Visi mesin adalah gabungan beberapa teknologi yang membolehkan peralatan perindustrian atau lain -lain automatik untuk mendapatkan dari imej pemahaman yang lebih maju tentang alam sekitar di tangan. Tanpa perisian penglihatan mesin, imej digital dengan nilai -nilai warna yang berbeza -beza dan intensiti tonal tidak akan lebih daripada koleksi piksel yang mudah dan tidak berkaitan dengan peralatan tersebut. Visi mesin membolehkan komputer (biasanya disambungkan ke pengawal mesin) untuk mengesan tepi dan bentuk dalam imej tersebut untuk membolehkan pemproses peringkat tinggi untuk mengenali objek sasaran yang telah ditetapkan. Imej dalam pengertian ini tidak terhad kepada imej fotografi dalam spektrum yang kelihatan; Mereka juga boleh memasukkan imej yang diperoleh menggunakan isyarat inframerah, laser, x-ray dan ultrasonik.
Dalam persekitaran perindustrian, adalah perkara biasa bagi aplikasi penglihatan mesin untuk mengenali bahagian -bahagian tertentu dari banyak bahagian yang diletakkan dalam kekacauan tong sampah. Di sini, Visi Mesin membantu robot pick-and-place secara automatik mengambil bahagian yang betul. Sudah tentu, jika bahagian -bahagiannya disusun dengan kemas dalam orientasi yang sama pada palet, ia akan menjadi agak mudah untuk mengenali mereka dengan maklum balas pengimejan. Walau bagaimanapun, algoritma penglihatan mesin yang kuat dapat mengenali objek yang berada pada jarak yang berbeza dari kamera (dan oleh itu muncul sebagai imej bersaiz yang berbeza pada sensor pengimejan) serta objek yang tidak berorientasikan dalam arah yang sama seperti kamera.
Sistem penglihatan mesin yang paling canggih telah membolehkan reka bentuk baru muncul yang jauh lebih kompleks daripada memilih bahagian dari tong; Sebagai contoh, mungkin tidak ada pengenalan yang lebih kompleks daripada kereta memandu sendiri.

Teknik yang berkaitan dengan penglihatan mesin
Visi mesin istilah kadang -kadang dikhaskan untuk merujuk kepada kaedah matematik yang lebih canggih dan cekap yang dapat mengekstrak maklumat dari imej. Sebaliknya, istilah visi komputer biasanya menggambarkan sistem yang lebih moden dan berkomputasi-termasuk pendekatan hitam kotak hitam yang menggunakan pembelajaran mesin atau kecerdasan buatan (AI). Walau bagaimanapun, penglihatan mesin juga boleh digunakan sebagai istilah yang merangkumi semua yang merangkumi semua kaedah mengekstrak maklumat peringkat tinggi dari imej; Dalam kes ini, penglihatan komputer menerangkan teori operasi yang mendasari.
Teknik yang boleh mengekstrak makna peringkat tinggi dari imej berlimpah. Dalam komuniti penyelidikan, teknik sedemikian sering dianggap berbeza daripada penglihatan mesin. Walau bagaimanapun, pada hakikatnya, semuanya adalah cara yang berbeza untuk melaksanakan penglihatan mesin ... dan mereka bertindih dalam banyak kes.
Pemprosesan imej digital adalah satu bentuk pemprosesan isyarat digital yang melibatkan peningkatan imej, pemulihan, pengekodan dan pemampatan. Kelebihan ke atas pemprosesan imej analog adalah pengurangan bunyi dan herotan serta banyak algoritma yang tersedia. Salah satu jenis pertama peningkatan imej digunakan untuk membetulkan imej penutupan pertama permukaan bulan. Dalam proses ini, pemetaan photogrammetric serta penapis bunyi digunakan dan pembetulan dibuat untuk gangguan geometri yang disebabkan oleh penjajaran kamera pengimejan ke permukaan bulan.
Peningkatan imej digital biasanya melibatkan peningkatan kontras dan kemungkinan pembetulan geometri untuk melihat sudut dan lensa lensa. Mampatan sering dicapai dengan menghampiri isyarat kompleks sebagai gabungan fungsi kosinus-transformasi Fourier yang dikenali sebagai transformasi kosinus diskret (DCT). Format fail JPEG adalah aplikasi yang paling biasa dari DCT. Pemulihan imej juga boleh menggunakan transformasi Fourier untuk mengeluarkan bunyi dan kabur.
Photogrammetry menggunakan beberapa jenis pengiktirafan ciri untuk mengekstrak pengukuran dari imej. Pengukuran ini boleh merangkumi maklumat 3D apabila pelbagai imej adegan yang sama diperoleh dari lokasi yang berbeza. Sistem photogrammetric yang paling mudah menggunakan skala untuk mengukur jarak antara dua mata dalam imej. Untuk melakukan ini, sering kali perlu memasukkan skala rujukan yang diketahui dalam imej.
Pengesanan ciri membolehkan komputer mengenali tepi, sudut atau titik dalam imej. Ini adalah langkah pertama yang diperlukan untuk photogrammetry dan untuk mengiktiraf objek dan gerakan.Blob pengesanan mengenal pasti kawasan dengan tepi yang terlalu lancar untuk pengesanan tepi atau sudut.
Pengiktirafan corak digunakan untuk mengenali objek tertentu. Dalam kes yang paling mudah, ini mungkin bermakna mencari bahagian mekanikal khusus yang jelas pada tali pinggang penghantar.
Rekonstruksi 3D menentukan bentuk 3D objek dari imej 2D. Ciri ini dapat direalisasikan dengan kaedah photogrammetric. Dalam kes ini, ketinggian ciri umum (ditentukan dalam imej dari titik pemerhatian yang berbeza) ditentukan menggunakan triangulasi. Pembinaan semula 3D juga mungkin menggunakan imej 2D sahaja; Di sini, perisian ini juga menerangkan hubungan geometri antara tepi atau kawasan yang berlorek.
Manusia boleh membina semula kiub hanya dengan memprosesnya di otak mereka menggunakan lukisan garis - menggunakan lingkaran yang teduh untuk membina semula sfera. Teduhan menunjukkan cerun permukaan. Walau bagaimanapun, proses derivasi ini jauh lebih kompleks daripada yang mungkin difikirkan, kerana teduhan adalah parameter satu dimensi, manakala cerun berlaku dalam kes dua dimensi. Ini boleh membawa kepada situasi yang samar -samar - fakta yang disahkan oleh seni menggambarkan objek yang mustahil secara fizikal.
Bagaimana tugas penglihatan mesin disusun
Banyak sistem penglihatan mesin menggabungkan teknik di atas secara bertahap dengan memulakan dengan operasi peringkat rendah dan kemudian berkembang ke operasi peringkat tinggi. Di peringkat terendah, semua piksel imej disimpan sebagai data jalur lebar tinggi. Setiap operasi dalam urutan kemudian mengiktiraf ciri imej dan mewakili maklumat yang menarik dengan jumlah data yang agak kecil.
Yang pertama adalah operasi tahap rendah peningkatan imej dan pemulihan diikuti dengan pengesanan ciri. Oleh itu, dalam kes menggunakan pelbagai sensor, operasi peringkat rendah boleh dilakukan oleh proses yang diedarkan khusus untuk sensor individu. Sebaik sahaja ciri -ciri dikesan dalam imej individu, photogrammetry yang lebih maju boleh dilakukan - seperti pengiktirafan objek atau tugas lain yang bergantung kepada data gabungan dari pelbagai imej dan sensor.
Algoritma Pengiraan dan Pembelajaran Langsung
Dalam kes penglihatan mesin, pengiraan langsung adalah satu set fungsi matematik yang ditakrifkan oleh pengaturcara. Fungsi ini mengambil input seperti nilai piksel imej dan menghasilkan output seperti koordinat tepi objek. Sebaliknya, algoritma pembelajaran tidak ditulis secara langsung oleh manusia, tetapi dilatih pada dataset contoh yang menghubungkan input dengan output yang dikehendaki. Akibatnya, algoritma pembelajaran digunakan sebagai kotak hitam. Kebanyakan pembelajaran mesin sedemikian kini menggunakan pembelajaran mendalam berdasarkan rangkaian saraf buatan untuk pengiraan.
Pembelajaran mesin mudah untuk aplikasi perindustrian cenderung lebih dipercayai dan kurang berkomputer menuntut apabila berdasarkan pengiraan langsung. Sudah tentu, terdapat had untuk apa yang dapat dicapai melalui pengiraan langsung. Sebagai contoh, seseorang tidak boleh berharap untuk melakukan wajah untuk mengenali corak pengiktirafan lanjutan yang diperlukan, dan terutama bukan dari rakaman video di ruang awam yang sesak. Sebaliknya, pembelajaran mesin dapat mengendalikan aplikasi tersebut dengan mahir. Oleh itu, tidak menghairankan bahawa pembelajaran mesin semakin digunakan untuk operasi penglihatan mesin peringkat rendah, khususnya peningkatan imej, pemulihan, dan pengesanan ciri.
Kaedah pengajaran yang lebih baik (bukan algoritma)
Peningkatan kecanggihan teknik pembelajaran mendalam telah menjelaskan bahawa ia bukan algoritma pembelajaran sendiri yang perlu diperbaiki, tetapi cara algoritma dilatih. Satu prosedur latihan yang lebih baik dikenali sebagai penglihatan komputer yang berpusatkan data. Di sini, sistem pembelajaran yang mendalam menerima set latihan yang sangat mantap yang terdiri daripada ribuan, berjuta -juta, atau bahkan berbilion imej - dan kemudian menyimpan maklumat yang disintesis yang diekstrak dari setiap imej oleh algoritmanya. Algoritma ini belajar dengan cekap dengan menghubungkannya dengan contoh kerja, dan kemudian merujuk kepada "buku jawapan" untuk mengesahkan bahawa nilai yang betul telah diperolehi.
Terdapat kisah peringatan lama mengenai pengiktirafan corak digital. Tentera AS pernah bertujuan untuk menggunakan visi mesin untuk pengiktirafan sasaran, dan demonstrasi kontraktor pertahanan dengan pasti mengenal pasti tangki AS dan Rusia. Tangki dari pelbagai jenis boleh dibezakan dengan betul, satu demi satu, dari gambar udara pembekal. Walau bagaimanapun, apabila diuji lagi dengan perpustakaan imej Pentagon sendiri, sistem terus memberikan jawapan yang salah. Masalahnya adalah bahawa gambar kontraktor pertahanan semua menggambarkan tangki Amerika di padang pasir dan tangki Rusia di ladang hijau. Daripada mengenal pasti tangki yang berbeza, sistem mengenal pasti latar belakang berwarna yang berbeza. Apakah kriteria pengiktirafan? Algoritma pembelajaran memerlukan data latihan yang dikendalikan dengan teliti untuk berfungsi.
Kesimpulan: Visi yang selamat untuk kerja robot
Visi mesin bukan lagi teknologi khusus. Dalam pemacu semasa, sektor perindustrian adalah kawasan pertumbuhan terbesar untuk penyebaran penglihatan mesin. Pembangunan yang paling ketara di kawasan ini adalah bagaimana penglihatan mesin kini melengkapkan sistem keselamatan di loji perindustrian, iaitu, sistem yang membunyikan penggera atau memberikan pemberitahuan suara apabila pekerja memasuki kawasan kerja tanpa topi keledar, topeng, atau peralatan perlindungan yang sesuai. Visi mesin juga boleh digunakan dalam sistem yang berjaga -jaga apabila menggerakkan jentera, seperti forklift, terlalu dekat dengan kakitangan.
Sistem penglihatan mesin ini dan serupa kadang -kadang boleh menggantikan langkah -langkah perlindungan keras di sekitar robot perindustrian untuk menjadikan operasi lebih cekap. Sistem penglihatan mesin juga boleh menggantikan atau meningkatkan sistem keselamatan berdasarkan penjagaan cahaya yang menghentikan jentera apabila pekerja dikesan memasuki sel kerja. Apabila penglihatan mesin memantau lantai kilang di sekitar sel kerja, robot di sel itu berpotensi untuk melambatkan secara beransur -ansur ketika orang mendekati.
Oleh kerana reka bentuk persekitaran perindustrian berkembang untuk menampung robot kerjasama dan peralatan kerja lain yang membolehkan kakitangan loji berjalan dengan selamat (walaupun peralatan sedang berjalan), sistem berasaskan penglihatan mesin ini dan lain-lain akan menjadi sebahagian daripada proses tumbuhan.




