TPR)

Falsk detekteringsfrekvens (FPR) och missad detektionsfrekvens (FNR)

OCR -igenkänningshastighet eller framgångshastighet för läsning av streckkod

Genom att bygga simulerade arbetsförhållanden kan sensorer användas för att kontinuerligt importera provbilder för verifiering. Det rekommenderas att testprover samlas in så många som möjligt för att säkerställa att flera villkor räknas.

3. Bearbetningshastighet

Huruvida systemet kan uppfylla beatkraven är en av nycklarna till utvärderingen. Inkludera i allmänhet:

Bildförvärvshastighet (bildhastighet)

Bildbehandlingstid (MS)

Hela maskinens svar och utgångstid

I faktiska projekt rekommenderas det att använda den totala tiden för det 'kompletta systemet från samlingen till utgångsresultaten' för att utföra faktisk mätning.

4. Stabilitet och anti-störning

För att utvärdera om systemet kan fungera stabilt under lång tid i en verklig industriell miljö, fokusera på:

Anpassningsförändringar till omgivande ljus förändras

Stabil prestanda under temperatur, fuktighet, vibrationer och elektromagnetisk störning

Finns det någon fördröjning eller identifieringsavvikelse under långsiktig kontinuerlig drift?

Om det är i en svetverkstad, oljefylld miljö eller vibrerande produktionslinje, rekommenderas det att utföra verkliga verifieringstester.

5. Systemets öppenhet och kompatibilitet

Maskinvisionssystem måste ofta anslutas till PLC, Robot, Database eller MES -system och bör uppmärksamma:

Oavsett om det stöder standardprotokoll (som Gige Vision, USB3 Vision, Modbus, OPC UA, etc.);

Om man ska tillhandahålla SDK för sekundär utveckling;

Huruvida bilder stöder export- och plattformsdockning med flera format (som halon, visionpro, labview, etc.);

Ett mycket kompatibelt system bidrar till framtida expansion och underhåll.

2. Hur bygger man en effektiv prestationstestlösning?

För att vetenskapligt utvärdera det visuella systemets prestanda rekommenderas att företag ställer in följande processer under importfasen:

Förklara detekteringsmålet och noggrannhetskraven: såsom dimensionell noggrannhet, karaktärigenkänningshastighet osv.;

Upprätta ett kontrollprovsbibliotek: inklusive normala produkter, typiska defekta produkter och gränsfall;

Bygg en testplattform: Simulera faktiska arbetsförhållanden för kontinuerlig drift;

Samla statistiska data: noggrannhet, responstid, onormala situationer osv.;

Fasuppsättning och optimering: Justera kontinuerligt parametrar och algoritmer baserade på testresultat;

Genom verkliga prover och testning av arbetsvillkor kan lösningen som bäst uppfyller behoven väljas effektivt.

3. Fallreferens: Teckendetekteringsprojekt inom elektronikindustrin

Produktionssystemet för elektronikfabrik importerar ett intelligent visionssystem för att identifiera batterifall, och kunder fokuserar huvudsakligen på karaktärens fullständighet och erkännandefel. Efter testning av det visuella systemet är följande det mest omfattande resultatet som genereras av uppgifterna:

Genomsnittlig erkännande noggrannhet: 99,2%

Misuppfattningshastighet: <0,3%

Hela bildigenkänningstiden: 80ms

Teckenkontrast adaptiv justeringsfunktion, 15% förbättring i passeringsfrekvens

Samtidigt stöder systemet sömlös åtkomst till kundens mes-system, uppladdning av realtid och onormal spårbarhet av identifieringsresultat

Maskinvision är inte en enhet som kan användas helt enkelt genom installation. Systemets prestanda och noggrannhet påverkar den slutliga applikationseffekten direkt. Endast med standardtestmetoder kan verkliga applikationsscenariosimulering och multidimensionell indikatorutvärdering kan företag välja och minska försöks- och felkostnaderna.

Zhixiang Vision fortsätter att ge kunderna högpresterande och högstabilitetsmaskinvisionslösningar och formulerar testlösningar i linje med användarnas behov, vilket ger enstaka tjänster från provtestning, algoritmoptimering till systemintegration. välkomnaKontakta oss för provtestning och anpassat stöd för utvärderingstjänster.