Як оцінити продуктивність та точність системи машинного зору?

З постійним поглибленням промислової автоматизації та інтелектуального виробництва,Системи машинного зору поступово стали ключовим виробничим обладнанням для контролю якості та оптимізації процесів на виробничих майданчиках. Але для багатьох користувачів, як науково оцінювати ефективність та точність системи при виборі, тестуванні або імпорті проектів машинного зору все ще є ключовим фактором, що впливає на успіх розгортання.

Далі буде зосереджено увагу на критеріях оцінювання обладнання. Методи тестування виробництва та ключові моменти практичного застосування допомагають підприємствам судити про те, чи є набір обладнання для машинного зору справді 'практичним' та 'надійним' з більш професійної та практичної точки зору.

1. Основні розміри оцінки ефективності

Для оцінки системи машинного зору, як правило, потрібно починати з п'яти вимірів: якість зображень, швидкість огляду, точність ідентифікації, стабільність навколишнього середовища та сумісність системи:

1. Якість зображень

Зображення є основою візуальної системи, і ви повинні звернути увагу на показники при оцінці:

Роздільна здатність та ясність: чи виконується щільність пікселів для деталей;

Світло і контраст: чи зображення яскраво і навіть, і чи чіткий контур;

Контроль спотворення та різкості: чи є об'єктив достатня оптична якість.

Якісні зображення можуть не тільки покращити ефект розпізнавання алгоритму, але й забезпечити гарантії для подальшої обробки даних.

2. Точність ідентифікації

Точність зазвичай використовується для вимірювання продуктивності візуальних алгоритмів у фактичному виробництві. Методи оцінки включають:

Точність розпізнавання дефектів (TPR)

Фальсична швидкість виявлення (FPR) та пропущена швидкість виявлення (FNR)

Швидкість розпізнавання OCR або швидкість читання штрих -коду

При побудові модельованих умов праці датчики можуть використовуватися для постійного імпорту зразків зображень для перевірки. Рекомендується збирати тестові зразки якомога більше, щоб забезпечити підрахунок декількох умов.

3. Швидкість обробки

Чи може система відповідати вимогам для ритму, є одним із ключів до оцінки. Як правило, включають:

Швидкість придбання зображень (швидкість кадрів)

Час обробки зображень (MS)

Весь час реакції машини та виведення

У фактичних проектах рекомендується використовувати загальний час 'повної системи від колекції до результатів результатів' для проведення фактичного вимірювання.

4. Стабільність та антиконференція

Щоб оцінити, чи може система тривалий час працювати в реальному промисловому середовищі, зосередитись на:

Адаптованість до змін навколишнього світла

Стабільна продуктивність при температурі, вологості, вібрації та електромагнітних перешкод

Чи існує відставання або відхилення ідентифікації під час тривалої безперервної роботи?

Якщо він знаходиться в зварювальному майстерні, наповненому нафтою середовищі або вібраційній виробничій лінії, рекомендується проводити тести на перевірку реального життя.

5. Відкритість системи та сумісність

Системи машинного зору часто потрібно підключити до PLC, роботів, бази даних або MES, і повинні звернути увагу на:

Чи підтримує він стандартні протоколи (наприклад, Gige Vision, USB3 Vision, Modbus, OPC UA тощо);

Чи надати SDK для вторинного розвитку;

Чи підтримують зображення багатоформатного експорту та стикування платформи (наприклад, Halcon, VisionPro, LabView тощо);

Дуже сумісна система сприяє майбутньому розширенню та обслуговуванню.

2. Як побудувати ефективне рішення для тестування продуктивності?

Для наукової оцінки ефективності візуальної системи рекомендується підприємствам створити наступні процеси на етапі імпорту:

Уточнити ціль виявлення та вимоги до точності: такі як розмірна точність, швидкість розпізнавання персонажів тощо;

Встановіть бібліотеку контрольних зразків: включаючи звичайні продукти, типові дефектні продукти та граничні випадки;

Побудувати тестову платформу: імітуйте фактичні умови праці для безперервної роботи;

Збір статистичних даних: точність, час відповіді, ненормальні ситуації тощо;

Фаза повторного тесту та оптимізація: постійно регулювати параметри та алгоритми на основі результатів тестів;

За допомогою реальних зразків та тестування умов праці рішення, яке найкраще відповідає потребам, може бути ефективно вибрано.

3. Довідка про випадки: Проект виявлення персонажів в електроніці

Фабрична система виробництва електроніки імпортує інтелектуальну систему зору для ідентифікації символів акумулятора, а клієнти в основному зосереджуються на рівні повноти та помилок розпізнавання. Після тестування візуальною системою наступне є найбільш вичерпним результатом, породженим даними:

Середня точність визнання: 99,2%

Рівень неправильного уявлення: <0,3%

Весь час відповіді на розпізнавання зображень: 80 мс

Функція адаптивного коригування персонажа, поліпшення 15% у проходженні швидкості

У той же час система підтримує безперебійний доступ до системи MES MES, завантаження в режимі реального часу та ненормальна відстеження результатів ідентифікації

Machine Vision - це не пристрій, який можна використовувати просто шляхом встановлення. Продуктивність та точність системи безпосередньо впливають на остаточний ефект застосування. Тільки за стандартними методами тестування реальне моделювання сценаріїв додатків та багатовимірна оцінка індикатора може точно вибрати та зменшити витрати на випробування та помилки.

Zhixiang Vision продовжує надавати клієнтам високоефективні та високопоставлені верстви Vision Vision і формулює тестові рішення відповідно до потреб користувачів, надаючи одностійні послуги від зразкового тестування, оптимізації алгоритму до інтеграції системи. вітатиЗверніться до нас для підтримки зразків тестування та індивідуальної служби оцінки.