Машинное зрение представляет собой передовую технологию, позволяющую машинам воспринимать окружающий мир посредством камер, сенсоров и специализированного программного обеспечения. Эта технология фактически функционирует как искусственный глаз, способный анализировать визуальную информацию, идентифицировать объекты, измерять их геометрические параметры, выявлять дефекты и принимать решения на основе полученных данных.
В отличие от традиционной видеосъемки, которая лишь фиксирует изображение, машинное зрение осуществляет его глубокую обработку с использованием алгоритмов компьютерного зрения.
Система машинного зрения способна определять форму, цвет, размер, положение объекта в пространстве и даже его текстуру с высокой точностью. Данные качества делают ее незаменимым инструментом на производстве, где требуется постоянный контроль качества продукции, автоматическая сортировка и высокая скорость обработки.
Процесс работы системы начинается с захвата изображения, затем следует его предварительная обработка (фильтрация шумов, выделение контуров), анализ и принятие решения. Все эти этапы происходят за доли секунды, что делает систему идеальной для высокоскоростных производственных линий.
Машинное зрение находит широкое применение во множестве отраслей – от пищевой промышленности до аэрокосмической. Вот основные направления его использования:
- Контроль качества продукции: Системы машинного зрения способны выявлять микроскопические дефекты (трещины, царапины, сколы, неправильная маркировка), что особенно важно в электронике, фармацевтике и автомобилестроении.
- Измерение геометрических параметров: Машинное зрение позволяет с высокой точностью измерять длину, ширину, диаметр, угол и другие параметры деталей, что необходимо при производстве прецизионных компонентов.
- Распознавание штрих-кодов и матричных кодов: Автоматическое считывание кодов на упаковке ускоряет логистику и минимизирует ошибки при сортировке.
- Ориентация и позиционирование объектов: Система может определить положение детали в пространстве и передать данные роботу для точного захвата и установки.
- Сортировка и классификация: Машинное зрение позволяет автоматически сортировать продукцию по цвету, форме, размеру или другим визуальным признакам.
- Мониторинг процессов: Системы могут отслеживать ход технологических процессов: контроль уровня жидкости, положение клапанов или движение деталей на конвейере.
Внедрение машинного зрения в производство – это не просто модернизация, а стратегический шаг к цифровому заводу. Оно приносит ощутимые выгоды:
- Повышение качества продукции: Снижение брака до 99,9%.
- Снижение затрат на ручной труд: Автоматизация рутинных операций.
- Увеличение скорости производства: Обработка тысяч деталей в час.
- Улучшение безопасности: Исключение человеческого фактора.
- Гибкость и масштабируемость: Системы легко адаптируются под новые задачи.
1. Что такое системы машинного зрения?
Фото 1: Модель системы машинного зрения
Системы машинного зрения создаются из интегрированных компонентов, включающих: камеру/датчик изображения, компьютерное оборудование и программные алгоритмы, которые обеспечивают оперативное управление путем обработки и анализа изображений, полученных в рабочей зоне. Данные, полученные от системы машинного зрения, используются для управления и автоматизации процесса, а также для проверки продукции или материалов.
2. Компоненты систем машинного зрения
Системы машинного зрения обычно состоят из пяти ключевых компонентов. Эти компоненты являются общими и могут встречаться в других системах.
Для понимания принципов работы этой технологии необходимо рассмотреть ее основные компоненты:
- Камера: Захватывает изображение объекта. Современные камеры способны работать в видимом, инфракрасном и ультрафиолетовом диапазонах, расширяя сферу применения машинного зрения.
- Освещение: Играет ключевую роль в обеспечении четкости изображения. Правильно подобранное освещение позволяет выделить контуры объекта, устранить блики и повысить контрастность.
- Объектив: Фокусирует изображение на сенсоре камеры. Выбор объектива зависит от расстояния до объекта, требуемого увеличения и угла обзора.
- Промышленный компьютер для машинного зрения: «Мозг» системы, где происходит обработка изображений с помощью специализированного программного обеспечения.
- Программное обеспечение: Анализирует изображение, применяет алгоритмы распознавания, измеряет параметры объекта и принимает решения (например, “пригоден” или “брак”).
- Интерфейс и интеграция с оборудованием: Результаты анализа передаются на конвейер, робота или систему управления для дальнейших действий.
Ключевой компонент – камера или датчик машинного зрения. Я буду объединять камеру и датчик в один тип компонента, поскольку они выполняют одну и ту же функцию – обнаружение различий. Задача камеры машинного зрения – захватить изображение материала изделия, чтобы процессор и программное обеспечение могли проанализировать, является ли оно дефектным или качественным.
Второй очень важный момент — освещение. Камера не сможет сделать качественный снимок без освещения. Осветить только товар — это не просто задача. Для каждой отдельной детали товара необходимо выбрать различное положение и использовать разные методы освещения.
Третий элемент — линза: линза собирает рассеянный свет от объекта и восстанавливает изображение этого объекта на сенсоре камеры.
Четвертый элемент — это процессор и визуальный дисплей. Это может быть компьютер с программным обеспечением, разработанным производителем камер, для отображения и настройки инструментов обнаружения, так что мы можем видеть каждый продукт и результат обнаружения — хороший он или плохой. Некоторые бренды также имеют специальный HMI для своих камер, поэтому мы можем напрямую подключиться от этого HMI к камере и видеть изображение продукта и неисправности на этом HMI.
Пятый пункт касается системы связи, включая контроллер камеры. Обратите внимание, что некоторые модели/марки камер могут не иметь контроллера, ПЛК и механизма отсеивания.
2.1 . Визуальный/датчик изображения
Фото 2: Датчик изображения
Датчик изображения преобразует изображение, полученное объективом, в цифровое изображение. Технология преобразования фотонов в электрические сигналы:
- ПЗС
- CMOS
Результатом работы датчиков изображения является цифровое изображение, состоящее из пикселей, которое показывает наличие света в областях, которые наблюдала линза.
Разрешение — это количество пикселей, создаваемых датчиком в цифровом изображении. Датчики с более высоким разрешением обеспечивают более высокое качество изображений, что означает возможность наблюдения большего количества деталей в исследуемом объекте и получения более точных измерений.
Чувствительность — это минимальное количество света, необходимое для обнаружения изменения выходного сигнала на изображении.
Разрешение и чувствительность обратно пропорциональны друг другу; повышение разрешения приведет к снижению чувствительности.
2.2 . Освещение
- Отвечает за освещение объекта и выделение его отличительных особенностей для просмотра камерой.
- Параметры: расстояние источника света от камеры и объекта, угол, интенсивность, яркость, форма, размер и цвет освещения должны быть оптимизированы для выделения проверяемых объектов.
- Может обеспечиваться светодиодными, кварцевыми галогенными, люминесцентными и ксеноновыми стробоскопическими источниками света. Может быть направленным или рассеянным.
- 6 техник
Фото 3: 6 техник освещения
Освещение – светлое поле против темного поля
Фото 4: Светлое поле против темного поля
|
|
Освещение – Задняя подсветка
Фото 5: Подсветка сзади
- Подсвечивает объект сзади, создавая контраст, поскольку темное поле появляется на светлом фоне.
- Используется для обнаружения отверстий, зазоров, трещин, пузырьков и царапин на прозрачных деталях.
Освещение – диффузное купольное, плоское и осевое
Фото 6: 3 типа рассеянного освещения
Освещение с большим «телесным углом» означает, что свет исходит из большой площади и падает на поверхность объекта под разными углами.
- Купольный рассеивающий свет очень эффективен для зеркальных, изогнутых и топографических поверхностей.
- Метод осевого диффузного освещения эффективен для зеркальных, плоских и наклонных поверхностей различной высоты.
- Плоские рассеиватели обладают схожими характеристиками с классическими купольными, эффективны для осмотра сильно зеркальных и изогнутых объектов, но при этом работают на близком расстоянии.
2.3. Линза
Объектив захватывает изображение и передает его на датчик изображения внутри камеры в виде света. Объектив камеры машинного зрения может быть сменным (с креплением C-mount или CS-mount) или с фиксированным объективом.
Объективы характеризуются следующими свойствами, описывающими качество изображения, которое они способны запечатлеть:
- Поле зрения — это площадь, которую охватывает датчик изображения; объективы с большим фокусным расстоянием имеют уменьшенное поле зрения.
Фото 7: Поле зрения
- Глубина резкости — это способность сохранять приемлемое качество изображения без перефокусировки, если объект перемещается дальше от плоскости оптимальной фокусировки. Она также влияет на допустимый диапазон движения объекта.
Фото 8: Глубина резкости
- Диафрагма — это отверстие объектива, через которое свет проходит и попадает в камеру. Она регулирует количество света, попадающего в объектив. Она обратно пропорциональна глубине резкости.
Фото 9: Диафрагма
2.4. Блок обработки и визуальный дисплей
Блок обработки изображений в системе машинного зрения использует алгоритмы для анализа цифрового изображения, полученного от датчика. Обработка изображений включает в себя ряд этапов, выполняемых внешним (компьютером) или внутренним (для автономных систем машинного зрения) способом. Сначала цифровое изображение извлекается из датчика изображения и передается на компьютер. Затем цифровое изображение подготавливается к анализу путем выделения необходимых элементов на изображении. После этого изображение анализируется для определения конкретных элементов, которые необходимо наблюдать и измерять. После завершения наблюдений и измерений элементов, они сравниваются с заданными и предварительно запрограммированными спецификациями и критериями. Наконец, принимается решение, и результаты передаются.
Фото 10: Блок обработки
Что касается визуального отображения, для каждой марки видеокамеры существует программное обеспечение для визуализации захваченного изображения и результатов проверки. С помощью этого программного обеспечения мы можем выполнить все необходимые действия по настройке видеокамеры, такие как:
- Установите эталонное изображение
- Определите правильное местоположение объекта или продукта.
- Добавить инструмент для проверки
- Настройка связи с ПЛК
Фото 11: Визуальное отображение
2.5. Система связи с контроллером ПЛК и механизм отклонения.
Фото 12: Контроллер и механизм отбрасывания
Для связи между камерой машинного зрения и ПЛК в настоящее время почти все камеры машинного зрения используют протокол Ethernet и шлюз, поэтому мы можем напрямую подключаться к ПЛК. Если требуется больше рабочих станций для HMI или ПК, можно использовать концентратор/коммутатор.
Если у камеры нет разъема Ethernet, она может подключаться к ПЛК через порты ввода/вывода.
Что касается механизма отбраковки, он находится на стороне ПЛК. ПЛК получает результаты проверки с камеры и генерирует команду для механизма отбраковки, которым может быть цилиндр для удаления дефектной продукции.
3. Типы систем машинного зрения
Фото 13: 3 типа систем машинного зрения
- Линейная сканирующая камера захватывает цифровые изображения по одной линии за раз, что позволяет ей контролировать несколько объектов в одной линии. Они идеально подходят для высокоскоростных конвейерных систем и непрерывных процессов. Они пригодны для работы с непрерывными полотнами материалов, таких как бумага, металл и текстиль, крупными деталями и цилиндрами.
- Камеры с площадным сканированием используют прямоугольные датчики изображения, позволяющие захватывать изображения в одном кадре. Камеры с площадным сканированием могут выполнять практически все распространенные промышленные задачи и проще в настройке и юстировке. В отличие от камер с линейным сканированием, они предпочтительны для контроля стационарных объектов.
- 3D-сканирующие камеры позволяют проводить контроль в плоскостях X, Y и Z и вычислять положение и ориентацию объекта в пространстве. Они используют одну или несколько камер и датчиков перемещения. В однокамерной конфигурации камеру необходимо перемещать для создания карты высот, полученной в результате смещения лазеров на объекте. Высота объекта и плоскостность его поверхности могут быть рассчитаны с помощью калиброванного смещенного лазера. В многокамерной конфигурации используется лазерная триангуляция для создания оцифрованной модели формы и местоположения объекта. 3D-сканирующие камеры идеально подходят для контроля деталей, изготовленных в 3D-формате, и для роботизированных систем управления. Этот тип камер машинного зрения может выдерживать незначительные внешние воздействия (например, изменения освещения, контраста и цвета), предоставляя при этом точную информацию. Поэтому они широко используются в метрологии, автоматизации производства и анализе дефектов деталей.
| Линейная сканирующая камера | Камера сканирования области | 3D-сканирующая камера |
|
Стационарные объекты |
|
Функции, выполняемые системами машинного зрения.
Проверка присутствия
Контроль наличия — это процесс подтверждения количества и наличия или отсутствия деталей. Это одна из основных операций, выполняемых системами машинного зрения, и наиболее распространенная задача в большинстве отраслей промышленности. Практическое применение контроля наличия включает подсчет подсчитываемых товаров (например, бутылок, винтов) и проверку наличия этикеток на пищевой упаковке, электронных компонентов на печатных платах, нанесения клея и винтов/шайб в закрепленных деталях.
Фото 14: Проверка наличия/отсутствия
Практическое позиционирование
Позиционирование — это процесс сравнения местоположения и ориентации детали с заданным пространственным допуском. Местоположение и ориентация детали в 2D или 3D пространстве передаются роботу или элементу станка для выравнивания или размещения цели в правильном положении или ориентации. Системы позиционирования на основе машинного зрения обеспечивают большую точность и скорость, чем ручная проверка, выравнивание и позиционирование. Практические приложения позиционирования включают в себя роботизированный захват и перемещение деталей на конвейерную ленту и обратно, позиционирование стеклянных подложек, проверку выравнивания штрих-кодов и этикеток, проверку размещения микросхем на печатной плате и размещение деталей, упакованных на поддоне.
Фото 15: Расположение
Идентификация
Система машинного зрения сканирует и считывает штрихкоды, двумерные коды, прямые маркировки деталей и символы, напечатанные на деталях, этикетках и упаковках. Эти маркировки содержат название продукта, производителя, код даты, номер партии и срок годности. Идентификация полезна для повышения отслеживаемости деталей, контроля запасов и системы проверки продукции. Идентификация осуществляется либо с помощью системы оптического распознавания символов (OCR), либо с помощью системы оптической проверки символов (OCV). В системах OCR система машинного зрения считывает напечатанные буквенно-цифровые символы на целевом объекте без предварительного знания символов, которые необходимо искать. В системах OCV система машинного зрения проверяет наличие строк символов.
Фото 16: Идентификация
Обнаружение дефектов
Обнаружение дефектов — одна из важнейших задач контроля качества в обрабатывающей промышленности и наиболее часто используемая функция систем машинного зрения. При обнаружении дефектов система машинного зрения ищет такие дефекты, как трещины, царапины, пятна, зазоры, загрязнения, изменение цвета и другие неровности на поверхности детали, которые могут повлиять на функциональность и надежность изделия. Затем проводится мониторинг наличия этих дефектов. Система машинного зрения может классифицировать дефекты по типу, цвету, текстуре и размеру и отбирать дефектные детали, не соответствующие критериям. Системы машинного зрения могут быстро и эффективно обнаруживать мелкие и микроскопические дефекты, невидимые человеческому глазу; эти системы могут работать длительное время, в отличие от инспекторов-людей.
Фото 17: Обнаружение дефектов
Выявление посредством измерений
Измерение — это проверка точности размеров и геометрических допусков деталей. Система машинного зрения вычисляет расстояния между двумя или более точками и местоположение целевых элементов на объекте, чтобы определить, соответствует ли измерение заданным параметрам. Для получения высокоточных и воспроизводимых измерений необходимо оптимизировать систему освещения и оптическую систему системы машинного зрения.
Функция измерения в системах машинного зрения позволяет измерять детали размером до 25,4 микрон. Обычно она используется в сочетании с дефектоскопией для измерения неровностей, обнаруженных в деталях. Также она применяется для расчета объема деталей.
Фото 18: Обнаружение посредством измерения
5. Применение систем машинного зрения
Фото 19: Подсчет количества бутылок в картонной коробке.
Фото 20: осмотр сварного шва крышки в открытом или полностью закрытом состоянии.
Фото 21: Измерение плотности пены на поверхности жидкости (кофе, безалкогольный напиток, газированный напиток и т. д.).
Фото 22: Осмотр материалов разного цвета (кофейные зерна, соевые бобы и т. д.).
Фото 23: Осмотр дефектных лекарств (поврежденных, отсутствующих, с дефектом цвета и т. д.).
Фото 24: Осмотр поврежденных микросхем, некачественной сварки, следов пригорания…
Фото 25: Осмотр царапин, деформаций, инородных тел…
Стратегия внедрения
Успешное внедрение решений машинного зрения требует стратегического планирования, учитывающего как технические, так и операционные проблемы. Руководителям производственных предприятий следует учитывать следующие важные факторы при внедрении приложений компьютерного зрения:
Технические аспекты
- Требования к данным: Алгоритмы компьютерного зрения требуют достаточного количества разнообразных изображений для обучения. Сложные дефекты, различающиеся по местоположению, размеру и внешнему виду, представляют собой значительные трудности при разработке алгоритмов для программного обеспечения обработки изображений.
- Системная интеграция: для полного раскрытия потенциала системы крайне важна связь с существующими ПЛК, роботизированными системами и промышленными протоколами. Плохая совместимость может существенно ограничить эффективность систем машинного зрения.
- Контроль окружающей среды Правильное освещение обеспечивает оптимальное получение изображения и стабильные результаты. Для задач машинного зрения, таких как различение похожих жидкостей или осмотр полупрозрачных материалов, необходимы тщательное тестирование и настройка освещения в контролируемых условиях.
- Точность и калибровка: Достижение субпиксельной точности требует тщательной калибровки системы в соответствии с прослеживаемыми стандартами, часто включающей в себя строгие исследования измерений для оценки точности обнаружения объектов.
Стратегический подход к реализации
- Начните с областей с высокой степенью воздействия: сосредоточьте первоначальное внедрение на критически важных проблемных моментах, таких как узкие места в производстве, выполнение большого объема повторяющихся задач или области, затронутые нехваткой рабочей силы, где нет квалифицированных работников.
- Поэтапное внедрение: начните с пилотных проектов для проверки эффективности технологии машинного зрения и наращивания внутренней экспертизы, прежде чем масштабировать ее на все подразделения.
- Межфункциональные команды: Формируйте команды, обладающие опытом в производственных процессах, знаниями в области компьютерного зрения, навыками анализа данных и интеграции ИТ-систем.
- Планирование интеграции данных Разработайте схему интеграции данных системы машинного зрения с существующими системами MES, ERP и управления качеством для оптимизации процессов и управления запасами. Такие платформы, как QualityOS, помогают производителям централизовать данные о качестве из нескольких систем машинного зрения в единые панели мониторинга.
Рентабельность инвестиций и конкурентное преимущество
Инвестиции в технологии машинного зрения приносят ощутимую отдачу в различных областях деятельности:
- Повышение производительности: Системы компьютерного зрения выполняют тысячи операций в минуту, обеспечивая 100% автоматизированную обработку и устраняя узкие места, поддерживая при этом стабильную производительность в течение длительных периодов времени для повышения эффективности.
- Сокращение отходов Раннее выявление проблем, точный контроль измерений и тщательный анализ первопричин снижают процент брака и оптимизируют использование сырья, повышая эффективность использования ресурсов.
- Повышение качества Визуальный анализ мельчайших деталей, невидимых для оператора, гарантирует, что на рынок поступает только продукция высочайшего качества, что снижает количество отзывов продукции и защищает репутацию бренда, одновременно повышая удовлетворенность клиентов.
- Соответствие нормативным требованиям сбор данных на протяжении всего жизненного цикла продукта обеспечивает отслеживаемость, необходимую для фармацевтической, медицинской, автомобильной и пищевой промышленности.
- Оптимизация трудовых ресурсов Автоматизированные задачи контроля позволяют квалифицированным работникам сосредоточиться на более важных задачах, одновременно решая проблему нехватки рабочей силы в производстве.
В совокупности эти преимущества обеспечивают операционное превосходство, что дает значительное конкурентное преимущество. Производители могут выпускать продукцию более высокого качества при меньших затратах, с большей скоростью и надежностью, одновременно соблюдая нормативные требования и повышая безопасность труда.
Обеспечение устойчивости производственных операций в будущем
Технологии компьютерного зрения продолжают стремительно развиваться:
- Приложения 3D- включая лазерную триангуляцию и датчики времени пролета, позволяют проводить более точный объемный анализ сложных узлов.
- Гиперспектральная визуализация открывает новые возможности для идентификации материалов и анализа химического состава.
- Интеграция искусственного повышает точность и адаптивность при обработке сложных, неструктурированных визуальных данных.
Будущее производства заключается в симбиотической связи между промышленной автоматизацией и анализом данных. Системы машинного зрения выступают в качестве основного датчика, передающего визуальные данные в аналитические системы, создавая мощные петли обратной связи, в которых автоматизация генерирует данные, которые служат основой для стратегий оптимизации, что приводит к более сложной и эффективной автоматизации в умных городах и за пределами производства.
Планирование внедрения
Руководителям производственных предприятий следует рассматривать инвестиции в технологии машинного зрения не как отдельные проекты, а как стратегическое развитие основной цифровой инфраструктуры. Эта «инфраструктура машинного зрения» обеспечивает масштабируемость и совместимость для множества существующих и будущих приложений компьютерного зрения, превращая заводы в интеллектуальные структуры, способные к непрерывной адаптации и оптимизации.
Начните с определения наиболее важных проблемных точек — будь то проблемы с качеством продукции, нехватка рабочей силы или ограничения производительности. Сотрудничайте с опытными поставщиками решений в области машинного зрения , которые понимают специфические требования вашей производственной отрасли и могут сопровождать внедрение от пилотных проектов до полномасштабного развертывания.
Производители, которые сегодня стратегически внедряют системы компьютерного зрения, заложат основу для интеллектуальных заводов будущего, заняв выгодное положение на все более конкурентном глобальном рынке.
Повысьте качество с помощью машинного зрения.
Исключите человеческие ошибки и ускорьте контроль качества, внедрив машинное зрение в ваши рабочие процессы инспекции. Вместе с нашими инженерами мы разработаем решение, которое подойдет для вашей производственной линии и будет масштабироваться в соответствии с вашими потребностями.
