1. Veiledning og posisjonering
Visuell posisjonering krever maskinsynssystemer for raskt og nøyaktig å lokalisere målkomponenter og bekrefte deres posisjoner. Maskinsyn brukes for posisjonering under lasting og lossing, og styrer robotarmer for å gripe gjenstander nøyaktig. I halvlederemballasje justerer utstyr oppsamlingshoder- basert på brikkeplasseringsdata innhentet gjennom maskinsyn for nøyaktig å plukke opp brikker for liming. Dette representerer den mest grunnleggende anvendelsen av visuell posisjonering i industriell maskinsyn.
Automation Expo: I applikasjoner som kombinerer maskinsyn med robotikk, er robotveiledningsposisjonering den mest utbredte. For slike scenarier har Hikvision Robotics og partnerne implementert en rekke vellykkede tilfeller og modne løsninger. Robotposisjoneringsveiledning kan grovt kategoriseres i tre moduser:
Den første modusen er den faste kamerakonfigurasjonen, der kameraet forblir stasjonært på utstyrsrammen uten å bevege seg med roboten. Fra venstre til høyre er disse: gripeoperasjonen, gripeforskyvningsoperasjonen og plasseringsoperasjonen. I gripe-scenarioet tar kameraet bilder av innkommende materialer og utfører grov posisjonering. Disse posisjoneringsdataene overføres til roboten, slik at den kan gripe materialene nøyaktig. Denne tilnærmingen reduserer avhengigheten av presisjonen til overføringsmekanismen mellom arbeidsstasjoner samtidig som den sikrer stabilt grep. Offset-korreksjonsmodusen bruker et nedre kamera montert på motsatt side av robotarmen for sekundær presisjonsposisjonering av arbeidsstykket. Dette reduserer vesentlig materialavvik, og sikrer målrettet behandling for hver innkommende del. Plasseringsmodusen omfatter et bredt spekter av operasjoner-fra enkel plassering til justering og montering-ved å bruke kameraet til å finne den endelige målposisjonen. Kombinert med de to foregående modusene, oppnår dette virkelig målrettet bearbeiding for hvert arbeidsstykke.
To bevegelseskameramoduser involverer montering av kameraet på toppen av robotarmen for synkronisert bevegelse. Selv om det er forskjellig fra den faste kameramodusen beskrevet ovenfor, konvergerer både faste og bevegelige kameramoduser funksjonelt, noe som muliggjør posisjonering/gripende og veiledet plassering. Utover å sikre kjernefunksjonalitet, tilbyr disse modusene større installasjonsfleksibilitet for å imøtekomme ulike miljø- og maskinvarebegrensninger.
For å forbedre maskinvaretilpasningen på tvers av ulike installasjonsscenarier, kan faste og bevegelige kameramoduser kombineres, som illustrert i figur 3.
I halvlederproduksjon utgjør det betydelige utfordringer å justere brikkeposisjonering for oppsamlingshoder.- Machine vision løser dette ved å muliggjøre presis chip-henting og bonding-en grunnleggende applikasjon som driver bruken på tvers av industrisektorer.
2. Utseendeinspeksjon
Denne prosessen oppdager kvalitetsproblemer i produkter på produksjonslinjer og representerer området der manuell arbeidskraft oftest erstattes. I farmasøytisk sektor, for eksempel, håndterer maskinsyn primært dimensjonsinspeksjon, påvisning av flaskeoverflatedefekter, påvisning av skulderdefekter og inspeksjon av flaskemunn.
Med utviklingen av moderne industriell automatisering, er maskinsynsinspeksjon mye brukt på ulike kontroller, målinger og delergjenkjenningsoppgaver. Eksempler inkluderer påvisning av overflatedefekter på infrarøde avskjæringsfiltre, modellidentifikasjon av bilhjul, påvisning av utseendedefekter på magnetiske materialer og strekkode-/tegngjenkjenning på produktemballasje. Disse applikasjonene deler de vanlige egenskapene til kontinuerlig masseproduksjon og ekstremt høye krav til utseendekvalitet.
Vanligvis kan slike svært repeterende og intelligente oppgaver bare utføres gjennom manuell inspeksjon. Det er vanlig å se hundrevis eller til og med tusenvis av inspeksjonsarbeidere utføre disse oppgavene bak moderne samlebånd i fabrikker. Denne tilnærmingen påfører ikke bare betydelige arbeids- og ledelseskostnader på fabrikkene, men klarer heller ikke å garantere en 100 % bestått inspeksjonsrate. Maskinsynsinspeksjon, med automatisering, objektivitet, kontaktfri natur og høy presisjon, er nå fullt i stand til å erstatte manuelt arbeid for disse monotone, repeterende oppgavene. Sammenlignet med generelle bildebehandlingssystemer, legger maskinsynsinspeksjon vekt på nøyaktighet, hastighet og pålitelighet i industrielle miljøer.
Etter hvert som de økonomiske standardene stiger, får maskinsynsinspeksjon stadig større fremtreden. Det forbedrer produksjonskapasiteten for kvalifiserte produkter samtidig som det eliminerer substandard varer tidlig i produksjonsprosessen, og reduserer dermed avfall og reduserer kostnadene.
3. Høy-presisjonsinspeksjon
Enkelte produkter krever ekstrem presisjon-som når 0,01 til 0,02 mm eller til og med mikron-nivånøyaktighet-utover menneskelige visuelle evner, noe som krever maskinbasert-inspeksjon.
I produksjonen og dagliglivet krever hvert produkt kvalitetsverifisering og et samsvarssertifikat. Det er allment anerkjent at inspeksjon representerer den mest omfattende bruken av maskinsyn. Før utviklingen av maskinsynsteknologi sto manuell visuell inspeksjon ofte overfor betydelige utfordringer: lav nøyaktighet, mottakelighet for feil, manglende evne til å operere kontinuerlig, tretthetsutsatte-operatører og for høye tids- og arbeidskostnader. Den utbredte bruken av maskinsyn har drevet produktproduksjon og inspeksjon inn i en svært automatisert æra.
De mest typiske eksemplene inkluderer myntkarakterinspeksjon og kretskortinspeksjon. I tillegg krever inspeksjonen av Renminbi-myntproduksjonsprosesser eksepsjonelt høy presisjon, som involverer en rekke inspeksjonsenheter og komplekse prosedyrer. Andre bruksområder inkluderer inspeksjon av maskinsynsposisjonering, verifisering av kvaliteten og defektene til flaskekorker for drikke, gjenkjenning og gjenkjenning av strekkodetegn, inspeksjon av glassflaskedefekter og inspeksjon av farmasøytisk glassflaske. Det medisinske feltet er også et av de primære bruksområdene for maskinsyn.
4. Anerkjennelse
Bildegjenkjenning innebærer å behandle, analysere og tolke bilder gjennom maskinsyn for å identifisere ulike mønstre og objekter. Dette muliggjør sporbarhet og innsamling av data, og finner omfattende anvendelse i bilkomponenter, mat, farmasøytiske produkter og andre sektorer.
Det mest typiske eksemplet er QR-kodegjenkjenning. QR-koder og strekkoder er allestedsnærværende i dagliglivet. Produsenter legger inn omfattende data i disse kompakte kodene for produktadministrasjon og sporbarhet. Etter hvert som bildegjenkjenningen for maskinsyn utvides, blir strekkoder på forskjellige overflater lett lesbare og gjenkjennelige, noe som øker moderniseringsnivåene, øker produksjonseffektiviteten betydelig og reduserer produksjonskostnadene gradvis.
5. Objektsortering
Innen maskinsynsapplikasjoner følger objektsortering gjenkjennings- og inspeksjonsstadier. Ved å behandle bilder gjennom maskinsynssystemer og integrere robotarmer, sorteres produktene.
Tradisjonelle produksjonslinjer var avhengige av manuell plassering av materialer i sprøytestøpemaskiner før de fortsatte til påfølgende prosesser. I dag håndterer automatisert utstyr materialdistribusjon. Maskinsynssystemer fanger produktbilder, analyserer dem og gir resultater. Roboter plasserer deretter tilsvarende materialer i utpekte posisjoner, og oppnår intelligent, moderne og automatisert industriell produksjon.