Sådan bruger du maskinsyn til avanceret automatisering

Apr 07, 2024 Læg en besked

Mange fremstillingsprocesser fungerer ved hjælp af fast eller hårdt automatiseret udstyr, der udfører produktionsopgaver med begrænset sensorisk input. Til mere komplekse applikationer kan simple kameraer eller sensorer registrere tilstedeværelsen, positionen, størrelsen eller tykkelsen af ​​et objekt. Når objektet er mere komplekst, har færre begrænsninger eller skal evalueres for sit udseende, kan en maskinsynsløsning anvendes. Dette blogindlæg vil gennemgå tre applikationer for at få indsigt i maskinens visions rolle i avanceret automatisering.

 

I mange fremstillingsprocesser er det ofte vigtigt at tælle objekter eller funktioner for at sikre delkvalitet eller styre lagerbeholdningen. Selvom dette kan lyde trivielt, er det ikke en praktisk opgave for mennesker, når store mængder data er involveret. For at sådanne opgaver skal automatiseres gennem maskinsyn, er objektsegmentering det første skridt, og dette kan lettes ved korrekt anvendelse af belysnings- og billedbehandlingsteknikker.
 

Målet med billedoptagelse er at belyse og fange et billede af objektet på en måde, der øger kontrasten mellem de funktioner, der skal detekteres, og baggrunden. Machine vision-software bruges derefter til at segmentere og detektere funktionerne eller objekterne af interesse. De målte attributter for hvert detekteret objekt kan derefter bruges til at bestemme dets kvalitet eller identitet.

 

Karakteriserende svejseporøsitet


Tag påvisning og evaluering af svejseporøsitet som et eksempel. Formen på delen, de variable konturer af svejsekanalen og reflekterende metaloverflader gør ensartet belysning til en udfordring. Heldigvis reflekterer porerne ikke meget lys – de ser mørke ud.


Svejsninger har en række mørke områder, der kan segmenteres efter maskinsyn. Porer i svejsningen har et karakteristisk størrelsesområde og form, der kan bruges til at ignorere mørke områder, der ikke matcher porernes egenskaber. Når først porøsitet er detekteret, kan antallet og tætheden af ​​porer (antal pr. tomme) i svejsningen bruges til at indikere, om svejseprocessen er acceptabel, eller om operatør- eller kontrolsystemintervention er påkrævet.

 

Tællerør

 

Et relateret eksempel er at tælle antallet af rør i et billede taget fra enden af ​​en kasse; lagerstyring kræver nøjagtig optælling. Udfordringerne omfatter variabel belysning og variabelt perspektiv af rørenderne i billedet. Rørenden er karakteriseret ved dens mørke indre omgivet af den lyse cirkulære overflade af rørvæggen.

 

Opdeling af det mørke område med en cirkel med den forventede diameter vil opdage de fleste af rørene. Bemærk dog, at de lyse refleksioner af nogle af rørets indre nær bunden af ​​kassen - billedbehandlingsoperationer kan kombinere disse små funktioner med rørets indre områder for robust detektion og tælling.

 

Registrering af kompleks formbeskadigelse


Overvej at opdage overfladeskader på propelbladene. Skader kan variere fra smalle ridser til store slidpletter; der er ingen standarder til at karakterisere den forventede størrelse eller form af det beskadigede område. Derudover udgør de komplekse former af propelblade en udfordring for den optimale belysning, der bruges til at forbedre skadekontrasten.

 

I den belysningskonfiguration, der blev brugt til det (mørkeste) billede længst til venstre, var skaden næsten ikke synlig. De to alternerende belysningsretninger gav god kontrast mellem beskadigede og ubeskadigede bladområder, men kontrasten vendte mellem de to konfigurationer. På grund af de lokaliserede overflader og retningen af ​​skade i forhold til billeddannelsessystemet, vil forskellige områder af propelbladet udvise forskellige reaktioner som vist - hvilket betyder, at der ikke er en enkelt optimal belysningskonfiguration.

 

Den høje grad af variation mellem skadesform, størrelse og kontrast gør automatiseret detektion ved hjælp af programprogrammerede metoder udfordrende, som det er brugt i eksemplerne på svejseporøsitet og rørtælling. Instituttet udviklede inspektionssystemet ved hjælp af maskinlæringsteknikker. Et konvolutionelt neuralt netværk (CNN) genkender potentielt beskadigede områder i et billede. Et sekundært dybt neuralt netværk klassificerer billedet som indeholdende (eller ikke indeholdende) skade baseret på egenværdierne genereret af CNN. Disse netværk trænes ved hjælp af et stort antal billeder, hvor de beskadigede områder er blevet identificeret manuelt.

 

Mere end Monokrom Vision

 

De tre eksempler ovenfor illustrerer nogle monokrome maskinsynsapplikationer. Tingene bliver endnu mere interessante, når du bruger farvekontrast eller bruger den usynlige del af spektret. For eksempel er monokrome kameraer følsomme over for nær-infrarøde (NIR) bølgelængder, hvilket tillader funktioner, der normalt ville være usynlige eller distraherende, at blive udnyttet eller fjernet ved at bruge eller afvise det bånd med et spektralfilter.

 

Standard farvekameraer bruger overlappende bredbåndsfiltre i rødt, grønt og blåt; Brug af smalbånds RGB LED-lys i stedet for hvid bredbåndsbelysning forbedrer farvediskrimination. Multispektrale kameraer tilbyder meget følsom farvediskrimination sammenlignet med farvekameraer og kan inkludere NIR-bånd. De fluorescerende egenskaber af visse blæk, farvestoffer og klæbemidler kan udnyttes ved at bruge UV-bestråling med passende spektralfiltre. Og glem ikke polarisering! Infrarød billeddannelse (langbølge, midtbølge, kortbølge) kan bruges til at måle overfladetemperaturer, detektere underjordiske træk/defekter, detektere kulbrintegasser og mere.

Send forespørgsel

whatsapp

Telefon

E-mail

Undersøgelse