بسیاری از فرآیندهای تولید با استفاده از تجهیزات خودکار ثابت یا سخت که وظایف تولید را با ورودی حسی محدود انجام می دهند، عمل می کنند. برای کاربردهای پیچیده تر، دوربین ها یا حسگرهای ساده می توانند حضور، موقعیت، اندازه یا ضخامت یک شی را تشخیص دهند. هنگامی که جسم پیچیده تر است، محدودیت های کمتری دارد، یا نیاز به ارزیابی ظاهری دارد، می توان از راه حل بینایی ماشین استفاده کرد. این پست وبلاگ سه برنامه کاربردی را برای به دست آوردن بینش در مورد نقش بینایی ماشین در اتوماسیون پیشرفته بررسی می کند.
در بسیاری از فرآیندهای تولید، شمارش اشیا یا ویژگی ها اغلب برای اطمینان از کیفیت قطعه یا مدیریت موجودی مهم است. اگرچه این ممکن است پیش پا افتاده به نظر برسد، اما زمانی که حجم زیادی از داده ها درگیر می شوند، برای انسان ها یک کار عملی نیست. برای اینکه چنین کارهایی از طریق بینایی ماشین به طور خودکار انجام شوند، بخش بندی اشیا اولین قدم است و این می تواند با استفاده مناسب از تکنیک های نورپردازی و تصویربرداری تسهیل شود.
هدف از اکتساب تصویر، روشن کردن و گرفتن تصویر از شیء به گونهای است که کنتراست بین ویژگیهای قابل شناسایی و پسزمینه را افزایش دهد. سپس از نرم افزار بینایی ماشین برای بخش بندی و شناسایی ویژگی ها یا اشیاء مورد علاقه استفاده می شود. سپس می توان از ویژگی های اندازه گیری شده هر شی شناسایی شده برای تعیین کیفیت یا هویت آن استفاده کرد.
مشخص کردن تخلخل جوش
به عنوان مثال تشخیص و ارزیابی تخلخل جوش را در نظر بگیرید. شکل قطعه، خطوط متغیر کانال جوش و سطوح فلزی انعکاسی نور یکنواخت را به چالشی تبدیل می کند. خوشبختانه، منافذ نور زیادی را منعکس نمی کنند - آنها تیره به نظر می رسند.
جوش ها دارای نواحی تاریک مختلفی هستند که می توان آنها را با بینایی ماشین تقسیم کرد. منافذ در جوش دارای محدوده اندازه و شکل مشخصی هستند که می توان از آن برای نادیده گرفتن نواحی تیره که با ویژگی های منافذ مطابقت ندارند استفاده کرد. هنگامی که تخلخل تشخیص داده شد، می توان از تعداد و چگالی منافذ (تعداد در اینچ) در جوش برای نشان دادن اینکه آیا فرآیند جوشکاری قابل قبول است یا اینکه آیا اپراتور یا مداخله سیستم کنترل مورد نیاز است، استفاده کرد.
لوله های شمارش
یک مثال مرتبط، شمارش تعداد لوله ها در یک تصویر گرفته شده از انتهای جعبه است. کنترل موجودی نیاز به شمارش دقیق دارد. چالش ها شامل روشنایی متغیر و پرسپکتیو متغیر انتهای لوله در تصویر است. مشخصه انتهای لوله داخلی تاریک آن است که توسط سطح دایره ای روشن دیواره لوله احاطه شده است.
تقسیم ناحیه تاریک با دایره ای به قطر مورد انتظار، بیشتر لوله ها را شناسایی می کند. توجه داشته باشید، با این حال، انعکاس روشن برخی از فضای داخلی لوله در نزدیکی پایین جعبه - عملیات پردازش تصویر می تواند این ویژگی های کوچک را با مناطق داخلی لوله برای تشخیص و شمارش قوی ادغام کند.
تشخیص آسیب شکل پیچیده
تشخیص آسیب سطحی تیغه های پروانه را در نظر بگیرید. آسیب می تواند از خراش های باریک تا نقاط سایش بزرگ متغیر باشد. هیچ استانداردی برای مشخص کردن اندازه یا شکل مورد انتظار ناحیه آسیب دیده وجود ندارد. علاوه بر این، اشکال پیچیده تیغه های پروانه چالشی را برای روشنایی بهینه مورد استفاده برای افزایش کنتراست آسیب ایجاد می کند.
در پیکربندی نور استفاده شده برای سمت چپ ترین (تاریک ترین) تصویر، آسیب به سختی قابل درک بود. دو جهت نور متناوب کنتراست خوبی را بین نواحی تیغه آسیبدیده و سالم ایجاد میکنند، اما کنتراست بین دو پیکربندی تغییر میکند. با توجه به سطوح موضعی و جهت آسیب نسبت به سیستم تصویربرداری، مناطق مختلف تیغه پروانه پاسخهای متفاوتی را نشان میدهند - به این معنی که هیچ پیکربندی روشنایی بهینه واحدی وجود ندارد.
درجه بالایی از تنوع بین شکل آسیب، اندازه و کنتراست، تشخیص خودکار با استفاده از روشهای برنامهریزیشده را چالش برانگیز میکند، همانطور که در نمونههای تخلخل جوش و شمارش لوله استفاده میشود. این موسسه سیستم بازرسی را با استفاده از تکنیک های یادگیری ماشین توسعه داد. یک شبکه عصبی کانولوشن (CNN) مناطق آسیب دیده بالقوه را در یک تصویر تشخیص می دهد. یک شبکه عصبی عمیق ثانویه، تصویر را بر اساس مقادیر ویژه تولید شده توسط CNN به عنوان دارای آسیب (یا بدون) طبقه بندی می کند. این شبکه ها با استفاده از تعداد زیادی تصویر آموزش داده می شوند که مناطق آسیب دیده به صورت دستی شناسایی شده اند.
فراتر از دید تک رنگ
سه مثال بالا برخی از کاربردهای ماشین بینایی تک رنگ را نشان می دهد. هنگام استفاده از کنتراست رنگ یا استفاده از بخش نامرئی طیف، چیزها جالب تر می شوند. برای مثال، دوربینهای تک رنگ به طولموجهای مادون قرمز نزدیک (NIR) حساس هستند و به ویژگیهایی که معمولاً نامرئی یا منحرفکننده هستند، با استفاده یا رد آن باند با فیلتر طیفی، سوءاستفاده یا حذف میشوند.
دوربینهای رنگی استاندارد از فیلترهای باند پهن قرمز، سبز و آبی استفاده میکنند. استفاده از روشنگرهای LED RGB باند باریک به جای روشنایی سفید باند پهن، تشخیص رنگ را بهبود می بخشد. دوربین های چند طیفی در مقایسه با دوربین های رنگی، تشخیص رنگ بسیار حساس را ارائه می دهند و می توانند شامل باندهای NIR باشند. با استفاده از تابش اشعه ماوراء بنفش با فیلترهای طیفی مناسب می توان از خواص فلورسنت جوهرها، رنگ ها و چسب های خاص استفاده کرد. و قطبی شدن را فراموش نکنید! تصویربرداری مادون قرمز (موج بلند، موج میانی، موج کوتاه) را می توان برای اندازه گیری دمای سطح، تشخیص ویژگی ها/عیوب زیرسطحی، تشخیص گازهای هیدروکربنی و موارد دیگر مورد استفاده قرار داد.