இயந்திர பார்வை அமைப்பு என்பது ஒரு தொழில்நுட்ப அமைப்பாகும், இது அளவீடு, அடையாளம் மற்றும் தீர்ப்பை முடிக்க மனித கண்களை மாற்றுவதற்கு இயந்திரங்களைப் பயன்படுத்துகிறது. இது கணினி அறிவியலின் முக்கியமான கிளைகளில் ஒன்றாகும். இந்த அமைப்பு ஒளியியல், இயக்கவியல், மின்னணுவியல் மற்றும் கணினி மென்பொருள் மற்றும் வன்பொருள் போன்ற பலதரப்பட்ட தொழில்நுட்பங்களை ஒருங்கிணைக்கிறது, மேலும் பட செயலாக்கம், வடிவ அங்கீகாரம், செயற்கை நுண்ணறிவு, சமிக்ஞை செயலாக்கம் மற்றும் ஆப்டிகல்-மெக்கானிக்கல் ஒருங்கிணைப்பு போன்ற பல துறைகளை உள்ளடக்கியது.
பட செயலாக்கம் மற்றும் வடிவ அங்கீகாரம் போன்ற முக்கிய தொழில்நுட்பங்களின் விரைவான வளர்ச்சியுடன், இயந்திர பார்வை பயன்பாடுகளின் ஆழமும் அகலமும் தொடர்ந்து விரிவடைந்து வருகின்றன.
சமீபத்திய ஆண்டுகளில், ஸ்மார்ட் உற்பத்தி மற்றும் தொழில்துறை ஆட்டோமேஷன் மூலம் இயக்கப்படுகிறது, இயந்திர பார்வை தொழில்நுட்பம் அதிக துல்லியம் மற்றும் நுண்ணறிவு நோக்கி உருவாகி வருகிறது. பாரம்பரிய இரு பரிமாண பட செயலாக்கத்துடன் ஒப்பிடுகையில், தொழில்துறை பார்வை துறையில் ஆராய்ச்சி மற்றும் பயன்பாடு படிப்படியாக 3D காட்சி ஆய்வு தொழில்நுட்பத்திற்கு மாறுகிறது, மேலும் வெல்ட் ஆய்வு, பாகங்களை வரிசைப்படுத்துதல் மற்றும் உலோகத் தாள் அளவீடு போன்ற காட்சிகளில் பெரிய அளவில் பயன்படுத்தப்படுகிறது.
இயந்திர பார்வை ஆய்வு 'இரு பரிமாண அங்கீகாரத்திலிருந்து' 'முப்பரிமாண உணர்தல்' க்கு நகர்கிறது என்று கூறலாம்.
கணினி கலவையின் கண்ணோட்டத்தில், ஒரு முழுமையான இயந்திர பார்வை அமைப்பு பொதுவாக ஒரு விளக்கு அமைப்பு, தொழில்துறை லென்ஸ், கேமரா அமைப்பு மற்றும் பட செயலாக்க அமைப்பு ஆகியவற்றை உள்ளடக்கியது. நடைமுறை பயன்பாடுகளில், கணினி இயக்க வேகம் மற்றும் பட செயலாக்க திறன், கேமரா வகை (நிறம் அல்லது கருப்பு மற்றும் வெள்ளை), ஆய்வு இலக்கு அளவு அளவீடு அல்லது குறைபாடு அடையாளம், தேவையான பார்வை வரம்பு, தீர்மானம் மற்றும் குறிப்பிட்ட ஆய்வுத் தேவைகளுக்கு ஏற்ப இமேஜிங் மாறுபாடு போன்ற முக்கிய காரணிகளை விரிவாகக் கருத்தில் கொள்வது அவசியம்.
காட்சி அமைப்பின் அமைப்பு
வன்பொருள் அமைப்பு வடிவமைப்பு
இயந்திர பார்வை அமைப்பின் வன்பொருள் பகுதி முக்கியமாக தொழில்துறை லென்ஸ்கள், தொழில்துறை கேமராக்கள், பட பிடிப்பு அட்டைகள், உள்ளீடு/வெளியீட்டு அலகுகள் மற்றும் கட்டுப்பாட்டு சாதனங்களைக் கொண்டுள்ளது.
பார்வை அமைப்பின் ஒட்டுமொத்த செயல்திறன் கேமரா பிக்சல்கள் மற்றும் வன்பொருளின் தரத்தை மட்டும் சார்ந்துள்ளது, ஆனால் மிக முக்கியமாக, பல்வேறு வன்பொருள் தொகுதிகளுக்கு இடையே நியாயமான பொருத்தம் மற்றும் கூட்டு வேலை. எடுத்துக்காட்டாக, லென்ஸ் மற்றும் கேமரா தெளிவுத்திறன் பொருத்தம், மற்றும் பிடிப்பு அட்டை மற்றும் தரவு இடைமுகத்தின் இணக்கத்தன்மை ஆகியவை கணினி இமேஜிங் தரம் மற்றும் செயல்பாட்டு நிலைத்தன்மையை நேரடியாகப் பாதிக்கும்.
எனவே, உயர் செயல்திறன் கொண்ட பார்வை அமைப்பு வன்பொருள் தேர்வு, கணினி அமைப்பு மற்றும் பயன்பாட்டு காட்சிகள் ஆகியவற்றின் விரிவான கருத்தில் இருந்து பிரிக்க முடியாதது.
மென்பொருள் அமைப்பு வடிவமைப்பு
காட்சி அமைப்பின் மென்பொருள் வடிவமைப்பு முழு அமைப்பிலும் உள்ள முக்கிய இணைப்புகளில் ஒன்றாகும் மற்றும் உயர் தொழில்நுட்ப சிக்கலானது. மென்பொருள் மேம்பாட்டுச் செயல்பாட்டின் போது, நிரல் கட்டமைப்பு மற்றும் செயல்பாட்டுத் திறனை மேம்படுத்துவதில் கவனம் செலுத்துவது மட்டுமல்லாமல், உண்மையான சூழ்நிலைகளில் அல்காரிதத்தின் துல்லியம், உணர்தல் மற்றும் நிலையான செயல்திறன் ஆகியவற்றில் கவனம் செலுத்த வேண்டும்.
மென்பொருள் அமைப்பு முடிந்ததும், அதன் வலிமையானது முழுமையாக சோதிக்கப்பட்டு, லைட்டிங் மாற்றங்கள், பின்னணி குறுக்கீடு மற்றும் இலக்கு வேறுபாடுகள் போன்ற சிக்கலான வெளிப்புற சூழல்களில் கணினி நிலையான மற்றும் நம்பகமான கண்டறிதல் செயல்திறனை பராமரிக்க முடியும் என்பதை உறுதிசெய்ய தொடர்ந்து மேம்படுத்தப்பட வேண்டும்.
ரோபோ பார்வை பயன்பாடுகளில், கணினி பொதுவாக இரண்டு பகுதிகளைக் கொண்டுள்ளது: ஒரு படத்தைப் பெறுதல் தொகுதி மற்றும் ஒரு பார்வை செயலாக்க தொகுதி.
அவற்றில், பட கையகப்படுத்தல் தொகுதி ஒரு லைட்டிங் சிஸ்டம், ஒரு விஷுவல் சென்சார், ஒரு அனலாக்-டு-டிஜிட்டல் கன்வெர்ட்டர் (A/D), ஒரு பிரேம் மெமரி போன்றவற்றை உள்ளடக்கியது மற்றும் சுற்றுச்சூழலில் இரு பரிமாண படத் தகவலை சேகரிக்கப் பயன்படுகிறது.
ரோபோ பார்வை அமைப்பு காட்சி சென்சார் மூலம் படத் தரவைப் பெறுகிறது, பின்னர் அதை பார்வை செயலி மூலம் பகுப்பாய்வு செய்து, அடையாளம் கண்டு புரிந்துகொண்டு, செயலாக்க முடிவுகளை இயக்கக்கூடிய கட்டுப்பாட்டு வழிமுறைகளாக மாற்றுகிறது, இதனால் ரோபோ இலக்கு பொருளை துல்லியமாக அடையாளம் கண்டு அதன் இடஞ்சார்ந்த நிலையை தீர்மானிக்க முடியும், அதன் மூலம் நிலைப்படுத்தல், பிடுங்குதல் மற்றும் சட்டசபை போன்ற பணிகளை முடிக்கிறது.
உயர் துல்லியமான தொடர்பு இல்லாத அளவீட்டு தீர்வு
ஸ்பெக்ட்ரல் கன்ஃபோகல் சென்சார் ஒரு சிறப்பு ஒளியியல் அமைப்பின் மூலம் வெவ்வேறு ஃபோகஸ் நிலைகளில் வெவ்வேறு அலைநீளங்களின் ஒற்றை நிற ஒளியை மையப்படுத்துவதன் அடிப்படையில் வெள்ளை ஒளி பரவல் கொள்கையின் அடிப்படையில் செயல்படுகிறது. அளவிடப்பட்ட பொருளின் மேற்பரப்பில் இருந்து பிரதிபலிக்கும் ஒளியின் அலைநீளத் தகவலின் அடிப்படையில் பொருளுக்கும் சென்சாருக்கும் இடையிலான தூரத்தை கணினி துல்லியமாகக் கணக்கிட முடியும்.
இந்த அளவீட்டு முறையானது பிரதிபலித்த ஒளியின் தீவிரத்தால் பாதிக்கப்படுவதில்லை, கிட்டத்தட்ட எல்லா பொருட்களுக்கும் ஏற்றது, மேலும் உயர் துல்லியமான, உயர் நிலைத்தன்மை கொண்ட தொடர்பு இல்லாத அளவீட்டை அடைய முடியும். ஒரு ஒற்றை ஸ்கேன் அளவிடப்பட்ட பொருளின் மேற்பரப்பின் முழுமையான அல்லது பகுதியளவு 3D நிலப்பரப்பைப் பெற முடியும், இது அதிக துல்லியம், வேகமான வேகம் மற்றும் வலுவான நிலைத்தன்மை போன்ற குறிப்பிடத்தக்க நன்மைகளைக் கொண்டுள்ளது.
பாரம்பரிய லேசர் கண்டறிதல் முறைகளுடன் ஒப்பிடும்போது, ஸ்பெக்ட்ரல் கன்ஃபோகல் தொழில்நுட்பம் குறிப்பாக வெளிப்படையான பொருள்கள், அதிக பிரதிபலிப்பு கண்ணாடிகள் மற்றும் வலுவான ஒளி-உறிஞ்சும் பொருட்களைக் கண்டறிவதில் சிறப்பாக செயல்படுகிறது. இது 3C எலக்ட்ரானிக்ஸ், செமிகண்டக்டர்கள், லித்தியம் பேட்டரி புதிய ஆற்றல் மற்றும் துல்லியமான வன்பொருள் போன்ற தொழில்களில் ஆன்லைன் கண்டறிதல் காட்சிகளில் பரவலாகப் பயன்படுத்தப்படுகிறது.
தொழில்துறை தர 3D அளவீட்டு தீர்வு
லேசர் முக்கோணம் என்பது முதிர்ந்த முப்பரிமாண அளவீட்டு முறையாகும், இது மரம், ரப்பர், டயர்கள், வாகன பாகங்கள், உலோகம் மற்றும் வார்ப்பிரும்பு போன்ற தொழில்களில் பரவலாகப் பயன்படுத்தப்படுகிறது. சாலை மேற்பரப்புகள் போன்ற பெரிய அளவிலான ஆய்வுக் காட்சிகளுக்கும் இது ஏற்றது.
இந்த தொழில்நுட்பம் ஒரு பொருளின் மேற்பரப்பில் கட்டமைக்கப்பட்ட லேசர் ஒளியை செலுத்துவதன் மூலம் 3D புள்ளி கிளவுட் தரவை உருவாக்குகிறது, மேலும் கேமரா லேசர் கோடு சுயவிவரத்தை சேகரித்து உயரத் தகவலைக் கணக்கிடுகிறது. நடைமுறை பயன்பாடுகளில், அளவிடப்பட்ட பொருள் பொதுவாக சென்சாரின் கீழ் நகர்கிறது, மேலும் பல விளிம்புப் பகுதிகள் தொடர்ச்சியாக சேகரிக்கப்பட்டு பிரிக்கப்பட்டு இறுதியாக ஒரு முழுமையான முப்பரிமாண படத்தை உருவாக்குகின்றன.
லேசர் மற்றும் கேமராவிற்கு இடையே உள்ள நிறுவல் கோணமானது அளவீட்டு துல்லியம் மற்றும் கணினி நிலைத்தன்மையில் ஒரு முக்கிய தாக்கத்தை ஏற்படுத்துகிறது. கோணத்தை அதிகரிப்பது உயரத் தீர்மானத்தை மேம்படுத்த உதவுகிறது, அதே சமயம் கோணத்தைக் குறைப்பது ஒட்டுமொத்த நிலைத்தன்மையை மேம்படுத்த உதவுகிறது. முதிர்ந்த மென்பொருள் அல்காரிதம்களுடன் இணைந்து, இந்த தொழில்நுட்பம் திறமையான மற்றும் நம்பகமான 3D தரவு செயலாக்கம் மற்றும் பகுப்பாய்வு ஆகியவற்றை அடைய முடிந்தது.
3D ஸ்டீரியோ விஷன் கேமரா தீர்வு
3டி ஸ்டீரியோ விஷன் கேமரா மனிதக் கண்ணைப் போன்ற தொலைநோக்கி பார்வையின் கொள்கையை அடிப்படையாகக் கொண்டது. இது இரண்டு கேமராக்கள் மூலம் வெவ்வேறு கோணங்களில் இருந்து படங்களைப் பெறுகிறது மற்றும் பொருளின் ஆழமான தரவைக் கணக்கிட இடமாறு தகவலைப் பயன்படுத்துகிறது.
உண்மையான தொழில்துறை பயன்பாடுகளில், அளவிடப்பட்ட பொருளின் மேற்பரப்பின் சிறப்பியல்பு தகவலை மேம்படுத்த, சீரற்ற அமைப்புத் திட்டம் பொதுவாக இணைக்கப்படுகிறது, இதன் மூலம் படப் பொருத்தத்தின் துல்லியத்தை மேம்படுத்துகிறது. இந்த தொழில்நுட்பம் ரோபோ வழிகாட்டுதல், அசெம்பிளி பொசிஷனிங் மற்றும் சிஸ்டம் பிழைத்திருத்தம் போன்ற காட்சிகளில் பரவலாகப் பயன்படுத்தப்படுகிறது, மேலும் டைனமிக் கண்டறிதல் மற்றும் நெகிழ்வான உற்பத்தி சூழல்களில் நல்ல தகவமைப்புத் திறனை வெளிப்படுத்தியுள்ளது.
வேகமான இட நிலைப்படுத்தல்
ToF கேமராக்கள் அகச்சிவப்பு ஒளியின் துடிப்புகளை வெளியிடுவதன் மூலம் இலக்கு தூரத்தைக் கணக்கிடுகின்றன மற்றும் ரேடார் வரம்பைப் போலவே பிரதிபலிக்கப்பட்ட ஒளி சென்சாருக்குத் திரும்ப எடுக்கும் நேரத்தை அளவிடுகின்றன.
ஆரம்பகால ToF தொழில்நுட்பம் தீர்மானம் மற்றும் அளவீட்டுத் துல்லியத்தால் வரையறுக்கப்பட்டது, இதனால் தொழில்துறை அளவிலான கண்டறிதல் தேவைகளைப் பூர்த்தி செய்வது கடினம். தொழில்நுட்பத்தின் முன்னேற்றத்துடன், மெகாபிக்சல் ToF கேமராக்கள் தோன்றியுள்ளன, அவை படிப்படியாக 3D பொருள் கண்டறிதல், ரோபோவை ஏற்றுதல் மற்றும் இறக்குதல், மற்றும் பாலேட் ஏற்றுதல் மற்றும் இறக்குதல் போன்ற பயன்பாடுகளில் மேம்படுத்தப்படுகின்றன.
ToF தொழில்நுட்பம் இலக்கு அங்கீகாரம் மற்றும் இடஞ்சார்ந்த நிலைப்படுத்தலுக்கு மிகவும் பொருத்தமானது மற்றும் உயர் துல்லியமான பரிமாண அளவீட்டு காட்சிகளுக்கு ஏற்றது அல்ல என்பதை கவனத்தில் கொள்ள வேண்டும்.
3D பார்வையில் மென்பொருளின் பங்கு
உள்ளன ஒரு 3D இயந்திர பார்வை அமைப்பில் , பட செயலாக்கம் மற்றும் பகுப்பாய்வு மென்பொருளானது அமைப்பின் 'மூளை'க்கு சமமானதாகும்.
பாரம்பரிய காட்சி ஆய்வு விதி நிரலாக்கத்தை பெரிதும் நம்பியுள்ளது மற்றும் அம்ச ஒப்பீடு மற்றும் வரம்பு தீர்ப்பு மூலம் ஆய்வு பணிகளை நிறைவு செய்கிறது. பயன்பாட்டு காட்சிகளின் சிக்கலானது தொடர்ந்து அதிகரித்து வருவதால், ஆழ்ந்த கற்றல் மற்றும் செயற்கை நரம்பியல் நெட்வொர்க்குகள் (ANN) படிப்படியாக முக்கிய தீர்வுகளாக மாறி வருகின்றன.
செயற்கை நரம்பியல் நெட்வொர்க்குகள் அதிக எண்ணிக்கையிலான ஒன்றோடொன்று இணைக்கப்பட்ட 'நியூரான்கள்' மூலம் உருவாக்கப்படுகின்றன, மேலும் அவற்றின் இணைப்பு எடைகள் பயிற்சி தரவுகளின்படி தொடர்ந்து சரிசெய்யப்பட்டு, தன்னாட்சி கற்றல் மற்றும் அம்சத்தைப் பிரித்தெடுக்கும். ஆழ்ந்த கற்றல் கட்டமைப்பின் கீழ், கணினி சிக்கலான பட அம்சங்களை கைமுறையாக வரையறுக்க தேவையில்லை. சிக்கலான தொழில்துறை சூழல்களில் வலுவான தகவமைப்பு மற்றும் வலிமையைக் காட்டும் அம்சம் பிரித்தெடுத்தல், வகைப்பாடு மற்றும் தீர்ப்பு ஆகியவற்றை தானாகவே முடிக்க அசல் படத் தரவை உள்ளிட வேண்டும்.
3D இமேஜிங் தொழில்நுட்பம், புள்ளி கிளவுட் செயலாக்க வழிமுறைகள் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றின் தொடர்ச்சியான முதிர்ச்சியுடன், இயந்திர பார்வை ஆய்வு அதிக துல்லியம், வலுவான நுண்ணறிவு மற்றும் பரந்த பயன்பாட்டு காட்சிகளை நோக்கி உருவாகிறது.
Zhixiang Vision இன் 3D இயந்திர பார்வை மற்றும் ஆழ்ந்த கற்றல் ஆகியவற்றின் கலவையானது தொழில்துறை ஆய்வின் எல்லைகளை விரிவுபடுத்துகிறது மற்றும் அறிவார்ந்த உற்பத்தி மற்றும் தானியங்கு மேம்படுத்தல்களுக்கு மிகவும் நம்பகமான தொழில்நுட்ப ஆதரவை வழங்கும். இயந்திர பார்வை தொழில் எதிர்காலத்திற்கான எதிர்பார்ப்புகளால் நிறைந்துள்ளது, பொறுத்திருந்து பார்ப்போம்.
