Paljud tootmisprotsessid töötavad fikseeritud või kõvasti automatiseeritud seadmete abil, mis täidavad tootmisülesandeid piiratud sensoorse sisendiga. Keerulisemate rakenduste puhul suudavad lihtsad kaamerad või andurid tuvastada objekti olemasolu, asukoha, suuruse või paksuse. Kui objekt on keerulisem, sellel on vähem piiranguid või kui selle välimust tuleb hinnata, saab rakendada masinnägemislahendust. See ajaveebi postitus käsitleb kolme rakendust, et saada ülevaade masinnägemise rollist täiustatud automatiseerimises.
Paljudes tootmisprotsessides on osade kvaliteedi tagamiseks või laoseisu haldamiseks sageli oluline objektide või funktsioonide loendamine. Kuigi see võib tunduda triviaalne, ei ole see inimeste jaoks praktiline ülesanne, kui tegemist on suurte andmemahtudega. Selliste ülesannete automatiseerimiseks masinnägemise kaudu on esimene samm objektide segmenteerimine ja seda saab hõlbustada valgustus- ja pildistamistehnikate õige rakendamine.
Kujutise omandamise eesmärk on valgustada ja jäädvustada objekti kujutis viisil, mis suurendab tuvastatavate tunnuste ja tausta kontrasti. Seejärel kasutatakse masinnägemise tarkvara huvipakkuvate funktsioonide või objektide segmenteerimiseks ja tuvastamiseks. Seejärel saab iga tuvastatud objekti mõõdetud atribuute kasutada selle kvaliteedi või identiteedi määramiseks.
Iseloomustab keevisõmbluse poorsust
Võtke näiteks keevisõmbluse poorsuse tuvastamine ja hindamine. Detaili kuju, keeviskanali muutuvad kontuurid ja peegeldavad metallpinnad muudavad ühtlase valgustuse väljakutseks. Õnneks ei peegelda poorid kuigi palju valgust – tunduvad tumedad.
Keevisõmblustel on mitmesuguseid tumedaid alasid, mida saab masinnägemise abil segmenteerida. Keevisõmbluses olevatel pooridel on iseloomulik suurusvahemik ja kuju, mida saab kasutada pimedate alade ignoreerimiseks, mis ei vasta pooride omadustele. Kui poorsus on tuvastatud, saab keevisõmbluse pooride arvu ja tihedust (arv tolli kohta) kasutada selleks, et näidata, kas keevitusprotsess on vastuvõetav või on vaja operaatori või juhtimissüsteemi sekkumist.
Loendamise torud
Seotud näide on torude arvu loendamine kasti otsast jäädvustatud pildil; varude kontroll nõuab täpset loendamist. Väljakutsed hõlmavad pildil olevate toruotste muutuvat valgustust ja muutuvat perspektiivi. Toru otsa iseloomustab selle tume sisemus, mida ümbritseb toru seina hele ümmargune pind.
Tumeda ala poolitamine eeldatava läbimõõduga ringiga tuvastab enamiku torudest. Pange tähele, et mõne toru sisemuse eredad peegeldused kasti põhja lähedal – pilditöötlustoimingud võivad ühendada need väikesed omadused toru sisemiste piirkondadega, et tagada tugev tuvastamine ja loendamine.
Kompleksse kuju kahjustuse tuvastamine
Kaaluge propelleri labade pinnakahjustuste tuvastamist. Kahjustused võivad ulatuda kitsastest kriimustustest kuni suurte kulumiskohtadeni; puuduvad standardid, mis iseloomustaksid kahjustatud ala eeldatavat suurust või kuju. Lisaks seavad propelleri labade keerukad kujud väljakutse optimaalsele valgustusele, mida kasutatakse kahjustuste kontrasti suurendamiseks.
Vasakpoolseima (tumedaima) pildi jaoks kasutatud valgustuskonfiguratsioonis oli kahjustus vaevumärgatav. Kaks vahelduvat valgustussuunda andsid hea kontrasti kahjustatud ja kahjustamata labade piirkondade vahel, kuid kontrast muutus kahe konfiguratsiooni vahel. Tänu lokaliseeritud pindadele ja kahjustuste suunale võrreldes pildistamissüsteemiga reageerivad sõukruvi laba eri piirkonnad erinevalt, nagu näidatud, mis tähendab, et puudub ühtne optimaalne valgustuskonfiguratsioon.
Kahjustuse kuju, suuruse ja kontrasti suur varieeruvus muudab automaatse tuvastamise programmeeritud meetodite abil keeruliseks, nagu seda kasutatakse keevisõmbluse poorsuse ja torude loendamise näidetes. Instituut töötas välja kontrollisüsteemi masinõppe tehnikaid kasutades. Konvolutsiooniline närvivõrk (CNN) tunneb ära potentsiaalselt kahjustatud alad pildil. Sekundaarne sügav närvivõrk klassifitseerib pildi CNN-i genereeritud omaväärtuste põhjal kahjustusi sisaldavaks (või mittesisaldavaks). Neid võrgustikke koolitatakse suure hulga piltide abil, kus kahjustatud alad on käsitsi tuvastatud.
Peale ühevärvilise visiooni
Ülaltoodud kolm näidet illustreerivad mõningaid ühevärvilisi masinnägemise rakendusi. Asjad muutuvad veelgi huvitavamaks, kui kasutate värvikontrasti või spektri nähtamatut osa. Näiteks on ühevärvilised kaamerad tundlikud lähiinfrapuna (NIR) lainepikkuste suhtes, võimaldades kasutada või eemaldada funktsioone, mis tavaliselt oleksid nähtamatud või segavad, kasutades või tõrjudes seda riba spektraalfiltriga.
Standardsed värvikaamerad kasutavad kattuvaid lairiba punaseid, rohelisi ja siniseid filtreid; kitsaribaliste RGB LED-valgustite kasutamine lairiba valge valgustuse asemel parandab värvide eristamist. Mitmespektrilised kaamerad pakuvad värvikaameratega võrreldes väga tundlikku värvieristust ja võivad sisaldada NIR-ribasid. Teatud tintide, värvainete ja liimide fluorestseeruvaid omadusi saab ära kasutada UV-kiirguse abil koos sobivate spektraalfiltritega. Ja ärge unustage polarisatsiooni! Infrapunakujutist (piklaine, kesklaine, lühilaine) saab kasutada pinnatemperatuuri mõõtmiseks, maa-aluste omaduste/defektide tuvastamiseks, süsivesinikgaaside tuvastamiseks ja muuks.




