Система машинного зору – це технічна система, яка використовує машини замість людських очей для повного вимірювання, ідентифікації та судження. Це одна з важливих галузей інформатики. Система об’єднує міждисциплінарні технології, такі як оптика, механіка, електроніка, комп’ютерне програмне та апаратне забезпечення, і включає в себе багато областей, таких як обробка зображень, розпізнавання образів, штучний інтелект, обробка сигналів і оптико-механічна інтеграція.
Зі швидким розвитком ключових технологій, таких як обробка зображень і розпізнавання образів, глибина і широта додатків машинного зору також продовжують розширюватися.
В останні роки завдяки інтелектуальному виробництву та промисловій автоматизації технологія машинного зору розвивається в напрямку вищої точності та інтелекту. Порівняно з традиційною обробкою двовимірних зображень, дослідження та застосування в області промислового бачення поступово перетворюються на технологію 3D візуального контролю, яка широко застосовувалася в таких сценаріях, як перевірка зварних швів, сортування деталей і вимірювання металевих листів.
Можна сказати, що перевірка машинного зору переходить від «двовимірного розпізнавання» до «тривимірного сприйняття».
З точки зору складу системи повна система машинного зору зазвичай включає систему освітлення, промислові лінзи, систему камер і систему обробки зображень. У практичних застосуваннях необхідно всебічно враховувати такі ключові фактори, як швидкість роботи системи та ефективність обробки зображень, тип камери (кольорова чи чорно-біла), чи є метою перевірки вимірювання розміру чи виявлення дефекту, необхідний діапазон поля зору, роздільна здатність і контрастність зображення відповідно до конкретних потреб перевірки, щоб створити стабільне та ефективне рішення для візуального контролю.
зорової системиБудова
Проектування апаратної системи
Апаратна частина системи машинного зору в основному складається з промислових лінз, промислових камер, карт захоплення зображення, блоків введення/виведення та пристроїв керування.
Загальна продуктивність системи зору залежить не лише від якості пікселів камери та самого апаратного забезпечення, але, що важливіше, від розумного узгодження та спільної роботи між різними апаратними модулями. Наприклад, відповідність роздільної здатності об’єктива та камери, а також сумісність карти захоплення та інтерфейсу даних безпосередньо впливатимуть на якість зображення системи та стабільність роботи.
Таким чином, високоефективна система бачення невіддільна від комплексного розгляду вибору апаратного забезпечення, структури системи та сценаріїв застосування.
Проектування програмної системи
Програмна конструкція візуальної системи є однією з основних ланок усієї системи і має високу технічну складність. У процесі розробки програмного забезпечення нам потрібно не лише приділяти увагу оптимізації структури програми та ефективності роботи, але й зосереджуватися на точності, реалізованості та стабільній роботі алгоритму в реальних сценаріях.
Після того, як програмна система завершена, її надійність має бути повністю протестована та постійно оптимізована, щоб переконатися, що система може підтримувати стабільну та надійну продуктивність виявлення в складних зовнішніх середовищах, таких як зміни освітлення, фонові перешкоди та відмінності цілей.
У додатках роботизованого бачення система зазвичай складається з двох частин: модуля отримання зображення та модуля обробки зору.
Серед них модуль отримання зображень включає систему освітлення, візуальний датчик, аналого-цифровий перетворювач (A/D), пам’ять кадрів тощо та використовується для збору інформації про двовимірне зображення в навколишньому середовищі.
Система бачення робота отримує дані зображення через візуальний датчик, а потім аналізує, ідентифікує та розуміє їх процесором зору та перетворює результати обробки у виконувані інструкції керування, щоб робот міг точно ідентифікувати цільовий об’єкт і визначити його просторове положення, таким чином виконуючи такі завдання, як позиціонування, захоплення та збірка.
Високоточне рішення для безконтактного вимірювання
Спектральний конфокальний датчик працює на основі принципу дисперсії білого світла, фокусуючи монохроматичне світло різних довжин хвиль у різних положеннях фокусування за допомогою спеціальної оптичної системи. Система може точно розрахувати відстань між об’єктом і датчиком на основі інформації про довжину хвилі світла, відбитого від поверхні вимірюваного об’єкта.
На цей метод вимірювання не впливає інтенсивність відбитого світла, він підходить майже для всіх матеріалів і дозволяє досягти високоточного та стабільного безконтактного вимірювання. Одне сканування може отримати повну або часткову 3D-топографію поверхні вимірюваного об’єкта, що має значні переваги, такі як висока точність, висока швидкість і висока стабільність.
Порівняно з традиційними методами лазерного виявлення, спектральна конфокальна технологія особливо добре працює при виявленні прозорих об’єктів, дзеркал із високим відбиттям і сильних світлопоглинаючих матеріалів. Він широко використовується в онлайн-сценаріях виявлення в таких галузях, як електроніка 3C, напівпровідники, нова енергетика з літієвими акумуляторами та точне обладнання.
Рішення для вимірювання 3D промислового рівня
Лазерна тріангуляція — це зрілий метод тривимірного вимірювання, який широко використовується в таких галузях, як деревина, гума, шини, автозапчастини, метал і чавун. Він також підходить для сценаріїв великомасштабного огляду, наприклад дорожніх покриттів.
Ця технологія генерує тривимірні дані хмари точок, проектуючи структуроване лазерне світло на поверхню об’єкта, а камера збирає профіль лазерної лінії та обчислює інформацію про висоту. У практичних застосуваннях вимірюваний об’єкт зазвичай рухається під датчиком, і кілька секцій контуру безперервно збираються та з’єднуються, щоб остаточно сформувати повне тривимірне зображення.
Кут встановлення між лазером і камерою має важливий вплив на точність вимірювань і стабільність системи. Збільшення кута допомагає покращити роздільну здатність по висоті, тоді як зменшення кута допомагає покращити загальну стабільність. У поєднанні зі зрілими програмними алгоритмами ця технологія змогла досягти ефективної та надійної обробки та аналізу 3D-даних.
Рішення камери 3D стерео бачення
3D-стереокамера ґрунтується на принципі бінокулярного зору, подібного до людського ока. Він отримує зображення з різних кутів огляду за допомогою двох камер і використовує інформацію про паралакс для обчислення даних про глибину об’єкта.
У реальних промислових застосуваннях випадкова проекція текстури зазвичай комбінується для покращення характерної інформації поверхні вимірюваного об’єкта, тим самим покращуючи точність узгодження зображення. Ця технологія широко використовується в таких сценаріях, як керування роботом, позиціонування вузла та налагодження системи, і продемонструвала хорошу адаптивність у динамічному виявленні та гнучкому виробничому середовищі.
Швидке просторове позиціонування
Камери ToF розраховують відстань до цілі, випромінюючи імпульси інфрачервоного світла та вимірюючи час, який потрібен відбитому світлу, щоб повернутися до датчика, подібно до вимірювання дальності радаром.
Рання технологія ToF була обмежена роздільною здатністю та точністю вимірювань, що ускладнювало виконання вимог виявлення промислового рівня. З розвитком технологій з’явилися мегапіксельні камери ToF, які поступово просуваються в таких додатках, як виявлення 3D-об’єктів, завантаження й розвантаження роботів, а також завантаження й розвантаження піддонів.
Слід зазначити, що технологія ToF більше підходить для розпізнавання цілей і просторового позиціонування, і не підходить для сценаріїв високоточних розмірних вимірювань.
Роль програмного забезпечення в 3D баченні
існують У системі машинного зору 3D програмне забезпечення для обробки та аналізу зображень еквівалентно «мозку» системи.
Традиційна візуальна перевірка значною мірою покладається на програмування правил і завершує завдання перевірки шляхом порівняння функцій і порогового оцінювання. Оскільки складність прикладних сценаріїв продовжує зростати, глибоке навчання та штучні нейронні мережі (ШНМ) поступово стають основними рішеннями.
Штучні нейронні мережі складаються з великої кількості взаємопов’язаних «нейронів», і їхні ваги зв’язків можна постійно регулювати відповідно до даних навчання, таким чином досягаючи автономного навчання та вилучення ознак. У рамках глибокого навчання системі не потрібно вручну визначати складні характеристики зображення. Йому потрібно лише ввести оригінальні дані зображення, щоб автоматично завершити виділення ознак, класифікацію та оцінку, демонструючи більшу адаптивність і надійність у складних промислових середовищах.
Завдяки безперервному вдосконаленню технології 3D-зображень, алгоритмів обробки хмари точок і штучного інтелекту інспекція машинного зору розвивається в напрямку вищої точності, потужнішого інтелекту та ширших сценаріїв застосування.
Комбінація 3D-машинного бачення та глибокого навчання Zhixiang Vision продовжить розширювати межі промислового контролю та забезпечуватиме більш надійну технічну підтримку для інтелектуального виробництва та модернізації автоматизації. Індустрія машинного зору повна сподівань на майбутнє, давайте почекаємо та побачимо.
