A gépi látás használata a fejlett automatizáláshoz

Apr 07, 2024 Hagyjon üzenetet

Számos gyártási folyamat olyan rögzített vagy kemény automatizált berendezésekkel működik, amelyek korlátozott szenzoros bemenettel hajtanak végre termelési feladatokat. Bonyolultabb alkalmazásokhoz egyszerű kamerák vagy érzékelők képesek érzékelni egy objektum jelenlétét, helyzetét, méretét vagy vastagságát. Ha az objektum összetettebb, kevesebb megkötéssel rendelkezik, vagy ki kell értékelni a megjelenését, akkor gépi látási megoldás alkalmazható. Ez a blogbejegyzés három alkalmazást tekint át, hogy betekintést nyerjen a gépi látás szerepébe a fejlett automatizálásban.

 

Számos gyártási folyamatban az objektumok vagy jellemzők számlálása gyakran fontos az alkatrészminőség biztosítása vagy a készletkezelés érdekében. Bár ez triviálisnak hangzik, ez nem gyakorlati feladat az emberek számára, ha nagy mennyiségű adatról van szó. Ahhoz, hogy az ilyen feladatok gépi látással automatizálhatóak legyenek, az első lépés a tárgyszegmentálás, amit a világítási és képalkotási technikák megfelelő alkalmazásával lehet elősegíteni.
 

A képalkotás célja az objektum megvilágítása és képének rögzítése oly módon, hogy fokozza a kontrasztot a detektálandó jellemzők és a háttér között. A gépi látószoftver ezután szegmentálja és észleli az érdeklődésre számot tartó jellemzőket vagy objektumokat. Az egyes észlelt objektumok mért attribútumai ezután felhasználhatók a minőség vagy az azonosság meghatározására.

 

A hegesztési varrat porozitásának jellemzése


Vegyük például a hegesztési varrat porozitásának kimutatását és értékelését. Az alkatrész formája, a hegesztési csatorna változó kontúrjai és a fényvisszaverő fémfelületek kihívást jelentenek az egyenletes megvilágításban. Szerencsére a pórusok nem verik vissza sok fényt – sötétnek tűnnek.


A hegesztési varratok sokféle sötét területtel rendelkeznek, amelyek gépi látásmóddal szegmentálhatók. A hegesztési varratban lévő pórusok mérete és alakja jellegzetes, így figyelmen kívül hagyható a sötét területek, amelyek nem egyeznek a pórusok jellemzőivel. A porozitás észlelése után a hegesztési varrat pórusainak száma és sűrűsége (szám/hüvelyk) használható annak jelzésére, hogy a hegesztési folyamat elfogadható-e, vagy szükség van-e a kezelő vagy a vezérlőrendszer beavatkozására.

 

Számláló csövek

 

Egy kapcsolódó példa a csövek számának megszámlálása egy láda végéről készített képen; A készletellenőrzés pontos számlálást igényel. A kihívások közé tartozik a változó megvilágítás és a csővégek változó perspektívája a képen. A csővéget sötét belseje jellemzi, amelyet a csőfal világos kör alakú felülete vesz körül.

 

Ha a sötét területet a várt átmérőjű körrel felosztja, akkor a legtöbb cső észlelhető. Ne feledje azonban, hogy néhány cső belsejének fényes visszaverődése a láda alja közelében – a képfeldolgozási műveletek egyesíthetik ezeket a kis jellemzőket a cső belső területeivel a robusztus észlelés és számlálás érdekében.

 

Komplex alaksérülések észlelése


Fontolja meg a légcsavarlapátok felületi sérüléseinek észlelését. A sérülés a keskeny karcoktól a nagy kopásfoltokig terjedhet; nincsenek szabványok a károsodott terület várható méretének vagy alakjának jellemzésére. Ezenkívül a légcsavarlapátok összetett formái kihívást jelentenek a sérülés kontrasztjának fokozására használt optimális megvilágítás terén.

 

A bal szélső (legsötétebb) képhez használt megvilágítási konfigurációban a sérülés alig volt észrevehető. A két váltakozó megvilágítási irány jó kontrasztot biztosított a sérült és sértetlen lapátterületek között, de a kontraszt átbillent a két konfiguráció között. A lokalizált felületek és a károsodás képalkotó rendszerhez viszonyított iránya miatt a légcsavar lapátjának különböző régiói különböző reakciókat mutatnak, ahogy az ábrán is látható – ami azt jelenti, hogy nincs egyetlen optimális megvilágítási konfiguráció.

 

A sérülés alakja, mérete és kontrasztja közötti nagyfokú változékonyság nagy kihívást jelent a programozott módszerekkel történő automatizált észlelést, ahogyan azt a hegesztési porozitás és a csőszámlálás példáiban használják. Az Intézet gépi tanulási technikák segítségével fejlesztette ki az ellenőrző rendszert. A konvolúciós neurális hálózat (CNN) felismeri a kép potenciálisan sérült területeit. Egy másodlagos mély neurális hálózat a CNN által generált sajátértékek alapján a képet sérülést tartalmazó (vagy nem tartalmazó) kategóriába sorolja. Ezeket a hálózatokat nagyszámú kép felhasználásával képezik ki, ahol a sérült területeket manuálisan azonosították.

 

A monokróm látáson túl

 

A fenti három példa néhány monokróm gépi látás alkalmazást mutat be. A dolgok még érdekesebbé válnak, ha színkontrasztot vagy a spektrum láthatatlan részét használjuk. Például a monokróm kamerák érzékenyek a közeli infravörös (NIR) hullámhosszokra, lehetővé téve az általában láthatatlan vagy zavaró jellemzők kihasználását vagy eltávolítását a sáv spektrális szűrővel történő használatával vagy elutasításával.

 

A szabványos színes kamerák átfedő szélessávú vörös, zöld és kék szűrőket használnak; a keskeny sávú RGB LED-es megvilágítók használata a szélessávú fehér megvilágítás helyett javítja a színek megkülönböztetését. A többspektrális kamerák a színes kamerákhoz képest rendkívül érzékeny színmegkülönböztetést kínálnak, és tartalmazhatnak NIR sávokat. Egyes tinták, színezékek és ragasztók fluoreszcens tulajdonságait UV besugárzással, megfelelő spektrális szűrőkkel lehet kihasználni. És ne felejtsd el a polarizációt! Az infravörös képalkotás (hosszúhullámú, középhullámú, rövidhullámú) felületi hőmérséklet mérésére, felszín alatti jellemzők/hibák kimutatására, szénhidrogéngázok kimutatására stb.

A szálláslekérdezés elküldése

whatsapp

Telefon

E-mailben

Vizsgálat