Машинное зрение представляет собой совокупность технологий искусственного интеллекта, направленных на получение и анализ изображений с помощью специализированных камер и оборудования в производственной среде. Данные, получаемые с помощью этих систем, могут быть использованы для решения широкого круга задач, позволяя заменить менее эффективный ручной труд.
Благодаря машинному зрению промышленное оборудование приобретает способность “видеть” и анализировать объекты, а также взаимодействовать с ними. Это, в свою очередь, способствует повышению качества производимой продукции, сокращению производственных расходов и упрощению технологических процессов.
Отличия машинного зрения от компьютерного и технического:
В русском языке часто путают термины “машинное зрение”, “компьютерное зрение” и “техническое зрение”. В английском языке используется только два термина: “Machine Vision” (машинное зрение) и “Computer Vision” (компьютерное зрение).
- Машинное зрение (Machine Vision) обычно описывает системы и технологии, используемые в промышленной автоматизации. Термин “машина” здесь трактуется широко – как любая техника или устройство, выполняющее определенную работу.
- Компьютерное зрение (Computer Vision) акцентирует внимание на использовании компьютера как основного элемента таких систем.
В русском языке термин “компьютерное зрение” сохраняет этот смысл. Термин “машинное зрение” же приобретает иное значение, поскольку слово “машина” в общеупотребительной практике ассоциируется скорее с автомобилем, чем с более широким понятием “техника”. Поэтому появился еще один термин – “техническое зрение”, который более точно соответствует английскому “Machine Vision” и может использоваться для описания промышленных систем, использующих зрение.
Читайте далее и узнайте больше о том:
- Что такое системы машинного зрения?
- Какие компоненты составляют системы машинного зрения
- Какие типы систем машинного зрения бывают
- Функции, выполняемые системами машинного зрения
- Применение систем машинного зрения
- И многое другое…
Что именно представляют собой системы машинного зрения?
Системы машинного зрения состоят из взаимосвязанных электронных компонентов, компьютерного оборудования и программных алгоритмов. Эти элементы взаимодействуют для обеспечения оперативного управления посредством обработки и анализа изображений, полученных из окружающей среды. Информация, полученная с помощью этих систем машинного зрения, используется для автоматизации и управления процессами, а также для проверки продукции и материалов.
Во многих производственных отраслях системы машинного зрения используются для выполнения повторяющихся, монотонных, трудоемких и длительных задач, выполняемых человеком. Такая интеграция приводит к повышению производительности и минимизации эксплуатационных расходов. Например, система машинного зрения, установленная на производственной линии, способна проверять сотни и даже тысячи деталей в минуту. Хотя люди могли бы проводить аналогичные проверки вручную, этот процесс был бы значительно медленнее, дороже и подвержен ошибкам, а также был бы ограничен по времени, что могло бы затруднить проверку качества всех работающих компонентов.
Системы машинного зрения значительно повышают качество продукции и выход готовой продукции, предоставляя точные, последовательные и воспроизводимые возможности обнаружения, проверки и измерения. Они способствуют раннему выявлению дефектов в процессе производства, предотвращая тем самым производство и выпуск на рынок бракованных деталей. Более того, эти системы повышают прослеживаемость и обеспечивают соблюдение нормативных стандартов и спецификаций в промышленных операциях.
Компоненты систем машинного зрения?
Системы машинного зрения — это узкоспециализированные автоматизированные решения для контроля и визуализации, применяемые в производстве, контроле качества, робототехнике и промышленной автоматизации. Эти интеллектуальные системы обычно состоят из пяти основных элементов, каждый из которых работает в синергии для достижения точного и высокоскоростного визуального анализа. Ниже мы рассмотрим эти важнейшие компоненты систем машинного зрения и их значение для создания надежных и надёжных систем машинного зрения. Хотя некоторые элементы знакомы по другим оптическим или автоматизированным технологиям, их интеграция обеспечивает расширенную функциональность, которая определяет современные платформы компьютерного зрения, обработки изображений и автоматизированного контроля. Понимание этих элементов крайне важно для тех, кто оценивает, выбирает или приобретает решения машинного зрения для задач промышленной автоматизации или обеспечения качества.
Освещение и системы машинного зрения
Освещение – основа точного контроля с помощью машинного зрения. Правильное освещение обеспечивает высокую контрастность и чёткую дифференциацию элементов, позволяя камерам и датчикам изображения точно выявлять дефекты, изъяны или характеристики изделия. Недостаточное освещение приводит к низкому качеству изображений, пропуску дефектов и ненадёжным измерениям. Ключевые параметры освещения, такие как расстояние и геометрия между источником света, камерой и объектом; угол освещения; интенсивность и цветовая температура; а также форма и размер осветительного прибора, должны быть методически оптимизированы. Отражательная способность, текстура и свойства материала поверхности объекта также существенно влияют на выбор освещения в системах машинного зрения. Правильная настройка освещения значительно улучшает обнаружение дефектов, точность совмещения и распознавание деталей.
В машинном зрении используются светодиодные, кварцевые галогенные, флуоресцентные и ксеноновые стробоскопические источники света, каждый из которых обладает уникальными спектральными, интенсивными и энергетическими характеристиками. Освещение можно разделить на направленное и рассеянное, в зависимости от того, как фокусируются элементы и дефекты. Оптимальное освещение снижает количество ошибок, увеличивает скорость линии контроля и обеспечивает единообразие изображений, что крайне важно для приложений машинного зрения, таких как оптическое распознавание символов, считывание штрихкодов, проверка наличия деталей и контроль качества поверхности.
Подсветка сзади (фоновая подсветка)
Источник света сзади располагается за целевым объектом. Этот метод освещения создаёт сильный контраст — объекты выглядят тёмными силуэтами на ярком фоне, что делает его высокоэффективным для обнаружения отверстий, щелей, посторонних материалов, трещин, пузырьков или царапин на прозрачных или полупрозрачных деталях. Подсветка широко используется при измерении размеров, калибровке, сортировке, позиционировании и обнаружении кромок, особенно в робототехнике с визуальным управлением и автоматизированной сборке. Для достижения максимальной точности используются монохромный свет и поляризаторы для подавления бликов и повышения чёткости кромок.
Рассеянное освещение
Рассеянное освещение (полное светлое поле) рассеивает свет в нескольких направлениях, обеспечивая равномерное освещение без теней. Это особенно эффективно для блестящих, текстурированных, полированных или смешанных отражающих поверхностей, поскольку минимизирует блики и не позволяет бликам перегружать изображение. В системах машинного зрения используются три основных типа рассеянного освещения:
Купольное рассеянное освещение окружает объект светом, уменьшая тени и выделяя тонкие детали поверхности. Оно идеально подходит для изогнутых, глянцевых или пластиковых компонентов, где равномерное освещение и уменьшение бликов критически важны.
Осевое освещение, также известное как коаксиальное освещение, подаёт свет вдоль той же оптической оси, что и камера. Отражая свет от плоских поверхностей, оно улучшает визуализацию гравюр и неровностей поверхности.
Плоское рассеянное освещение использует широкий плоский источник света, часто в форме кольца или панели, равномерно проецирующий свет со всех сторон. Обычно используется при высокоскоростной проверке печатных плат, анализе полупроводниковых пластин и контроле качества прецизионной электроники.
Частичное светлопольное освещение
Частичное светлопольное освещение, или направленное освещение, использует световые лучи, направленные под определенными углами, чтобы подчеркнуть текстуру поверхности, края и перепады высот, обеспечивая превосходный контраст при обследовании топографических объектов, таких как выступы, углубления и разметка. Однако этот метод может приводить к нежелательным отражениям от материалов с высокой отражающей способностью (зеркал), что потенциально может создавать яркие пятна на изображении с камеры. Он эффективен при обнаружении дефектов поверхности, контроле печатных плат и проверке рельефных или штампованных элементов.
Освещение в тёмном поле
Освещение в тёмном поле характеризуется малым углом освещения, когда свет падает на объект практически параллельно его поверхности, выявляя мелкие дефекты поверхности, рассеивая их в сторону камеры. При таком освещении царапины, углубления, отпечатки, выемки, пыль и другие мелкие аномалии выглядят яркими на тёмном фоне. Освещение в тёмном поле часто используется при контроле стекла, анализе металлических поверхностей, производстве медицинских приборов и в прецизионной метрологии.
Специальные осветительные аксессуары, такие как цветные фильтры и поляризаторы, часто интегрируются в системы машинного зрения для точной настройки качества изображения. Цветные фильтры регулируют контрастность определённых объектов или изолируют определённые длины волн для выделения нужных областей, а поляризаторы помогают устранить нежелательные отражения и блики, дополнительно повышая чёткость, точность и повторяемость результатов автоматизированного контроля в сложных условиях освещения.
Объективы для машинного зрения
Объектив — важнейший компонент камер машинного зрения, отвечающий за захват и фокусировку света на датчик изображения. Выбор объектива существенно влияет на четкость изображения, разрешение и способность обнаруживать мельчайшие детали. Объективы, разработанные для машинного зрения, часто обеспечивают цветокоррекцию или минимизацию хроматической аберрации для повышения точности изображения. Существуют сменные варианты, такие как объективы с креплением C и CS, которые обеспечивают гибкость для различных расстояний контроля и полей зрения, а также объективы с фиксированным фокусом для специальных применений. Правильный выбор объектива имеет основополагающее значение для успешного решения задач промышленного зрения, автоматизации измерений и контроля качества.
Поле зрения определяет максимальную область, видимую датчиком изображения. Объектив с большим полем зрения необходим для контроля широких объектов или многокомпонентных задач. Глубина резкости определяет допустимый диапазон перемещения объекта без необходимости постоянной перефокусировки, что крайне важно для высокоскоростных конвейеров и роботизированных захватно-установочных операций.
Глубина резкости описывает допустимое смещение положения датчика при сохранении оптимальной фокусировки, что влияет на гибкость установки системы и стабильность фокусировки.
Диафрагма (или f-число) регулирует количество света, попадающего в объектив: меньшая диафрагма увеличивает глубину резкости, но снижает яркость, требуя более интенсивного освещения.
Датчик изображения
Датчик изображения — это сердце любой видеокамеры, преобразующий оптические изображения в цифровые сигналы для последующей обработки. Современные камеры машинного зрения используют ПЗС-матрицы (приборы с зарядовой связью) или КМОП-матрицы (комплементарные металл-оксид-полупроводники), каждая из которых обладает своими преимуществами в определенных условиях контроля. ПЗС-матрицы обычно обеспечивают меньший уровень шума и более высокую однородность изображения, в то время как КМОП-матрицы обеспечивают более высокую частоту кадров и большую гибкость интеграции — обе являются основными компонентами современных высокоточных автоматизированных систем визуального контроля.
Две основные характеристики определяют производительность датчика изображения: разрешение и чувствительность. Разрешение относится к количеству пикселей, составляющих цифровое изображение; датчики с более высоким разрешением позволяют обнаруживать более мелкие детали, что критически важно для контроля электроники, фармацевтической упаковки и производства полупроводников. Чувствительность измеряет способность датчика регистрировать минимальные уровни освещенности, обеспечивая надежное обнаружение даже в условиях низкой контрастности или высокой скорости. Правильный баланс между высоким разрешением и оптимальной чувствительностью — ключ к превосходным результатам контроля в различных условиях применения.
При выборе датчика изображения для системы машинного зрения следует учитывать такие дополнительные факторы, как динамический диапазон, уровень шума и скорость кадра, которые могут влиять на производительность высокоскоростных производственных линий и промышленной робототехники.
Блок обработки изображений
Блок обработки изображений (VPU) отвечает за выполнение алгоритмов обработки изображений, преобразуя необработанные цифровые изображения в полезную информацию. Используя сложное программное обеспечение и алгоритмы искусственного интеллекта, такие как распознавание образов, геометрический поиск, анализ дефектов и оптическое распознавание символов, VPU расшифровывает сложные сцены и обеспечивает высокоскоростные и высокоточные автоматизированные проверки. Обработка может осуществляться с помощью встроенных интеллектуальных камер или внешних промышленных ПК, в зависимости от архитектуры системы и требований к обработке.
К распространенным функциям программного обеспечения для машинного зрения относятся улучшение изображений, обнаружение контуров, морфологический анализ, измерения, извлечение признаков, классификация дефектов и принятие решений о прохождении/непрохождении испытаний. Для обеспечения современного контроля качества в таких производственных процессах, как автомобилестроение, электроника и пищевая промышленность, процессор машинного зрения часто интегрируется с системами аналитики данных, машинного обучения и прослеживаемости, предоставляя ценную информацию о процессах и поддерживая предиктивное обслуживание.
Система связи
Система связи обеспечивает бесперебойный обмен данными между блоком обработки машинного зрения и остальной средой автоматизации. Быстрые и надежные интерфейсы ввода/вывода (I/O), такие как дискретные сигналы, соединения с ПЛК, последовательная связь RS-232, Ethernet/IP, Profinet и промышленные стандарты полевых шин, имеют решающее значение для интеграции систем машинного зрения в автоматизированное оборудование, робототехнику и системы управления. Высокоскоростная связь обеспечивает немедленную передачу результатов контроля, запуская соответствующие последующие действия, такие как отбраковка дефектных деталей, сортировка продукции, корректировка движений робота или обновление баз данных MES/ERP для обеспечения прослеживаемости.
Для конечных пользователей, оценивающих решения для машинного зрения, совместимость с существующим оборудованием производственной линии, простые возможности интеграции, масштабируемость сетей и защита от киберугроз являются важнейшими факторами при выборе оборудования и протоколов связи для систем машинного зрения.
Какие существуют типы камер машинного зрения?
Существует несколько основных категорий камер машинного зрения, используемых в промышленной автоматизации, контроле качества и автоматизированных системах инспекции. Выбор правильного типа камеры имеет решающее значение для оптимизации получения изображений, повышения точности контроля и повышения эффективности производства. Ниже перечислены основные типы камер машинного зрения:
Линейная камера
Линейная камера — важнейший компонент высокоскоростного промышленного контроля. Она захватывает изображения последовательно, сканируя одну строку пикселей за раз. Хотя камера охватывает весь объект, полное цифровое изображение формируется программным обеспечением путем объединения отдельных строк пикселей по мере перемещения камеры или объекта. Этот метод сканирования позволяет контролировать объекты, быстро движущиеся по производственной линии.
Линейные камеры особенно эффективны для контроля непрерывных материалов, таких как бумага, металлические листы, пластик, текстиль и рулонные материалы, а также для контроля цилиндрических или удлиненных объектов. Их способность создавать бесшовные изображения без искажений делает их идеальными для конвейерных систем, контроля печати, считывания штрихкодов и мониторинга технологических процессов в пищевой, фармацевтической и упаковочной промышленности.
Камера с зональным сканированием
Камеры с зональным сканированием используют прямоугольные датчики изображения для захвата изображений в одном полном кадре, создавая моментальный снимок всего поля зрения. Полученное цифровое изображение отражает размеры пикселей датчика, что упрощает анализ отдельных сцен блоком обработки изображений. Камеры с зональным сканированием отличаются высокой универсальностью и являются одними из наиболее широко используемых в промышленных системах машинного зрения. Простая установка, калибровка и юстировка делают их удобными для пользователя и отлично подходят для контроля неподвижных объектов или изделий, которые могут кратковременно задерживаться на производственной линии.
Эти камеры идеально подходят для обнаружения дефектов, идентификации деталей, контроля качества, считывания штрихкодов, контроля поверхности и тестирования электронных компонентов. Они без проблем работают как с монохромными, так и с цветными изображениями и совместимы со встроенным программным обеспечением для машинного зрения, что делает их пригодными для различных отраслей промышленности, включая электронику, автомобилестроение, производство медицинских приборов и полупроводников.
3D-камера для сканирования
3D-камеры для сканирования предоставляют расширенные возможности для углубленного осмотра, измерения и распознавания объектов. Они захватывают данные изображения в плоскостях X, Y и Z, определяя положение, пространственную ориентацию и объемные характеристики объектов. Эти камеры используют один или несколько модулей в сочетании с лазерными датчиками смещения или структурированным светом для получения информации о глубине.
В системе с одной камерой камера создает подробную карту высот, измеряя смещение лазера на цели, что позволяет точно рассчитывать высоту объекта, топографию поверхности и плоскостность. Многокамерные системы используют лазерную триангуляцию для создания комплексных 3D-профилей, поддерживая такие задачи, как роботизированное наведение, сбор контейнеров и поточная метрология.
Благодаря надежной работе в сложных условиях, включая переменное освещение, контрастность и цветовые условия, 3D-камеры незаменимы в автоматизации производства, ориентации деталей, анализе дефектов и обратном проектировании. Они играют ключевую роль в передовой метрологии, интеллектуальном производстве и решениях для инспекции на основе машинного обучения.
Оптический компаратор против системы машинного зрения
Можно предположить, что оптические компараторы и системы машинного зрения представляют собой один и тот же тип технологий и выполняют идентичные функции. Хотя оба решения предназначены для контроля деталей и обеспечения качества, существуют фундаментальные различия в их методологиях и возможностях в рамках промышленных процессов.
Как оптические компараторы, так и системы машинного зрения используются для оценки, измерения и проверки размеров и параметров изготовленных деталей. Однако оптические компараторы ограничены двумерной (2D) или двух с половиной мерной (2½D) оценкой небольших компонентов без интеграции с программным обеспечением. Они работают, проецируя силуэт или профиль, и лишены передовых функций цифровой обработки изображений, автоматизации и интеграции, необходимых для современного производства. Оптические компараторы также не подключаются к файлам систем автоматизированного проектирования (САПР) или автоматизированным инструментам анализа данных.
Поскольку оптические компараторы требуют ручного управления, когда оператор позиционирует каждую деталь индивидуально, они могут быть медленными и трудоемкими, что ограничивает производительность и ограничивает их пригодность для крупносерийного производства. Они имеют фундаментальные конструктивные ограничения и не могут сравниться с скоростью, повторяемостью, автоматизацией процесса и жесткими допусками, достигаемыми передовыми системами машинного зрения.
Несмотря на совершенствование оптики и освещения за последние годы, основная технология оптических компараторов практически не изменилась с момента их появления в 1920-х годах. В отличие от этого, системы машинного зрения предлагают автоматизированные измерения, обнаружение дефектов, идентификацию деталей, 3D-возможности и бесшовную интеграцию с роботизированными системами и программным обеспечением для управления производством. Благодаря поддержке сложных инспекций на основе САПР, автоматизированной метрологии, анализа изображений и контроля качества в реальном времени, решения для машинного зрения быстро вытесняют традиционную технологию компараторов в сложных производственных условиях.
При выборе между оптическими компараторами и камерами машинного зрения производители должны учитывать такие ключевые факторы, как требуемая точность контроля, скорость производства, уровень автоматизации, прослеживаемость данных и интеграция с системами управления качеством. Для большинства сложных задач промышленного контроля камеры машинного зрения обеспечивают превосходную гибкость, надежность и долгосрочную масштабируемость в сложных и динамичных производственных средах.
Что такое гиперспектральная визуализация?
Гиперспектральная визуализация расширяет возможности традиционной спектральной визуализации, используя более широкий диапазон длин волн для получения данных с каждого пикселя отдельно. В отличие от стандартной спектральной визуализации, которая обычно фиксирует лишь несколько цветов, таких как красный, зелёный, синий и ближний инфракрасный, гиперспектральная визуализация может анализировать сотни различных длин волн. Эта передовая возможность позволяет гиперспектральным системам машинного зрения выявлять внутренние изменения и примеси в объекте, а не только дефекты на уровне поверхности.
Растущее внедрение систем гиперспектральной визуализации объясняется их способностью быстро и точно предоставлять данные. Они стали критически важными в процессах сортировки благодаря своей эффективности и высококачественному, безошибочному управлению. Гиперспектральная визуализация превосходно дифференцирует вещества с едва заметными химическими различиями, такие как различные виды пластика, даже если они визуально кажутся похожими. Этот метод особенно эффективен для анализа непрозрачных материалов, не пропускающих видимый свет.
Применение гиперспектральных систем машинного зрения
Гиперспектральные системы машинного зрения предлагают возможности контроля, недоступные традиционным камерам, которые фокусируются исключительно на анализе поверхности. Ожидается, что эта сложная технология станет всё более важным стандартом контроля качества в различных отраслях.
Отрасли, в которых гиперспектральная съемка используется в системах машинного зрения, включают:
Фармацевтическая промышленность
Хотя таблетки в партии могут выглядеть одинаково как для камер, так и для наблюдателей, скрытые примеси и дефекты под их поверхностью могут остаться незамеченными. Гиперспектральная съемка позволяет выявить эти дефекты и пометить их для удаления.
Производство продуктов питания
В пищевой промышленности гиперспектральные системы машинного зрения могут обнаруживать загрязняющие вещества, такие как личинки насекомых, и непищевые объекты, такие как камни или ветки в партиях овощей. Они также полезны для обнаружения примесей или загрязнений в обработанных продуктах, таких как сыр или колбаса.
Строительные материалы
Гиперспектральная съемка эффективна для обнаружения примесей, влажных участков, сучков и смоляных карманов в древесине, используемой в строительстве.
Медицинская визуализация
В медицине гиперспектральная визуализация помогает обнаруживать и идентифицировать скрытые раковые клетки.
Гиперспектральные камеры разлагают сигнал на спектральные компоненты, проецируя каждый компонент на отдельный пиксель с минимальным энергетическим воздействием. Технология гиперспектральной визуализации стремительно развивается, расширяя спектральный диапазон с обычных 930–1700 нм до более широкого диапазона 1700–2500 нм, что позволяет работать с различными материалами.
Какие функции выполняют системы машинного зрения?
Системы машинного зрения предлагают передовые и эффективные решения, автоматизируя задачи, часто выполняемые в промышленных процессах:
Контроль наличия
Контроль наличия включает в себя проверку количества и наличия или отсутствия деталей. Это фундаментальная функция систем машинного зрения и одна из наиболее распространённых задач в различных отраслях. Типичные области применения включают подсчёт таких предметов, как бутылки и винты, проверку наличия этикеток на упаковках продуктов питания, проверку электронных компонентов на печатных платах, обеспечение правильного нанесения клея и подтверждение наличия винтов или шайб в собранных деталях.
Системы машинного зрения используют следующие методы обработки изображений:
Двоичная обработка
Двоичная обработка заключается в преобразовании изображений с монохромной камеры в пиксели, содержащие только два оттенка: чёрный и белый. Это упрощение упрощает обработку изображений и принятие решений. Каждый пиксель преобразуется на основе заданного порогового значения.
Анализ блобов
После двоичной обработки полученное оцифрованное изображение подвергается анализу блобов. В данном контексте «блоб» означает кластер пикселей с одинаковыми оттенками. Изображение отображается в системе координат, где определяются и оцениваются положения каждого блоба по осям X и Y.
Анализ блобов применяется для решения различных задач, включая подсчёт по площади блоба, измерение размеров и площадей, определение местоположения объектов, определение ориентации предметов и обнаружение дефектов, а также для других целей.
Дополнительные методы обработки и анализа изображений включают:
- Предварительное программирование определённой цели в блоке обработки изображения. Компьютер будет искать на изображении цели, похожие на зарегистрированную.
- Анализ, основанный на цветовой дифференциации. Этот метод обеспечивает более точную оценку.
Практическое позиционирование
Позиционирование — это процесс сравнения положения и ориентации детали с заданным пространственным допуском. Положение и ориентация детали в двумерном или трёхмерном пространстве передаются роботу или элементу машины для выравнивания или установки целевого объекта в нужном положении или ориентации. Системы позиционирования с использованием машинного зрения обеспечивают большую точность и скорость, чем ручной контроль, выравнивание и позиционирование. Практические приложения позиционирования включают роботизированный захват и размещение деталей на конвейерной ленте и с неё, позиционирование стеклянных подложек, проверку совмещения штрихкодов и этикеток, проверку размещения микросхем на печатной плате и размещение деталей, упакованных на поддоне.
Идентификация с помощью машинного зрения
Идентификация с помощью машинного зрения включает сканирование и интерпретацию штрихкодов, двумерных кодов, прямой маркировки деталей и текста на продуктах, этикетках и упаковках. Эти коды могут включать такие данные, как название продукта, производитель, дата изготовления, номер партии и срок годности. Этот процесс улучшает прослеживаемость, управление запасами и верификацию продукции. Идентификация осуществляется с помощью систем оптического распознавания символов (OCR) или оптической верификации символов (OCV). Системы OCR интерпретируют напечатанные на целевом объекте буквенно-цифровые символы без предварительно заданных данных о символах. В отличие от этого, системы OCV подтверждают наличие определенных последовательностей символов.
Дефектоскопия
Дефектоскопия — важнейший аспект контроля качества в производстве и одно из основных применений систем машинного зрения. Этот процесс включает в себя выявление таких дефектов, как трещины, царапины, пятна, зазоры, загрязнения, изменение цвета и другие неровности поверхности, которые могут повлиять на производительность и надежность изделия. Дефекты часто появляются случайным образом, поэтому алгоритмы машинного зрения разработаны для обнаружения изменений в рисунке, цвете, текстуре или целостности конструкции. Система отслеживает эти дефекты и может классифицировать их по типу, цвету, текстуре и размеру, что позволяет изолировать дефектные детали. Системы машинного зрения превосходно обнаруживают мельчайшие и микроскопические дефекты, которые могут быть не видны человеческому глазу, и могут работать непрерывно в течение длительного времени, в отличие от инспекторов-людей.
Дефектоскопия широко используется для проверки полупроводниковых и электронных компонентов, бытовой техники, состояния оснастки, пищевых продуктов и их упаковки, материалов, производимых в виде непрерывных рулонов (например, бумаги, пластика, металлов), и других материалов. Дефектоскопия полезна при онлайн-инспекциях; При обнаружении дефектной детали, поступающей из процесса, процесс немедленно останавливается и исправляется, а дефектная деталь отделяется от партии. Обнаружение дефектов обычно встроено в системы машинного зрения вместе с функциями контроля присутствия, измерения и позиционирования.
Обнаружение посредством измерения
Измерение включает в себя оценку точности размеров и геометрических допусков деталей. Системы машинного зрения рассчитывают расстояния между несколькими точками и положение конкретных элементов на объекте, чтобы проверить их соответствие заданным стандартам. Для достижения точных, точных и согласованных измерений требуется оптимизация как осветительных, так и оптических систем в системе машинного зрения.
Системы машинного зрения способны измерять элементы размером до 25,4 мкм. Эта функция часто сочетается с дефектоскопией для оценки неровностей, обнаруженных в деталях. Кроме того, эти системы могут использоваться для определения объёма деталей.
Каковы некоторые области применения систем машинного зрения?
Системы машинного зрения имеют широкий спектр практического применения в различных отраслях. Вот некоторые из ключевых отраслевых применений:
Пищевая, фармацевтическая и потребительская промышленность
Обеспечение точной упаковки и идентификации продуктов питания, напитков, фармацевтических препаратов и потребительских товаров требует надежной и отказоустойчивой системы контроля.
- Машинное зрение управляет роботизированным манипулятором при захвате и размещении продуктов в коробках. Система подсчитывает количество продуктов в каждой коробке перед запечатыванием.
- Банки, бутылки и крышки проверяются на наличие таких дефектов, как трещины и вмятины.
- Лапша быстрого приготовления проверяется на наличие или отсутствие пакетиков с приправами. Этот тип контроля также применим к продуктам, содержащим несколько видов ингредиентов.
- Бутылки и пакетики с жидкими продуктами проверяются на линиях розлива жидкостей на предмет их правильного наполнения.
- Проверяются символы и графика на этикетках. Также проверяется ориентация этикеток на упаковке. Срок годности проверяется на упаковках продуктов питания и лекарств. Для проверки производителя, кода даты, номера партии и т. д. сканируется штрих-код или двумерный код.
Контроль качества полупроводников
В контроле качества полупроводников обнаружение дефектов и точное позиционирование компонентов являются важнейшими задачами. Системы машинного зрения играют решающую роль в эффективном решении этих задач в отрасли.
- Интегральные схемы (ИС) и их паяные соединения на печатной плате (ПП) чувствительны к трещинам и пустотам, поскольку эти дефекты существенно влияют на их функциональность и надежность.
- Выводы ИС проверяются на изгиб и копланарность. Проверяется положение шариковых выводов в корпусах BGA.
- Ориентация и совмещение ИС и других электронных компонентов проверяются перед монтажом на ПП.
- Положение выреза на пластинах контролируется для определения угла поворота. Система машинного зрения измеряет положение пластины во время обработки, чтобы исключить дефектные пластины.
Автомобильная промышленность и системы машинного зрения
- Сборка и транспортировка автомобильных деталей выполняются роботизированным манипулятором, управляемым системой машинного зрения.
- Проверяются размеры свечей зажигания.
- Дефектоскопия используется для проверки дифференциалов, головок клапанов двигателя, покрытий поршней, сальников, сажевых фильтров и т. д.
Что такое проектирование системы машинного зрения?
Проектирование системы машинного зрения — это сложная задача интеграции разнообразных и отдельных компонентов в единое, эффективное целое. Первый этап включает определение функций системы и методов ее эксплуатации.
Каждый этап процесса проектирования тщательно оценивается, чтобы гарантировать соответствие всех элементов, компонентов и принципов машинного зрения конкретным целям и требованиям приложения.
Выбор камеры
Термин «камера» относится к компоненту, отвечающему за захват изображений в системе машинного зрения. Ключевые требования включают обнаружение объектов, идентификацию объектов, определение местоположения, измерение размеров и скорость обработки. После определения этих требований можно указать необходимое пространственное разрешение, разрешение изображения и частоту кадров для приложения.
Пространственное разрешение
Пространственное разрешение определяется количеством пикселей наименьшего обрабатываемого объекта, а также точностью и повторяемостью, которые необходимо обеспечить. Для очень маленьких объектов, таких как отверстия или болты, требуется очень мало пикселей, но разрешение будет ненадёжным. Для повышения разрешения потребуется больше пикселей.
В измерительных приложениях могут использоваться доли пикселя с минимальной точностью в одну десятую пикселя. Допустимый размер пикселя или доли зависят от требуемой точности измерения.
При оценке размера и измерения важно учитывать оба типа пространственного разрешения, при этом более высокое разрешение, как правило, предпочтительнее.
Разрешение изображения
Разрешение изображения определяется количеством столбцов и строк, необходимых для достижения желаемого пространственного разрешения. Чтобы рассчитать разрешение изображения, разделите площадь изображения на пространственное разрешение, чтобы найти необходимое количество пикселей, ширину и высоту. Количество строк и столбцов в камере должно быть больше, чем это значение.
Частота съемки
Последний шаг при выборе камеры — определить необходимое количество кадров в секунду для данной задачи. Большинство систем машинного зрения работают со скоростью 10–15 кадров в секунду или меньше. Более высокое разрешение, как правило, приводит к снижению частоты съемки.
Выбор объектива
Выбор объектива включает в себя учет его формата, поля зрения, расстояния до компонентов и оптического разрешения. Необходимые расчеты включают оптическое разрешение объектива, кратность увеличения и фокусное расстояние.
Формат объектива
Объективы разработаны для сенсоров определенных размеров и должны соответствовать размеру сенсора. Крайне важно обеспечить совместимость формата объектива с форматом сенсора. Крепление объектива зависит от размеров камеры и сенсора, при этом крепления типа C подходят для сенсоров с низким и средним разрешением.
Оптическое разрешение
Оптическое разрешение описывает способность объектива различать элементы различных размеров, от самых маленьких до самых больших.
Коэффициент увеличения
Коэффициент увеличения рассчитывается путем деления наименьшего размера поля зрения на наименьший размер сенсора. Этот коэффициент зависит от фокусного расстояния объектива и рабочего расстояния.
Источник света
Источник света в системе машинного зрения играет решающую роль в создании контраста между объектом и фоном. Точные расчеты необходимы в связи с широким спектром доступных методов освещения.
Окончательная оценка
После выбора камеры, объектива и источника света крайне важно протестировать их на соответствие требуемым характеристикам. Во время тестирования следует использовать реальные инструменты.
Справочные материалы для оценки должны включать:
- Объектив и камера должны обеспечивать правильное поле зрения для желаемого рабочего расстояния.
- Камера, объектив и источник света должны обеспечивать высококачественное изображение с соответствующей контрастностью и четкостью деталей, отвечающими требованиям приложения.
- Четкость объектов должна соответствовать ожидаемым и корректным характеристикам приложения.
- Оценка базовой обработки включает в себя способность системы обнаруживать дефекты и проводить измерения, соответствующие возможностям системы.
Тестирование системы машинного зрения может выявить необходимость модификации или замены компонентов для более эффективного достижения целей приложения.
Резюме
- Система машинного зрения представляет собой совокупность интегрированных электронных компонентов, компьютерного оборудования и программного обеспечения, которая используется для оперативного управления производственными процессами путем обработки и анализа полученных изображений окружающей среды.
- Компонентами систем машинного зрения являются освещение, объектив, датчики изображений, блок обработки изображений и система связи.
- Варианты освещения систем машинного зрения: фоновая подсветка, рассеянное освещение, частичное освещение в светлом поле и освещение в темном поле.
- Свойства объективов машинного зрения: поле зрения, глубина резкости, глубина фокусировки и апертура.
- Разрешение и чувствительность являются важнейшими характеристиками датчиков изображения.
- Камеры машинного зрения бывают линейными, зонными и 3D-сканирующими.
- Функции, выполняемые системами машинного зрения, включают контроль присутствия, позиционирование, идентификацию, обнаружение дефектов и измерение.
- Системы машинного зрения имеют множество практических применений во многих отраслях промышленности.
