Mange produksjonsprosesser opererer ved hjelp av fast eller hardt automatisert utstyr som utfører produksjonsoppgaver med begrenset sensorisk input. For mer komplekse applikasjoner kan enkle kameraer eller sensorer oppdage tilstedeværelse, posisjon, størrelse eller tykkelse til et objekt. Når objektet er mer komplekst, har færre begrensninger eller må evalueres for utseende, kan en maskinsynsløsning brukes. Dette blogginnlegget vil gjennomgå tre applikasjoner for å få innsikt i rollen til maskinsyn i avansert automatisering.
I mange produksjonsprosesser er det ofte viktig å telle objekter eller funksjoner for å sikre kvaliteten på delene eller administrere beholdningen. Selv om dette kan høres trivielt ut, er det ikke en praktisk oppgave for mennesker når store mengder data er involvert. For at slike oppgaver skal automatiseres gjennom maskinsyn, er objektsegmentering det første trinnet, og dette kan tilrettelegges ved riktig bruk av lys- og bildeteknikker.
Målet med bildeinnsamling er å belyse og fange et bilde av objektet på en måte som øker kontrasten mellom funksjonene som skal oppdages og bakgrunnen. Maskinsynsprogramvare brukes deretter til å segmentere og oppdage funksjonene eller objektene av interesse. De målte attributtene til hvert oppdaget objekt kan deretter brukes til å bestemme kvaliteten eller identiteten.
Karakteriserende sveiseporøsitet
Ta påvisning og evaluering av sveiseporøsitet som et eksempel. Formen på delen, de variable konturene til sveisekanalen og reflekterende metalloverflater gjør jevn belysning en utfordring. Heldigvis reflekterer ikke porene mye lys – de ser mørke ut.
Sveiser har en rekke mørke områder som kan segmenteres etter maskinsyn. Porene i sveisen har et karakteristisk størrelsesområde og form som kan brukes til å ignorere mørke områder som ikke samsvarer med egenskapene til porene. Når porøsitet er oppdaget, kan antall og tetthet av porer (antall per tomme) i sveisen brukes til å indikere om sveiseprosessen er akseptabel eller om operatør- eller kontrollsystemintervensjon er nødvendig.
Tellerør
Et relatert eksempel er å telle antall rør i et bilde tatt fra enden av en kasse; lagerkontroll krever nøyaktig telling. Utfordringer inkluderer variabel belysning og variabelt perspektiv på rørendene i bildet. Rørenden er preget av sitt mørke indre omgitt av den lyse sirkulære overflaten av rørveggen.
Å dele det mørke området med en sirkel med forventet diameter vil oppdage de fleste rørene. Vær imidlertid oppmerksom på de lyse refleksjonene av noen av rørets indre nær bunnen av kassen - bildebehandlingsoperasjoner kan slå sammen disse små funksjonene med rørets indre områder for robust deteksjon og telling.
Oppdager kompleks formskade
Vurder å oppdage overflateskade på propellbladene. Skadene kan variere fra trange riper til store slitasjeflekker; det er ingen standarder for å karakterisere forventet størrelse eller form på det skadede området. I tillegg utgjør de komplekse formene til propellbladene en utfordring for den optimale belysningen som brukes for å forbedre skadekontrasten.
I belysningskonfigurasjonen som ble brukt for det (mørkeste) bildet lengst til venstre, var skaden knapt merkbar. De to vekslende belysningsretningene ga god kontrast mellom skadede og uskadede bladområder, men kontrasten vekslet mellom de to konfigurasjonene. På grunn av de lokaliserte overflatene og skaderetningen i forhold til avbildningssystemet, vil forskjellige regioner av propellbladet vise forskjellig respons som vist - noe som betyr at det ikke er en enkelt optimal belysningskonfigurasjon.
Den høye graden av variasjon mellom skadeform, størrelse og kontrast gjør automatisert deteksjon ved bruk av programprogrammerte metoder utfordrende, som brukt i eksemplene på sveiseporøsitet og rørtelling. Instituttet utviklet inspeksjonssystemet ved hjelp av maskinlæringsteknikker. Et konvolusjonelt nevralt nettverk (CNN) gjenkjenner potensielt skadede områder i et bilde. Et sekundært dypt nevralt nettverk klassifiserer bildet som å inneholde (eller ikke inneholde) skade basert på egenverdiene generert av CNN. Disse nettverkene trenes ved hjelp av et stort antall bilder hvor de skadede områdene er identifisert manuelt.
Beyond Monochrome Vision
De tre eksemplene ovenfor illustrerer noen monokrome maskinsynsapplikasjoner. Ting blir enda mer interessant når du bruker fargekontrast eller bruker den usynlige delen av spekteret. For eksempel er monokrome kameraer følsomme for nær-infrarøde (NIR) bølgelengder, slik at funksjoner som normalt ville være usynlige eller distraherende kan utnyttes eller fjernes ved å bruke eller avvise det båndet med et spektralfilter.
Standard fargekameraer bruker overlappende røde, grønne og blå bredbåndsfiltre; bruk av smalbånds RGB LED-lys i stedet for hvit bredbåndsbelysning forbedrer fargediskrimineringen. Multispektrale kameraer tilbyr svært sensitiv fargediskriminering sammenlignet med fargekameraer og kan inkludere NIR-bånd. De fluorescerende egenskapene til visse blekk, fargestoffer og lim kan utnyttes ved å bruke UV-bestråling med passende spektralfiltre. Og ikke glem polarisering! Infrarød avbildning (langbølge, midtbølge, kortbølge) kan brukes til å måle overflatetemperaturer, oppdage trekk/defekter under overflaten, oppdage hydrokarbongasser og mer.