Banyak proses pembuatan beroperasi menggunakan peralatan automatik tetap atau keras yang melaksanakan tugas pengeluaran dengan input deria yang terhad. Untuk aplikasi yang lebih kompleks, kamera atau penderia ringkas boleh mengesan kehadiran, kedudukan, saiz atau ketebalan objek. Apabila objek lebih kompleks, mempunyai lebih sedikit kekangan, atau perlu dinilai untuk penampilannya, penyelesaian penglihatan mesin boleh digunakan. Catatan blog ini akan menyemak tiga aplikasi untuk mendapatkan pandangan tentang peranan penglihatan mesin dalam automasi lanjutan.
Dalam kebanyakan proses pembuatan, mengira objek atau ciri selalunya penting untuk memastikan kualiti bahagian atau mengurus inventori. Walaupun ini mungkin kedengaran remeh, ia bukanlah tugas praktikal untuk manusia apabila sejumlah besar data terlibat. Untuk tugasan sedemikian diautomasikan melalui penglihatan mesin, pembahagian objek adalah langkah pertama, dan ini boleh difasilitasi dengan penggunaan teknik pencahayaan dan pengimejan yang betul.
Matlamat pemerolehan imej adalah untuk menerangi dan menangkap imej objek dengan cara yang meningkatkan kontras antara ciri yang akan dikesan dan latar belakang. Perisian penglihatan mesin kemudiannya digunakan untuk membahagikan dan mengesan ciri atau objek yang diminati. Atribut yang diukur bagi setiap objek yang dikesan kemudiannya boleh digunakan untuk menentukan kualiti atau identitinya.
Mencirikan keliangan kimpalan
Ambil pengesanan dan penilaian keliangan kimpalan sebagai contoh. Bentuk bahagian, kontur pembolehubah saluran kimpalan, dan permukaan logam pemantulan menjadikan pencahayaan seragam sebagai satu cabaran. Nasib baik, liang tidak memantulkan banyak cahaya - ia kelihatan gelap.
Kimpalan mempunyai pelbagai kawasan gelap yang boleh dibahagikan mengikut penglihatan mesin. Liang dalam kimpalan mempunyai julat saiz dan bentuk ciri yang boleh digunakan untuk mengabaikan kawasan gelap yang tidak sepadan dengan ciri pori. Setelah keliangan dikesan, bilangan dan ketumpatan liang (bilangan per inci) dalam kimpalan boleh digunakan untuk menunjukkan sama ada proses kimpalan boleh diterima atau sama ada pengendali atau campur tangan sistem kawalan diperlukan.
Mengira Tiub
Contoh yang berkaitan ialah mengira bilangan tiub dalam imej yang ditangkap dari hujung peti; kawalan inventori memerlukan pengiraan yang tepat. Cabaran termasuk pencahayaan berubah-ubah dan perspektif berubah-ubah hujung tiub dalam imej. Hujung tiub dicirikan oleh bahagian dalam gelap yang dikelilingi oleh permukaan bulat terang dinding tiub.
Memisahkan kawasan gelap dengan bulatan diameter yang dijangkakan akan mengesan kebanyakan tiub. Walau bagaimanapun, ambil perhatian, pantulan terang beberapa bahagian dalam tiub berhampiran bahagian bawah peti - operasi pemprosesan imej boleh menggabungkan ciri kecil ini dengan kawasan dalaman tiub untuk pengesanan dan pengiraan yang mantap.
Mengesan Kerosakan Bentuk Kompleks
Pertimbangkan untuk mengesan kerosakan permukaan pada bilah kipas. Kerosakan boleh berkisar daripada calar sempit kepada bintik haus yang besar; tiada piawaian untuk mencirikan saiz atau bentuk yang dijangkakan bagi kawasan yang rosak. Selain itu, bentuk bilah kipas yang kompleks memberikan cabaran kepada pencahayaan optimum yang digunakan untuk meningkatkan kontras kerosakan.
Dalam konfigurasi pencahayaan yang digunakan untuk imej paling kiri (paling gelap), kerosakan hampir tidak dapat dilihat. Kedua-dua arah pencahayaan berselang-seli memberikan kontras yang baik antara kawasan bilah yang rosak dan tidak rosak, tetapi kontras bertukar antara dua konfigurasi. Disebabkan oleh permukaan setempat dan arah kerosakan berbanding sistem pengimejan, kawasan berbeza bilah kipas akan mempamerkan tindak balas yang berbeza seperti yang ditunjukkan - bermakna tiada konfigurasi pencahayaan optimum tunggal.
Tahap kebolehubahan yang tinggi antara bentuk kerosakan, saiz dan kontras menjadikan pengesanan automatik menggunakan kaedah program-program mencabar, seperti yang digunakan dalam keliangan kimpalan dan contoh pengiraan tiub. Institut membangunkan sistem pemeriksaan menggunakan teknik pembelajaran mesin. Rangkaian saraf konvolusional (CNN) mengenali kawasan yang berpotensi rosak dalam imej. Rangkaian saraf dalam sekunder mengklasifikasikan imej sebagai mengandungi (atau tidak mengandungi) kerosakan berdasarkan nilai eigen yang dijana oleh CNN. Rangkaian ini dilatih menggunakan sejumlah besar imej di mana kawasan yang rosak telah dikenal pasti secara manual.
Di luar Penglihatan Monokrom
Tiga contoh di atas menggambarkan beberapa aplikasi penglihatan mesin monokrom. Perkara menjadi lebih menarik apabila menggunakan kontras warna atau menggunakan bahagian spektrum yang tidak kelihatan. Sebagai contoh, kamera monokrom sensitif kepada panjang gelombang inframerah-hampir (NIR), membenarkan ciri yang biasanya tidak kelihatan atau mengganggu untuk dieksploitasi atau dialih keluar dengan menggunakan atau menolak jalur itu dengan penapis spektrum.
Kamera warna standard menggunakan penapis jalur lebar bertindih merah, hijau dan biru; menggunakan iluminator LED RGB jalur sempit dan bukannya pencahayaan putih jalur lebar meningkatkan diskriminasi warna. Kamera berbilang spektrum menawarkan diskriminasi warna yang sangat sensitif berbanding dengan kamera warna dan boleh termasuk jalur NIR. Sifat pendarfluor dakwat, pewarna dan pelekat tertentu boleh dieksploitasi dengan menggunakan penyinaran UV dengan penapis spektrum yang sesuai. Dan jangan lupa polarisasi! Pengimejan inframerah (gelombang panjang, gelombang tengah, gelombang pendek) boleh digunakan untuk mengukur suhu permukaan, mengesan ciri/kecacatan bawah permukaan, mengesan gas hidrokarbon dan banyak lagi.