Maskinvision är sammansmältningen av ett antal tekniker som gör det möjligt för industriell eller annan automatiserad utrustning att härleda från bilder en avancerad förståelse av miljön. Utan maskinvisionsprogramvara skulle digitala bilder med varierande färgvärden och tonala intensiteter inte vara något annat än en enkel, oansluten samling av pixlar till sådan utrustning. Maskinvision gör det möjligt för en dator (vanligtvis ansluten till en maskinstyrenhet) att upptäcka kanter och former i sådana bilder för att låta en högre processor känna igen ett fördefinierat målobjekt. Bilder i denna mening är inte begränsade till fotografiska bilder i det synliga spektrumet; De kan också inkludera bilder erhållna med hjälp av infraröd, laser, röntgen- och ultraljudssignaler.
I industriella miljöer är det ganska vanligt att maskinvisionsapplikationer känner igen specifika delar från de många delarna placerade i en röran med materialfack. Här hjälper maskinvision pick-and-place-roboten automatiskt att plocka upp rätt delar. Naturligtvis, om delarna alla är ordnade i samma orientering på en pall, skulle det vara relativt enkelt att känna igen dem med avbildningsåterkoppling. Emellertid kan kraftfulla maskinsynsalgoritmer känna igen objekt som är på olika avstånd från kameran (och därför visas som olika bilder på bildsensorn) såväl som objekt som inte är orienterade i samma riktning som kameran.
De mest sofistikerade maskinsynssystemen har möjliggjort nya mönster som är mycket mer komplexa än att plocka delar från fack; Till exempel kan det inte finnas mer komplex identifiering än en självkörande bil.

Tekniker relaterade till maskinvision
Termen maskinvision är ibland reserverad med hänvisning till mer sofistikerade och effektiva matematiska metoder som kan extrahera information från bilder. Däremot beskriver termen datorvision vanligtvis mer modern, beräkningsmässigt krävande system inklusive svartlådor som använder maskininlärning eller konstgjord intelligens (AI). Maskinvision kan emellertid också användas som en allomfattande term som innehåller alla metoder för att extrahera information på hög nivå från bilder; I detta fall beskriver Computer Vision sin underliggande teori om drift.
Tekniker som kan extrahera mening på hög nivå från bilder finns i överflöd. I forskarsamhället betraktas ofta sådana tekniker som skiljer sig från maskinvision. I verkligheten är emellertid alla olika sätt att implementera maskinvision ... och de överlappar i många fall.
Digital bildbehandling är en form av digital signalbehandling som involverar bildförbättring, restaurering, kodning och komprimering. Fördelar jämfört med analog bildbehandling är minimering av brus och distorsion samt mångfalden av tillgängliga algoritmer. En av de första typerna av bildförbättring användes för att korrigera de första närbilden av månytan. I denna process användes fotogrammetrisk kartläggning såväl som brusfilter och korrigeringar gjordes för geometriska snedvridningar orsakade av inriktningen av bildkameran till månens yta.
Förbättring av digital bild innebär vanligtvis att öka kontrasten och eventuellt geometriska korrigeringar för visningsvinklar och linsförvrängning. Komprimering uppnås ofta genom att tillnärma komplexa signaler som en kombination av kosinusfunktioner-en Fourier-transform känd som den diskreta kosinustransformen (DCT). JPEG-filformatet är den vanligaste tillämpningen av DCT. Bildåterställning kan också använda Fourier -transformen för att ta bort brus och oskärpa.
Fotogrammetri använder någon form av funktionsigenkänning för att extrahera mätningar från bilder. Dessa mätningar kan inkludera 3D -information när flera bilder av samma scen förvärvas från olika platser. De enklaste fotogrammetriska systemen använder en skala för att mäta avståndet mellan två punkter i en bild. För att göra detta är det ofta nödvändigt att inkludera en känd referensskala i bilden.
Funktionsdetektering gör det möjligt för datorn att känna igen kanter, hörn eller punkter i bilden. Detta är det första steget som behövs för fotogrammetri och för att känna igen föremål och rörelse. Blob -upptäckt identifierar områden med kanter som är för släta för kant- eller hörndetektering.
Mönsterigenkänning används för att känna igen specifika objekt. I det enklaste fallet kan detta innebära att hitta en väl definierad specifik mekanisk del på ett transportband.
3D -rekonstruktion bestämmer 3D -formen på ett objekt från en 2D -bild. Denna funktion kan realiseras med fotogrammetriska metoder. I detta fall bestäms höjderna för vanliga funktioner (bestämda i bilder från olika observationspunkter) med hjälp av triangulering. 3D -rekonstruktion är också möjlig med hjälp av 2D -bilder ensam; Här förklarar programvaran också de geometriska förhållandena mellan kanter eller skuggade områden.
Människor kan rekonstruera kuber helt enkelt genom att bearbeta dem i hjärnan med hjälp av linjeteckning - med skuggade cirklar för att rekonstruera sfärer. Skuggningen visar ytan på ytan. Emellertid är denna härledningsprocess mycket mer komplex än man kan tänka, eftersom skuggningen är en endimensionell parameter, medan lutningen förekommer i ett tvådimensionellt fall. Detta kan leda till tvetydiga situationer - ett faktum validerat av konsten att skildra fysiskt omöjliga föremål.
Hur maskinsynsuppgifter sekvenseras
Många maskinsynssystem innehåller ovanstående tekniker stegvis genom att börja med lågnivåoperationer och sedan utvecklas till högre nivå. På den lägsta nivån lagras alla pixlar av en bild som data med hög bandbredd. Varje operation i sekvensen känner sedan igen bildfunktioner och representerar informationen om intresse med en relativt liten mängd data.
Den första är den låga nivån för bildförbättring och restaurering följt av funktionsdetektering. När det gäller att använda flera sensorer kan således operationerna på låg nivå utföras genom distribuerade processer specialiserade för enskilda sensorer. När funktioner upptäcks i enskilda bilder kan mer avancerad fotogrammetri utföras - som med alla objektigenkänningar eller annan uppgift som förlitar sig på kombinerade data från flera bilder och sensorer.
Direkt beräkning och inlärningsalgoritmer
När det gäller maskinsyn är direkt beräkning en uppsättning matematiska funktioner som definieras av programmeraren. Dessa funktioner tar ingångar som bildpixelvärden och producerar utgångar såsom objektkantkoordinater. Däremot skrivs inte inlärningsalgoritmer direkt av människor, utan tränas på exempel datasätt som korrelerar ingångar med önskade utgångar. Som ett resultat används inlärningsalgoritmer som svarta rutor. De flesta sådana maskininlärningar använder nu djup inlärning baserat på konstgjorda neurala nätverk för beräkning.
Enkel maskininlärning för industriella applikationer tenderar att vara mer pålitliga och mindre beräkningsmässigt krävande när de är baserade på direkt beräkning. Naturligtvis finns det gränser för vad som kan uppnås genom direkt beräkning. Till exempel bör man aldrig hoppas kunna utföra ansikten för att känna igen de avancerade igenkänningsmönstren som krävs, och särskilt inte från videofilmer i trånga offentliga utrymmen. Däremot kan maskininlärning skickligt hantera sådana applikationer. Det är därför inte förvånande att maskininlärning i allt högre grad distribueras för lågnivåmaskinvision, särskilt bildförbättring, restaurering och funktionsdetektering.
Förbättrade undervisningsmetoder (inte algoritmer)
Den ökande sofistikeringen av djupa inlärningstekniker har gjort det klart att det inte är själva inlärningsalgoritmerna som måste förbättras, utan snarare hur algoritmerna tränas. En förbättrad träningsprocedur kallas datacentrerad datorvision. Här accepterar ett djupt inlärningssystem en mycket robust träningsuppsättning bestående av tusentals, miljoner eller till och med miljarder bilder - och sparar sedan den syntetiserade informationen som extraheras från varje bild av dess algoritmer. Dessa algoritmer lär sig effektivt genom att länka dem till arbetsexempel och hänvisa sedan till en "svarbok" för att verifiera att de korrekta värdena har härledts.
Det finns en gammal försiktighetsberättelse om erkännande av digitalt mönster. Den amerikanska militären avsåg en gång att använda maskinvision för måligenkänning, och en försvarsentreprenörs demonstration identifierade pålitligt både amerikanska och ryska tankar. Tankar av alla olika slag kan skiljas korrekt, en efter den andra, från leverantörens flygfotografier. Men när det testades igen med Pentagons eget bildbibliotek, fortsatte systemet felaktiga svar. Problemet var att försvarsentreprenörernas bilder alla avbildade amerikanska tankar i öknen och ryska tankar på gröna fält. Istället för att identifiera de olika tankarna identifierade systemet olika färgade bakgrunder. Vilka är erkännande kriterier? Lärande algoritmer kräver noggrant kuraterade träningsdata för att fungera.
Slutsats: En säker vision för robotiska arbetsceller
Maskinvision är inte längre en nischteknologi. I den nuvarande enheten är industrisektorn det största tillväxtområdet för maskinvisionsdistributioner. Den mest anmärkningsvärda utvecklingen inom detta område är hur maskinvision nu slutför säkerhetssystem i industriella anläggningar, dvs. system som låter ett larm eller ger röstmeddelanden när en arbetare kommer in i ett arbetsområde utan hjälm, mask eller annan lämplig skyddsutrustning. Maskinvision kan också användas i system som varnar när du flyttar maskiner, till exempel gaffeltruckar, komma för nära personal.
Dessa och liknande maskinsynssystem kan ibland ersätta hårda skyddande åtgärder kring industrirobotar för att göra verksamheten effektivare. Maskinsynssystem kan också ersätta eller förbättra säkerhetssystemen baserat på lätt skydd som stoppar maskiner när en arbetare upptäcks att komma in i arbetscellen. När maskinvision övervakar fabriksgolvet runt en arbetscell har robotarna i den cellen potentialen att gradvis sakta när människor närmar sig.
När utformningen av industriella miljöer utvecklas för att rymma samarbetsrobotar och annan arbetscellutrustning som gör det möjligt för växtpersonal att gå runt säkert (även när utrustningen är igång) kommer dessa och andra maskinvisionsbaserade system att bli en vanligare del av växtprocesser.




