Daudzi ražošanas procesi darbojas, izmantojot fiksētas vai cietas automatizētas iekārtas, kas veic ražošanas uzdevumus ar ierobežotu sensoro ievadi. Sarežģītākiem lietojumiem vienkāršas kameras vai sensori var noteikt objekta klātbūtni, novietojumu, izmēru vai biezumu. Ja objekts ir sarežģītāks, tam ir mazāk ierobežojumu vai tas ir jānovērtē pēc tā izskata, var izmantot mašīnredzes risinājumu. Šajā emuāra ziņojumā tiks pārskatītas trīs lietojumprogrammas, lai gūtu ieskatu par mašīnredzes lomu uzlabotajā automatizācijā.
Daudzos ražošanas procesos objektu vai elementu skaitīšana bieži ir svarīga, lai nodrošinātu detaļu kvalitāti vai pārvaldītu krājumus. Lai gan tas var izklausīties triviāli, tas nav praktisks uzdevums cilvēkiem, ja ir iesaistīts liels datu apjoms. Lai šādus uzdevumus automatizētu ar mašīnredzes palīdzību, pirmais solis ir objektu segmentēšana, un to var atvieglot, pareizi piemērojot apgaismojuma un attēlveidošanas metodes.
Attēlu iegūšanas mērķis ir izgaismot un uzņemt objekta attēlu tādā veidā, kas uzlabo kontrastu starp nosakāmajām iezīmēm un fonu. Pēc tam tiek izmantota mašīnredzes programmatūra, lai segmentētu un noteiktu interesējošos līdzekļus vai objektus. Pēc tam katra atklātā objekta izmērītos atribūtus var izmantot, lai noteiktu tā kvalitāti vai identitāti.
Metinātās šuves porainības raksturojums
Kā piemēru ņemiet metinājuma porainības noteikšanu un novērtēšanu. Detaļas forma, mainīgās metinājuma kanāla kontūras un atstarojošās metāla virsmas padara vienmērīgu apgaismojumu par izaicinājumu. Par laimi, poras neatstaro daudz gaismas – tās izskatās tumšas.
Metinātajām šuvēm ir dažādas tumšas zonas, kuras var segmentēt ar mašīnu redzamību. Porām metinātajā šuvē ir raksturīgs izmēru diapazons un forma, ko var izmantot, lai ignorētu tumšos laukumus, kas neatbilst poru īpašībām. Kad porainība ir konstatēta, poru skaitu un blīvumu (skaits uz collu) metinātajā šuvē var izmantot, lai norādītu, vai metināšanas process ir pieņemams, vai ir nepieciešama operatora vai vadības sistēmas iejaukšanās.
Skaitīšanas caurules
Saistīts piemērs ir cauruļu skaita skaitīšana attēlā, kas uzņemts no kastes gala; krājumu kontrolei nepieciešama precīza skaitīšana. Izaicinājumi ietver mainīgu apgaismojumu un mainīgu attēla caurules galu perspektīvu. Caurules galu raksturo tā tumšais iekšpuse, ko ieskauj spilgta caurules sienas apļveida virsma.
Sadalot tumšo zonu ar paredzamā diametra apli, tiks atklāta lielākā daļa cauruļu. Tomēr ņemiet vērā, ka dažu cauruļu iekšpuses spožie atspīdumi kastes apakšas tuvumā — attēlu apstrādes darbības var apvienot šīs mazās funkcijas ar caurules iekšpuses reģioniem, lai nodrošinātu spēcīgu noteikšanu un skaitīšanu.
Sarežģītas formas bojājumu noteikšana
Apsveriet iespēju noteikt dzenskrūves lāpstiņu virsmas bojājumus. Bojājumi var būt no šaurām skrāpējumiem līdz lieliem nodiluma plankumiem; nav standartu, kas raksturotu paredzamo bojātās vietas izmēru vai formu. Turklāt propellera lāpstiņu sarežģītās formas rada izaicinājumu optimālam apgaismojumam, ko izmanto, lai uzlabotu bojājumu kontrastu.
Apgaismojuma konfigurācijā, kas izmantota vistālākajam (tumšākajam) attēlam, bojājumi bija tik tikko pamanāmi. Divi mainīgie apgaismojuma virzieni nodrošināja labu kontrastu starp bojātajām un nebojātajām asmeņu zonām, taču kontrasts mainījās starp abām konfigurācijām. Sakarā ar lokalizētajām virsmām un bojājuma virzienu attiecībā pret attēlveidošanas sistēmu dažādiem dzenskrūves lāpstiņas reģioniem būs atšķirīga reakcija, kā parādīts attēlā – tas nozīmē, ka nav vienas optimālas apgaismojuma konfigurācijas.
Bojājuma formas, izmēra un kontrasta lielā mainīguma pakāpe padara automātisku noteikšanu, izmantojot programmētas metodes, sarežģītu, kā tas izmantots metināšanas porainības un cauruļu skaitīšanas piemēros. Institūts izstrādāja pārbaudes sistēmu, izmantojot mašīnmācīšanās metodes. Konvolucionālais neironu tīkls (CNN) atpazīst potenciāli bojātās vietas attēlā. Sekundārais dziļais neironu tīkls klasificē attēlu kā bojājumu saturošu (vai nesaturošu), pamatojoties uz CNN ģenerētajām īpatnējām vērtībām. Šie tīkli tiek apmācīti, izmantojot lielu skaitu attēlu, kuros bojātās vietas ir identificētas manuāli.
Ārpus vienkrāsas redzes
Trīs iepriekš minētie piemēri ilustrē dažus vienkrāsas mašīnredzes lietojumus. Lietas kļūst vēl interesantākas, izmantojot krāsu kontrastu vai neredzamo spektra daļu. Piemēram, melnbaltās kameras ir jutīgas pret tuvu infrasarkano staru (NIR) viļņu garumiem, ļaujot izmantot vai noņemt funkcijas, kas parasti būtu neredzamas vai traucējošas, izmantojot vai noraidot šo joslu ar spektrālo filtru.
Standarta krāsu kamerās tiek izmantoti pārklājošie platjoslas sarkanie, zaļie un zilie filtri; šaurjoslas RGB LED apgaismotāju izmantošana platjoslas baltā apgaismojuma vietā uzlabo krāsu atšķirību. Daudzspektrālās kameras piedāvā ļoti jutīgu krāsu atšķiršanu salīdzinājumā ar krāsu kamerām un var ietvert NIR joslas. Dažu tinšu, krāsvielu un līmvielu fluorescējošās īpašības var izmantot, izmantojot UV starojumu ar atbilstošiem spektrālajiem filtriem. Un neaizmirstiet par polarizāciju! Infrasarkano staru attēlveidošanu (garo viļņu, vidējo viļņu, īsviļņu) var izmantot, lai izmērītu virsmas temperatūru, atklātu pazemes objektus/defektus, noteiktu ogļūdeņražu gāzes un daudz ko citu.