Machine vision system är ett tekniskt system som använder maskiner för att ersätta mänskliga ögon för att slutföra mätning, identifiering och bedömning. Det är en av de viktiga grenarna inom datavetenskap. Systemet integrerar multidisciplinära teknologier som optik, mekanik, elektronik och datorprogramvara och hårdvara, och involverar många områden som bildbehandling, mönsterigenkänning, artificiell intelligens, signalbehandling och optisk-mekanisk integration.
Med den snabba utvecklingen av nyckelteknologier som bildbehandling och mönsterigenkänning har djupet och bredden av maskinseendeapplikationer också fortsatt att expandera.
Under de senaste åren, driven av smart tillverkning och industriell automation, har machine vision-tekniken utvecklats mot högre precision och intelligens. Jämfört med traditionell tvådimensionell bildbehandling omvandlas forskning och tillämpning inom området industriell vision gradvis till 3D visuell inspektionsteknik och har tillämpats i stor skala i scenarier som svetsinspektion, sortering av delar och mätning av plåt.
Man kan säga att maskinseendeinspektion går från 'tvådimensionell igenkänning' till 'tredimensionell perception'.
Ur systemsammansättningens perspektiv inkluderar ett komplett maskinseendesystem vanligtvis ett belysningssystem, industriell lins, kamerasystem och bildbehandlingssystem. I praktiska tillämpningar är det nödvändigt att heltäckande överväga nyckelfaktorer såsom systemdriftshastighet och bildbehandlingseffektivitet, kameratyp (färg eller svartvitt), om inspektionsmålet är storleksmätning eller defektidentifiering, erforderligt synfältsområde, upplösning och bildkontrast enligt specifika inspektionsbehov, för att bygga en stabil och effektiv visuell inspektionslösning.
Det visuella systemets struktur
Hårdvarusystemdesign
Hårdvarudelen av machine vision-systemet består huvudsakligen av industrilinser, industrikameror, bildinsamlingskort, in-/utgångsenheter och styrenheter.
Den övergripande prestandan för visionsystemet beror inte bara på kvaliteten på kamerapixlarna och hårdvaran i sig, utan ännu viktigare, den rimliga matchningen och samarbetsarbetet mellan de olika hårdvarumodulerna. Till exempel kommer matchningen av objektiv och kameraupplösning, och kompatibiliteten för fångstkort och datagränssnitt direkt att påverka systemets bildkvalitet och driftsstabilitet.
Därför är ett högpresterande visionsystem oskiljaktigt från omfattande överväganden av hårdvaruval, systemstruktur och tillämpningsscenarier.
Design av mjukvarusystem
Mjukvarudesignen av det visuella systemet är en av kärnlänkarna i hela systemet och har hög teknisk komplexitet. Under mjukvaruutvecklingsprocessen behöver vi inte bara vara uppmärksamma på optimering av programstruktur och driftseffektivitet, utan också fokusera på algoritmens noggrannhet, realiserbarhet och stabila prestanda i faktiska scenarier.
Efter att mjukvarusystemet har färdigställts måste dess robusthet testas fullständigt och kontinuerligt optimeras för att säkerställa att systemet kan bibehålla stabil och pålitlig detekteringsprestanda i komplexa externa miljöer som ljusändringar, bakgrundsstörningar och målskillnader.
I robotsynsapplikationer består systemet vanligtvis av två delar: en bildinsamlingsmodul och en synbearbetningsmodul.
Bland dem innehåller bildinsamlingsmodulen ett belysningssystem, en visuell sensor, en analog-till-digital-omvandlare (A/D), ett ramminne, etc., och används för att samla in tvådimensionell bildinformation i miljön.
Robotens visionsystem erhåller bilddata genom den visuella sensorn och analyserar, identifierar och förstår dem sedan av visionprocessorn och omvandlar bearbetningsresultaten till körbara kontrollinstruktioner, så att roboten exakt kan identifiera målobjektet och bestämma dess rumsliga position, och därigenom slutföra uppgifter som positionering, grepp och montering.
Beröringsfri mätlösning med hög precision
Den spektrala konfokala sensorn fungerar baserat på principen om vit ljusspridning, och fokuserar monokromatiskt ljus av olika våglängder vid olika fokuspositioner genom ett speciellt optiskt system. Systemet kan noggrant beräkna avståndet mellan objektet och sensorn baserat på våglängdsinformationen för ljuset som reflekteras från ytan på det uppmätta objektet.
Denna mätmetod påverkas inte av intensiteten av reflekterat ljus, är lämplig för nästan alla material och kan uppnå högprecision och högstabil beröringsfri mätning. En enda skanning kan erhålla hela eller partiella 3D-topografi av ytan på det uppmätta objektet, vilket har betydande fördelar som hög precision, snabb hastighet och stark stabilitet.
Jämfört med traditionella laserdetekteringsmetoder presterar spektral konfokalteknologi särskilt bra vid detektering av transparenta föremål, högreflekterande speglar och starka ljusabsorberande material. Det används ofta i onlinedetekteringsscenarier inom industrier som 3C-elektronik, halvledare, litiumbatteri ny energi och precisionshårdvara.
Industriell 3D-mätlösning
Lasertriangulering är en mogen tredimensionell mätmetod som används flitigt i industrier som trä, gummi, däck, bildelar, metall och gjutjärn. Den är också lämplig för storskaliga inspektionsscenarier som vägytor.
Denna teknik genererar 3D-punktmolndata genom att projicera strukturerat laserljus på ytan av ett objekt, och kameran samlar in laserlinjeprofilen och beräknar höjdinformation. I praktiska tillämpningar rör sig det uppmätta objektet vanligtvis under sensorn och flera kontursektioner samlas kontinuerligt in och skarvas för att slutligen bilda en komplett tredimensionell bild.
Installationsvinkeln mellan lasern och kameran har en viktig inverkan på mätnoggrannheten och systemets stabilitet. Att öka vinkeln hjälper till att förbättra höjdupplösningen, medan en minskning av vinkeln hjälper till att förbättra den totala stabiliteten. I kombination med mogna mjukvarualgoritmer har denna teknik kunnat uppnå effektiv och pålitlig 3D-databearbetning och analys.
3D stereo vision kamera lösning
3D-stereokameran är baserad på principen för binokulärt syn som liknar det mänskliga ögat. Den tar bilder från olika betraktningsvinklar genom två kameror och använder parallaxinformation för att beräkna objektets djupdata.
I faktiska industriella tillämpningar kombineras vanligen slumpmässig texturprojektion för att förbättra den karakteristiska informationen för ytan på det uppmätta objektet, och därigenom förbättra bildmatchningsnoggrannheten. Denna teknik har använts flitigt i scenarier som robotstyrning, monteringspositionering och systemfelsökning och har visat god anpassningsförmåga i dynamisk detektering och flexibla produktionsmiljöer.
Snabb rumslig positionering
ToF-kameror beräknar målavstånd genom att sända ut pulser av infrarött ljus och mäta den tid det tar för det reflekterade ljuset att återvända till sensorn, liknande radaravstånd.
Tidig ToF-teknik begränsades av upplösning och mätnoggrannhet, vilket gjorde det svårt att möta detekteringskrav på industriell nivå. Med teknikens framsteg har megapixel ToF-kameror dykt upp, som gradvis främjas i applikationer som 3D-objektdetektering, robotlastning och lossning och lastning och lossning av pallar.
Det bör noteras att ToF-tekniken är mer lämpad för måligenkänning och rumslig positionering och inte lämpar sig för dimensionella mätscenarier med hög precision.
Programvarans roll i 3D-vision
existera I ett 3D-maskinseendesystem är programvara för bildbehandling och analys likvärdig med systemets 'hjärna'.
Traditionell visuell inspektion är starkt beroende av regelprogrammering och slutför inspektionsuppgifter genom jämförelse av egenskaper och tröskelbedömning. När komplexiteten i tillämpningsscenarier fortsätter att öka, blir djupinlärning och artificiella neurala nätverk (ANN) gradvis vanliga lösningar.
Artificiella neurala nätverk är sammansatta av ett stort antal sammankopplade 'neuroner', och deras anslutningsvikter kan kontinuerligt justeras i enlighet med träningsdata, och därigenom uppnå autonom inlärning och funktionsextraktion. Under ramverket för djupinlärning behöver systemet inte manuellt definiera komplexa bildegenskaper. Den behöver bara mata in originalbilddata för att automatiskt slutföra funktionsextraktion, klassificering och bedömning, vilket visar starkare anpassningsförmåga och robusthet i komplexa industriella miljöer.
Med den kontinuerliga mognad av 3D-bildteknik, punktmolnsbearbetningsalgoritmer och artificiell intelligens, utvecklas maskinseendeinspektion mot högre precision, starkare intelligens och bredare tillämpningsscenarier.
Zhixiang Visions kombination av 3D-maskinseende och djupinlärning kommer att fortsätta att utöka gränserna för industriell inspektion och ge mer tillförlitligt tekniskt stöd för intelligenta tillverknings- och automationsuppgraderingar. Machine vision-branschen är full av förväntningar på framtiden, låt oss vänta och se.
