1. Vägledning och positionering
Visuell positionering kräver maskinseende system för att snabbt och exakt lokalisera målkomponenter och bekräfta deras positioner. Maskinseende används för positionering under lastning och lossning, vilket styr robotarmar för att greppa föremål exakt. I halvledarförpackningar justerar utrustningen upptagningshuvuden- baserat på chippositionsdata som erhålls genom maskinseende för att exakt plocka upp chip för limning. Detta representerar den mest grundläggande tillämpningen av visuell positionering i industriell maskinseende.
Automation Expo: I applikationer som kombinerar maskinseende med robotik är robotstyrningspositionering den vanligaste. För sådana scenarier har Hikvision Robotics och dess partners implementerat många framgångsrika fall och mogna lösningar. Robotpositioneringsvägledning kan brett kategoriseras i tre lägen:
Det första läget är den fasta kamerakonfigurationen, där kameran förblir stationär på utrustningsramen utan att röra sig med roboten. Från vänster till höger är dessa: gripoperationen, gripoperationen för korrigering av offset och placeringsoperationen. I greppscenariot tar kameran bilder av inkommande material och utför grov positionering. Denna positioneringsdata överförs till roboten, vilket gör att den kan greppa materialen exakt. Detta tillvägagångssätt minskar beroendet av precisionen i överföringsmekanismen mellan arbetsstationer samtidigt som det säkerställer ett stabilt grepp. Förskjutningskorrigeringsläget använder en nedre kamera monterad på motsatt sida av robotarmen för sekundär precisionspositionering av arbetsstycket. Detta minskar väsentligt materialavvikelser, vilket säkerställer riktad bearbetning för varje inkommande del. Placeringsläget omfattar ett brett spektrum av operationer-från enkel placering till inriktning och montering-genom att använda kameran för att lokalisera den slutliga målpositionen. I kombination med de två föregående lägena uppnår detta en verkligt målinriktad bearbetning för varje arbetsstycke.
Två rörelsekameralägen involverar montering av kameran ovanpå robotarmen för synkroniserad rörelse. Även om det skiljer sig från det fasta kameraläget som beskrivs ovan, konvergerar både fasta och rörliga kameralägen funktionellt, vilket möjliggör positionering/gripande och guidad placering. Förutom att säkerställa kärnfunktionalitet erbjuder dessa lägen större installationsflexibilitet för att tillgodose olika miljö- och hårdvarubegränsningar.
För att förbättra hårdvaruanpassningen över olika installationsscenarier kan fasta och rörliga kameralägen kombineras, som illustreras i figur 3.
Vidare, inom halvledartillverkning, innebär det stora utmaningar att justera chippositionen för pickup-huvudena-. Machine vision löser detta genom att möjliggöra exakt chipupptagning och bindning-en grundläggande applikation som driver dess användning inom industrisektorer.
2. Utseendeinspektion
Denna process upptäcker kvalitetsproblem i produkter på produktionslinjer och representerar det område där manuellt arbete oftast ersätts. Inom läkemedelssektorn, till exempel, hanterar machine vision främst dimensionsinspektion, flaskytdefektdetektering, axeldefektdetektering och flaskmuninspektion.
Med utvecklingen av modern industriell automation används maskinseendeinspektion i stor utsträckning för olika kontroller, mätningar och delarigenkänningsuppgifter. Exempel inkluderar detektering av ytdefekter på infraröda cutoff-filter, modellidentifiering av fordonshjul, detektering av utseendedefekter på magnetiska material och igenkänning av streckkoder/tecken på produktförpackningar. Dessa applikationer delar de gemensamma egenskaperna för kontinuerlig massproduktion och extremt höga krav på utseendekvalitet.
Vanligtvis kan sådana mycket repetitiva och intelligenta uppgifter endast utföras genom manuell inspektion. Det är vanligt att se hundratals eller till och med tusentals inspektionsarbetare utföra dessa uppgifter bakom moderna löpande band i fabriker. Detta tillvägagångssätt medför inte bara betydande arbets- och ledningskostnader för fabrikerna utan garanterar inte heller en 100 % godkänd inspektionsgrad. Maskinseendeinspektion, med dess automatisering, objektivitet, -beröringsfria natur och höga precision, är nu fullt kapabel att ersätta manuellt arbete för dessa monotona, repetitiva uppgifter. Jämfört med allmänna bildbehandlingssystem betonar maskinseendeinspektion noggrannhet, hastighet och tillförlitlighet i industriella miljöer.
När den ekonomiska standarden stiger får maskinseendeinspektionen allt större framträdande plats. Det förbättrar produktionskapaciteten för kvalificerade produkter samtidigt som det eliminerar undermåliga artiklar tidigt i tillverkningsprocessen, vilket minskar avfallet och sänker kostnaderna.
3. Hög-precisionsinspektion
Vissa produkter kräver extrem precision-och når 0,01 till 0,02 mm eller till och med mikron-nivånoggrannhet-utöver mänskliga visuella möjligheter, vilket kräver maskinbaserad-inspektion.
I produktionen och det dagliga livet kräver varje produkt kvalitetsverifiering och ett certifikat om överensstämmelse. Det är allmänt erkänt att inspektion representerar den mest omfattande tillämpningen av maskinseende. Före framstegen inom maskinseendeteknologin stod manuell visuell inspektion ofta inför stora utmaningar: låg noggrannhet, känslighet för fel, oförmåga att arbeta kontinuerligt, utmattande-förare och alltför höga kostnader för tid och arbetskraft. Den utbredda användningen av maskinseende har drivit fram produkttillverkning och inspektion in i en mycket automatiserad era.
De mest typiska exemplen inkluderar myntkaraktärsinspektion och kretskortinspektion. Dessutom kräver inspektionen av Renminbis mynttillverkningsprocesser exceptionellt hög precision, som involverar många inspektionsanordningar och komplexa procedurer. Andra applikationer inkluderar maskinseende positioneringsinspektion, verifiering av kvalitet och defekter hos dryckesflaskkapslar, streckkodsteckendetektering och igenkänning, inspektion av defekter i glasflaskor och inspektion av läkemedelsglasflaskor. Det medicinska området är också ett av de primära användningsområdena för maskinseende.
4. Erkännande
Bildigenkänning innebär att bearbeta, analysera och tolka bilder genom maskinseende för att identifiera olika mönster och objekt. Detta möjliggör spårbarhet och insamling av data, och hittar omfattande tillämpningar inom fordonskomponenter, livsmedel, läkemedel och andra sektorer.
Det mest typiska exemplet är QR-kodigenkänning. QR-koder och streckkoder finns överallt i det dagliga livet. Tillverkare lägger in omfattande data i dessa kompakta koder för produkthantering och spårbarhet. När bildigenkänningen för maskinseende expanderar blir streckkoder på olika ytor lätta att läsa och upptäcka, vilket höjer moderniseringsnivåerna, ökar produktionseffektiviteten avsevärt och minskar gradvis tillverkningskostnaderna.
5. Objektsortering
Inom maskinseende applikationer följer objektsortering igenkännings- och inspektionsstadier. Genom att bearbeta bilder genom machine vision-system och integrera robotarmar sorteras produkterna.
Traditionella produktionslinjer förlitade sig på manuell placering av material i formsprutningsmaskiner innan de fortsatte till efterföljande processer. Idag sköter automatiserad utrustning materialdistribution. Machine vision-system fångar produktbilder, analyserar dem och visar resultat. Robotar placerar sedan motsvarande material i avsedda positioner och uppnår intelligent, modern och automatiserad industriell produktion.