В промышленности трехмерное машинное зрение относится к системам, использующим камеры, датчики и алгоритмы для захвата и анализа трехмерных пространственных данных об объектах или окружающей среде. В отличие от традиционного двухмерного зрения, основанного на плоских изображениях, трехмерные системы измеряют глубину, форму и детали поверхности, что позволяет проводить точный осмотр, измерения или взаимодействие с физическими объектами. Эти системы сочетают в себе аппаратное обеспечение, такое как лазеры, проекторы структурированного света или стереокамеры, с программным обеспечением для реконструкции трехмерных моделей объектов. Области применения варьируются от контроля качества в производстве до управления роботами на сборочных линиях, где понимание геометрии объекта в трех измерениях имеет решающее значение.
Что такое 3D-камера машинного зрения и как она используется в производстве и логистике?
Промышленные камеры уже много лет используются в производственных условиях для обнаружения загрязнений, дефектов, наличия или отсутствия чего-либо в производственных процессах. Развитие технологий позволило создать промышленные 3D-камеры с высокоточным зрением, обеспечивающие обзор на 360° за счет сбора данных изображения по осям X, Y и Z.
Они способны получать более подробную информацию об объекте, включая его размер, форму и положение, что крайне важно для погрузочно-разгрузочных и других операций в промышленных условиях. Камеры 3D-машинного зрения относятся к числу лучших промышленных камер, позволяющих автоматизировать создание и анализ изображений.
Технология получила широкое применение в обрабатывающей промышленности и логистике. В этой статье рассматриваются некоторые преимущества камер 3D-машинного зрения в производстве и логистике, их использование и способы выбора подходящего типа для конкретных задач.
Преимущества использования камер машинного зрения с 3D-эффектом
Системы 3D-машинного зрения состоят из множества камер, позволяющих наблюдать за окружением, местоположением и ориентацией целевых объектов. Использование нескольких камер или лазерных датчиков перемещения позволяет системам выполнять множество функций.
Системы, использующие технологию лазерных датчиков перемещения, способны выполнять функции контроля поверхности, включая измерение расстояний и объемов, что позволяет определять формы и создавать 3D-изображения даже при ограниченном количестве камер. Системы 3D-машинного зрения создают цифровые модели объекта с помощью лазерной триангуляции для более точного выполнения задач контроля.
Трехмерное отображение оптимизирует результаты с учетом неожиданных переменных, включая освещение, цвет и даже положение целевых объектов.
В промышленности камеры 3D-машинного зрения могут применяться, в частности, для оптического измерения, бесконтактных 3D-измерений, считывания штрих-кодов и распознавания текста (OCR), а также для управления технологическими процессами в производстве и логистике.
Данные функции обеспечивают следующие преимущества:
Экономия труда
Системы 3D-визуализации для контроля производственных процессов позволяют значительно сократить время, затрачиваемое на ручной труд. Некоторые производственные процессы являются монотонными и однообразными. Системы 3D-машинного зрения освобождают людей от неподходящей рабочей среды, позволяя сотрудникам сосредоточиться на других инновационных видах деятельности, приносящих пользу организации. Камеры также имеют меньшие размеры, что экономит место, крайне важное в промышленных условиях.
Повышенная эффективность
Применение систем 3D-визуализации в промышленных целях повышает эффективность процессов за счет снижения затрат и улучшения качества продукции. Автоматизация повторяющихся процессов снижает трудозатраты, что имеет решающее значение для общего снижения издержек и повышения рентабельности.
Использование промышленных 3D-камер способствует автоматизации контроля таких процессов, как механический штамповочный пресс, позволяя заблаговременно предотвращать дефекты и сбои в работе, что повышает качество продукции. Повышение качества продукции за счет контроля других процессов, таких как оптическое измерение, гарантирует соответствие продукции требуемым стандартам, предотвращая случаи отзыва продукции.
Повышение производительности
Системы 3D-машинного зрения могут работать много часов, в отличие от ручного труда, который приводит к усталости. Интеграция технологий машинного зрения с робототехникой позволяет увеличить продолжительность работы, что повышает производительность и, следовательно, доходы организации. Кроме того, возможность производства достаточного количества деталей снижает необходимость в привлечении сторонних подрядчиков, экономя на дополнительных затратах и обеспечивая организации лучший контроль качества продукции.
Сокращение отходов
Использование камер машинного зрения в промышленных условиях позволяет осуществлять непрерывный контроль процесса для обеспечения точности. Например, использование таких систем для проверки валов вентиляторов позволяет быстрее и с высокой точностью определять детали, которые подойдут для установки в двигатель.
Повышение уровня соответствия требованиям
Системы 3D-машинного зрения упрощают анализ процессов и отслеживание проблем, необходимых для соблюдения нормативных требований. Например, предположим, что в продукции обнаружен дефект. В этом случае процесс можно проанализировать с помощью изображений, полученных во время производства, чтобы определить источник проблемы и принять точные решения по ее устранению.
Как использовать 3D-камеру машинного зрения в производстве
Как уже отмечалось ранее, 3D-камеры машинного зрения находят множество применений в промышленности. В этом разделе приводится пример использования этой технологии в фармацевтической промышленности для контроля производственного процесса и качества продукции на основе принципа наличия и отсутствия.
Крышка бутылки и уровень содержимого контролируются системой машинного зрения по мере перемещения бутылки по производственной линии. Когда бутылка приближается к камере, датчики приближения обнаруживают ее и захватывают изображения, которые передаются на ПК; существует алгоритм классификации изображений как исправных и неисправных компонентов.
Бутылки, классифицированные как «хорошие», имеют крышку и надлежащий уровень содержимого. Бутылки, не соответствующие стандартам, удаляются с производственной линии с помощью пневматического эжектора.
Система 3D-машинного зрения также может использоваться для проверки блистерных упаковок, включая считывание этикеток, идентификацию половинок таблеток, отсутствующих таблеток, сломанных таблеток и определение цвета таблеток. Движение упаковки по конвейеру активирует подсветку, и камера, делая снимок упаковки и выявляя любые дефекты, автоматически удаляет ее с производственной линии.
Системы 3D-машинного зрения для автоматизированного контроля
По мере усложнения производственных линий резко возрос спрос на высокоточные и надежные системы контроля. Традиционные методы контроля, хотя и эффективны в некоторых областях применения, часто оказываются неэффективными при выполнении высокоскоростных, сложных и точных задач. Здесь на помощь приходят системы 3D-машинного зрения – решение, которое переосмыслило возможности автоматизированного контроля в различных отраслях промышленности.
В этой статье будут подробно рассмотрены ключевые технологии, лежащие в основе этих систем, с акцентом на искусственный интеллект, традиционное машинное обучение, лидар и системы машинного зрения. Также будут изучены их области применения, преимущества и то, как они изменили промышленную автоматизацию.
Искусственный интеллект в системах 3D-машинного зрения
Искусственный интеллект произвел революцию во многих аспектах машинного зрения. В то время как традиционные системы машинного зрения полагаются на заранее определенные правила и шаблоны для выявления дефектов или измерения компонентов, системы машинного зрения на основе ИИ могут обучаться и адаптироваться со временем, становясь более эффективными и точными. ИИ позволяет машинам справляться с более сложными и непредсказуемыми задачами контроля без необходимости постоянного обновления программного обеспечения.
Глубокое обучение и нейронные сети
Системы трехмерного зрения на основе искусственного интеллекта часто используют алгоритмы глубокого обучения, которые применяют нейронные сети для имитации того, как человеческий мозг обрабатывает информацию. В контексте автоматизированного контроля модели глубокого обучения обучаются с использованием больших наборов данных изображений. После обучения эти модели могут выявлять аномалии, классифицировать объекты и даже прогнозировать отказы с высокой точностью.
Например, в производстве 3D-системы на основе искусственного интеллекта могут обнаруживать едва заметные дефекты поверхности детали, которые традиционные системы, основанные на правилах, могут пропустить. Нейронную сеть можно обучить распознавать различные типы дефектов, такие как трещины, царапины или смещения, и обучаться на новых данных для повышения точности с течением времени.
Еще одним существенным преимуществом ИИ является его способность обрабатывать изменчивость. В таких отраслях, как автомобильная или аэрокосмическая промышленность, компоненты могут незначительно отличаться по форме, размеру или ориентации, что затрудняет точную проверку с помощью систем, основанных на правилах. ИИ может адаптироваться к этим изменениям, что делает его идеальным для приложений, где гибкость имеет решающее значение.
Периферийные вычисления с использованием искусственного интеллекта
Во многих современных системах 3D-зрения искусственный интеллект интегрирован в периферийные устройства, что позволяет быстрее и эффективнее обрабатывать данные. Периферийные вычисления предполагают обработку данных вблизи источника данных (например, на заводе), что снижает задержку и улучшает принятие решений в режиме реального времени. Это особенно полезно для высокоскоростных производственных линий, где любая задержка в проверке может привести к значительным простоям или проблемам с качеством.
Благодаря использованию искусственного интеллекта на периферии сети, системы 3D-зрения могут проверять продукцию в режиме реального времени, предоставляя операторам мгновенную обратную связь и позволяя незамедлительно принимать корректирующие меры. Это не только повышает эффективность, но и помогает минимизировать отходы и снизить затраты.
Традиционное машинное обучение в системах 3D-зрения
Хотя искусственный интеллект представляет собой передовые технологии машинного зрения , традиционное машинное обучение (МО) по-прежнему играет важную роль во многих системах 3D-зрения. Алгоритмы машинного обучения могут использоваться для распознавания образов, классификации объектов и оптимизации процессов контроля на основе исторических данных.
Машинное обучение на основе признаков
В традиционном машинном обучении алгоритмы обучаются распознавать определенные характеристики объекта, такие как края, углы или контуры. Затем эти характеристики используются для классификации объекта или обнаружения дефектов. Например, система 3D-зрения может использовать машинное обучение на основе характеристик для проверки формы и размеров компонента, гарантируя, что он соответствует заданным спецификациям.
Ключевое преимущество традиционного машинного обучения перед искусственным интеллектом заключается в его относительной простоте. Оно требует меньше данных и вычислительной мощности, что делает его практичным решением для приложений, где критически важна производительность в реальном времени, а задача контроля четко определена. Однако традиционному машинному обучению не хватает гибкости и адаптивности искусственного интеллекта, что может стать ограничением в более сложных условиях контроля.
Лидар в системах 3D-машинного зрения
Лидар (Light Detection and Ranging) — это сенсорная технология, использующая лазерные импульсы для измерения расстояний и создания подробных трехмерных карт объектов. Хотя лидар обычно ассоциируется с беспилотными автомобилями, он также является мощным инструментом для автоматизированного контроля в производстве.
Трехмерное картографирование высокого разрешения
В системах трехмерного машинного зрения лидар может генерировать трехмерные облака точек объекта с высоким разрешением, которые можно использовать для измерения его формы, размера и положения с исключительной точностью. Это особенно полезно в приложениях, где требуются точные измерения, например, при проверке деталей с жесткими допусками или проверке соосности компонентов в сборке.
Лидар также очень эффективен в условиях, где освещение может меняться. В отличие от традиционных систем машинного зрения, которые полагаются на камеры, лидар работает независимо от окружающего света, что делает его идеальным для использования в условиях низкой освещенности или в суровых промышленных условиях.
Применение в крупномасштабном контроле
Одним из ключевых преимуществ лидара является его способность быстро и эффективно сканировать большие площади. Это делает его отличным выбором для проверки крупных или сложных объектов, таких как компоненты самолетов, лопасти ветряных турбин или трубопроводы. Используя лидар, производители могут проводить детальные проверки этих объектов без необходимости физического контакта, снижая риск повреждений и ускоряя процесс проверки.
Системы 3D-визуализации на основе лидара также используются в логистике и складском хозяйстве, где они могут сканировать и измерять большие поддоны, контейнеры или штабели продукции для обеспечения правильной погрузки и хранения.
Традиционные системы машинного зрения в 3D-контроле
Хотя ИИ, машинное обучение и лидар представляют собой передовые технологии в области систем машинного зрения, традиционные системы машинного зрения остаются фундаментальным компонентом многих решений для 3D-контроля. Эти системы используют камеры и датчики для получения изображений объекта и их анализа на наличие дефектов или неровностей.
Структурированный свет и стереоскопическое зрение
Традиционные системы 3D-зрения часто используют методы структурированного света или стереоскопического зрения для создания 3D-модели объекта. В системах структурированного света на объект проецируется световой рисунок, и деформация света используется для расчета формы объекта. Стереоскопическое зрение, с другой стороны, использует две или более камер для захвата различных ракурсов объекта, что позволяет системе триангулировать его положение в пространстве.
Эти методы весьма эффективны для контроля объектов сложной формы или поверхности, таких как электронные компоненты, медицинские приборы или автомобильные детали. Благодаря сбору подробных 3D-данных традиционные системы машинного зрения могут обнаруживать даже мельчайшие дефекты или отклонения от требуемых параметров.
Преимущества и ограничения
Главное преимущество традиционных систем машинного зрения — их скорость и надежность. Они позволяют проверять объекты в режиме реального времени и хорошо подходят для высокоскоростных производственных линий. Однако у них есть и некоторые ограничения. Например, традиционные системы могут испытывать трудности с вариациями освещения или ориентации объектов, что может привести к неточным измерениям или пропуску дефектов.
Для преодоления этих ограничений многие производители комбинируют традиционные системы машинного зрения с искусственным интеллектом или машинным обучением, создавая гибридные решения, сочетающие в себе лучшие качества обоих подходов. Используя традиционные системы машинного зрения для выполнения базовых задач контроля и искусственный интеллект для более сложного анализа, производители могут добиться большей точности и эффективности в своих автоматизированных процессах контроля.
Применение систем 3D-машинного зрения в автоматизированном контроле качества.
Системы 3D-машинного зрения используются в самых разных отраслях, от автомобильной и аэрокосмической промышленности до электроники и фармацевтики. К числу ключевых областей применения относятся:
- Контроль размеров: Системы 3D-визуализации идеально подходят для проверки деталей с жесткими допусками, таких как шестерни, валы или компоненты двигателя. Они позволяют измерять размеры с точностью до микрона, гарантируя соответствие каждой детали требуемым спецификациям.
- Контроль поверхности: Благодаря сбору подробных трехмерных данных эти системы могут обнаруживать дефекты поверхности, такие как царапины, вмятины или трещины, которые могут быть пропущены двухмерными системами.
- Проверка сборки: В сложных сборках системы 3D-зрения позволяют проверить правильность расположения и выравнивания всех компонентов, снижая риск ошибок или неисправностей.
- Роботизированное управление: системы 3D-зрения часто используются для управления роботами при выполнении таких задач, как захват и размещение деталей, сварка или покраска. Предоставляя обратную связь в реальном времени о положении и ориентации объектов, эти системы позволяют роботам выполнять задачи с большей точностью и аккуратностью.
Как выбрать подходящую 3D-камеру для машинного зрения
Выбор правильной камеры для конкретной цели имеет важное значение при приобретении камер 3D-зрения для достижения наилучших результатов. Компания Mech-Mind предлагает широкий ассортимент камер и информацию о том, какие системы 3D-машинного зрения подходят для различных промышленных условий.
Для обеспечения контроля качества в различных производственных условиях крайне важно правильно подобрать камеру, объектив, контроллер и монитор. Размер сенсора всегда должен соответствовать циклу изображения объектива для достижения наилучших результатов. Согласование объектива с разрешением сенсора и размером пикселя также имеет решающее значение для камер машинного зрения, чтобы обеспечить совместимость разрешений.
Освещение — ещё один важный фактор при выборе подходящей камеры. Оценка максимальной диафрагмы помогает определить необходимое количество дополнительного освещения. Большая максимальная диафрагма может исключить необходимость в дополнительном освещении. Компания Mech-Mind может помочь с техническими аспектами выбора правильной системы машинного зрения.
Технологии 3D-визуализации должны развиваться и адаптироваться к меняющимся рыночным условиям, особенно в периоды стремительных перемен, например, когда глобальные пандемии меняют практически все аспекты жизни. Различные типы 3D-визуализации подходят для решения различных задач и приложений во многих отраслях. Будь то стереозрение, лазерная триангуляция, структурированный свет, времяпролётная визуализация (ToF) или что-то ещё, технологии 3D-визуализации одновременно развиваются и выходят на новые рынки, помогая конечным пользователям и производителям оборудования решать новые и сложные задачи визуализации.
Сбор мусора с помощью методов 3D-сканирования
Из-за COVID-19 люди стали беспрецедентно активно использовать платформы электронной коммерции, такие как Amazon и Instacart, что создало огромный спрос на компании, занимающиеся логистикой, складированием и упаковкой, которым пришлось постоянно расширяться и масштабировать свою деятельность, чтобы не отставать. Логистические и складские приложения, включая доставку, складирование и упаковку товаров, активно используют 3D-визуализацию всех типов.
«Для задач по комплектации заказов из контейнеров необходимы технологии сканирования области и трехмерного моделирования на основе облака точек, но, несмотря на то, что эта задача, пожалуй, наиболее широко освещается, ее реализация является самой сложной», — сказал Дэвид Дечоу, главный архитектор систем машинного зрения компании Integro Technologies, Inc. «Большинство задач по комплектации заказов из контейнеров пока не удовлетворяют потребности всех клиентов, поскольку требуют чрезвычайно высокой скорости и случайного выбора объектов, а также движения робота, подобного человеческому. Но если бы существовало одно приложение, которое стало бы панацеей для внедрения трехмерного машинного зрения, то это была бы именно комплектация заказов из контейнеров».
Измерение размеров и подсчет коробок с помощью метода измерения времени пролета
В то время как методы трехмерного сканирования, такие как стереоскопическое зрение и структурированный свет, могут помочь в задачах комплектации заказов, метод измерения времени пролета (ToF) помогает, например, в задачах измерения и подсчета коробок.
Новая камера Helios2 ToF от LUCID Vision Labs, предназначенная для логистики, обработки материалов и робототехники, обеспечивает в 2,5 раза большую светопропускаемость и более чем на 50% более высокую точность 3D-измерения по сравнению с оригинальной камерой Helios.
«Компания LUCID всегда может рассчитывать на то, что клиенты будут расширять границы возможностей любой предлагаемой нами технологии», — сказал Род Барман, основатель и президент LUCID Vision Labs . «Поэтому мы разрабатываем нашу продукцию с учетом как текущих, так и потенциальных будущих задач в таких областях применения, как измерение размеров, робототехника и автоматизированные транспортные средства».
Для компании Cognex наибольший спрос на 3D-приложения в логистике связан с измерением размеров коробок, когда детали находятся в движении. Исторически сложилось так, что для получения изображений в таких приложениях используются несколько лазеров и внешняя камера. Но, как пояснил Джон Китинг, старший директор и руководитель бизнес-подразделения 3D-продуктов компании Cognex , система 3D-A1000, например, благодаря интеллектуальной камере, объединяющей 2D и 3D-изображения, позволяет быстро измерять размеры через веб-интерфейс.
«В случае с Cognex и A-1000 главное — простота настройки. Это веб-интерфейс, но при этом это камера In-Sight, что обеспечивает простой и понятный процесс настройки», — сказал он. «Чем проще становится развертывание 3D-технологий, тем меньше людей боятся их».
По словам Китинга, благодаря успеху A-1000 у клиентов открылись новые возможности для применения 3D-технологий в логистике, например, определение местоположения объектов на классическом пустом лотке , что долгое время представляло собой сложную задачу.
Для Матье Ларуша, менеджера по продукции 3D-датчиков в Matrox Imaging , традиционные приложения, такие как робототехника с визуальным управлением для захвата и укладки на поддоны, а также для определения размеров коробок, являются важными движущими силами развития 3D-визуализации. В том же духе, стремясь упростить работу для клиентов, Matrox Imaging предложила и активно участвует в проекте GenICam GenDC, целью которого является стандартизация обмена данными о компонентах между 3D-камерами/датчиками и прикладным программным обеспечением.
По мнению Ларуша, одним из потенциально интересных направлений дальнейшего развития 3D-визуализации с точки зрения ее потенциального влияния на рынок является применение глубокого обучения к 3D-визуализации для расширения возможностей ее использования.
Учет времени цикла и заключительная упаковка
Приложения для упаковки также все больше полагаются на 3D-зрение, но конечные пользователи и производители оборудования должны заранее учитывать потребности в времени цикла, чтобы избежать каких-либо проблем, считает Джаред Гловер, генеральный директор CapSen Robotics.
«Во многих приложениях робототехники с 3D-зрением роботы двигаются по-разному при каждом захвате или перемещении, например», — сказал он. «У робота с 3D-зрением не будет такого же стабильного времени цикла, как у робота, который повторяет одно и то же движение снова и снова, поэтому важно учитывать это при проектировании линии. Дополнительные буферы следует создавать до и после роботов, захватывающих контейнеры, или добавлять дополнительных роботов для резервирования, если необходимо достичь определенного времени цикла без отклонений».
Компания Cognex, со своей новой встроенной системой машинного зрения In-Sight 3D-L4000, воодушевлена возможностями, которые предоставляет 3D-технология в процессе упаковки готовой продукции.
«Представьте себе ситуацию, когда коробки заполнены бутылками, и вам нужно учитывать, например, наклон», — сказал Китинг. «Двумерное зрение испытывает с этим проблемы, когда бутылки перемещаются, но трехмерное зрение позволяет понимать глубину».
Компания Cognex отметила значительный рост скорости решения проблем, связанных с упаковкой, для клиентов. Например, в ситуациях, когда клиентам необходимо было видеть область ниже определенного уровня, где происходит смешивание материалов нижнего слоя, 3D-технологии решали проблему.
«В сфере упаковки внимание покупателей открывается быстрее, чем мы ожидали», — сказал Китинг.
Программное обеспечение открывает новые возможности на производстве и за его пределами
Несколько приложений, выходящих за рамки традиционного машинного зрения, также выигрывают от 3D-зрения. Возьмем, к примеру, инспекцию железнодорожных путей. Высокие скорости, постоянная вибрация и сложные условия окружающей среды могут затруднить 3D-инспекцию железных дорог. Но при правильной установке проверка профилей рельсов и колесных дисков на износ и повреждения помогает предотвратить аварии и обеспечить безопасную и надежную работу. Это популярное применение камер Photonfocus, основанных на триангуляции — которые используют внешний лазер и отдельную камеру вместо интегрированного блока — поскольку они демонстрируют стабильный и даже растущий спрос на железнодорожном транспорте.
Photonfocus предлагает ряд специфических преимуществ для подобных задач, включая встроенную в камеру функцию LinLog, которая позволяет камерам выполнять съемку с высоким динамическим диапазоном в реальном времени.
«В системах на рельсах, где камера направлена вниз, может быть достаточно темная поверхность, позволяющая интегратору или конечному пользователю в определенной степени контролировать освещение на ней», — сказал Майк Фолкнер, менеджер по продажам в Северной и Южной Америке. «Как только вы начинаете учитывать такие факторы, как солнце, это может быстро создать проблемы».
Технология LinLog позволяет пользователям одновременно работать в условиях яркого и темного освещения, получая усредненное изображение, которое можно использовать для целей контроля.
Обнаружение нескольких профилей лазерных линий — сложная задача контроля качества. Photonfocus предлагает эту возможность благодаря своему алгоритму Multipeak Linefinder. Например, когда лазерный луч проходит над зеркальным объектом, он отражается, создавая одну основную линию, а также ряд второстепенных линий. Алгоритм Photonfocus помогает производителю оборудования найти правильную лазерную линию для целей контроля качества.
«Компания Photonfocus обладает богатым опытом работы с 3D-алгоритмами, и мы всегда совершенствуем их, исходя из потребностей клиентов», — сказал Рето Лиенхардт, руководитель отдела разработки встроенного программного обеспечения. «Например, при сканировании металла или стекла в алгоритмах можно решить присущие им проблемы отражения. Это одна из главных причин, по которой мы внедрили для наших клиентов параллельное обнаружение нескольких линий, и почему наши 3D-решения используются, в частности, для инспекции железнодорожных путей, а также на ряде других рынков».
Для производителей оборудования и системных интеграторов, желающих разработать собственные специализированные системы 3D-визуализации, программные инструменты, такие как библиотеки Easy3D, входящие в состав программного обеспечения Euresys Open eVision, позволяют разрабатывать приложения для 3D-контроля с помощью машинного зрения. Например, заказчику, желающему внедрить систему 3D-визуализации с одной или двумя лазерными линиями, проецируемыми на движущуюся поверхность, требуется извлечение лазерных линий, которые впоследствии можно преобразовать в карту высот или облако 3D-точек, необходимое для обработки и анализа в 3D, пояснил Майк Сайрос, вице-президент по продажам и поддержке в Северной и Южной Америке.
«Помимо программных библиотек Easy3D, Euresys также предлагает готовое аппаратное обеспечение для таких приложений, как наш фреймграббер Coaxlink Quad 3D-LLE, который автоматически, «на лету», извлекает лазерную линию из камеры CoaXPress», — сказал он. «Вместо того, чтобы предлагать полнофункциональное 3D-решение с фиксированными функциями, мы предлагаем нашим клиентам необходимые им базовые компоненты, чтобы им было проще создавать собственные 3D-системы машинного зрения. Программное обеспечение Easy3D и Coaxlink Quad 3D-LLE предлагают разработчикам систем широкий спектр простых в использовании функций».
3D-визуализация: движение вперёд
Технологии 3D-визуализации продолжают развиваться и, возможно, достигают переломного момента. Люди начнут воспринимать 3D как общее название для набора различных устройств, создающих 3D-изображения разными способами, подобно тому, как существуют 2D-камеры, создающие 2D-изображения разными способами, предположил Джон Китинг.
«3D нельзя считать отдельной технологией, поскольку у нас есть лазерные методы, времяпролётные технологии, стереозрение и так далее», — сказал он. «Я думаю, люди начинают избавляться от своих предвзятых представлений о 3D и начнут воспринимать его скорее как нечто похожее на 2D, и это произойдёт очень скоро».
Даже названия технологий 3D-визуализации различаются. Многие компании не называют свои продукты на рынке одинаковыми названиями, но решение под любым другим названием всё равно повышает производительность, а это самое главное.
Подходит ли 3D-машинное зрение для моих производственных нужд?
Трехмерные системы сложнее двухмерных. Хотя двухмерные системы широко используются и стоят дешевле, трехмерные системы часто предлагают лучшие возможности, особенно для решения специфических задач, требующих детальных измерений размера, глубины и поверхности объекта.
Трехмерное машинное зрение появилось более 10 лет назад и постепенно становится повсеместным в обрабатывающей промышленности. К сожалению, недостаточная устойчивость двухмерных систем к изменяющимся условиям освещения заставила производителей с опаской относиться к системам машинного зрения. К счастью, недавние инновации в области трехмерного машинного зрения сделали такие системы дешевле и проще в развертывании. Теперь это лишь вопрос времени, когда обрабатывающая промышленность начнет активно их использовать.
Такие отрасли, как автомобилестроение, производство бытовой техники, электроники, потребительских товаров и т.д., могут извлечь выгоду из использования 3D-инструментов. Однако при выборе 3D-системы важно учитывать такие факторы, как необходимая точность, задержка и среда, в которой вы планируете ее использовать.
Вот несколько областей, где трехмерное зрение может значительно улучшить ваши процессы:
- Распознавание и обработка объектов: определение типа объекта и его местоположения. При операциях захвата и перемещения или сортировки необходимо обеспечить безопасное и правильное обращение с объектами.
- Сборочные операции: Точное выравнивание и сборка компонентов, обеспечивающие их бесшовное соединение.
- Навигация промышленных роботов: определение местоположения деталей и адаптация траекторий движения робота для обеспечения большей гибкости и надежности при погрузочно-разгрузочных, сборочных или неразрушающих операциях.
- Повышение безопасности: Навигация и работа без столкновений с другими объектами или людьми. Это особенно важно для автономных мобильных роботов, перемещающихся по цехам заводов, или для обнаружения потенциальных столкновений в промышленных робототехнических ячейках.
- Контроль качества и инспекция: Традиционные методы визуального контроля иногда могут пропускать дефекты, невидимые в двух измерениях. С помощью 3D-визуализации производители могут получить более полное представление и, следовательно, поддерживать высокие стандарты качества.
- Сокращение времени простоя: Благодаря быстрому обнаружению дефектов или потенциальных проблем в оборудовании и процессах, трехмерное зрение позволяет проводить профилактическое техническое обслуживание, тем самым сокращая незапланированные простои.
Роль 3D-зрения в производстве постепенно проникает в основную производственную отрасль, и с развитием искусственного интеллекта и расширением Интернета вещей 3D-зрение в ближайшие годы станет еще более важным элементом обрабатывающей промышленности.
По мере того как мир становится все более цифровым и взаимосвязанным, растет спрос на точность, эффективность и адаптивность, и трехмерное зрение готово удовлетворить эти и многие другие требования.
Производители, готовые адаптировать и интегрировать эту технологию, не только повысят качество своей продукции, но и обеспечат себе конкурентное преимущество на быстро развивающемся рынке.
