Många tillverkningsprocesser arbetar med fast eller hård automatiserad utrustning som utför produktionsuppgifter med begränsad sensorisk input. För mer komplexa tillämpningar kan enkla kameror eller sensorer upptäcka närvaron, positionen, storleken eller tjockleken av ett föremål. När objektet är mer komplext, har färre begränsningar eller behöver utvärderas för sitt utseende, kan en maskinseende lösning användas. Det här blogginlägget kommer att granska tre applikationer för att få insikt i maskinens roll i avancerad automation.
I många tillverkningsprocesser är det ofta viktigt att räkna objekt eller funktioner för att säkerställa delkvalitet eller hantera lager. Även om detta kan låta trivialt, är det inte en praktisk uppgift för människor när stora mängder data är inblandade. För att sådana uppgifter ska automatiseras genom maskinseende är objektsegmentering det första steget, och detta kan underlättas genom korrekt tillämpning av ljus- och bildtekniker.
Målet med bildinsamling är att belysa och fånga en bild av objektet på ett sätt som förstärker kontrasten mellan de funktioner som ska upptäckas och bakgrunden. Machine vision programvara används sedan för att segmentera och detektera funktioner eller objekt av intresse. De uppmätta attributen för varje detekterat objekt kan sedan användas för att bestämma dess kvalitet eller identitet.
Karakteriserande svetsporositet
Ta detektering och utvärdering av svetsporositet som ett exempel. Formen på delen, svetskanalens variabla konturer och reflekterande metallytor gör enhetlig belysning till en utmaning. Lyckligtvis reflekterar inte porerna mycket ljus – de ser mörka ut.
Svetsar har en mängd mörka områden som kan segmenteras av maskinseende. Porer i svetsen har ett karakteristiskt storleksområde och form som kan användas för att ignorera mörka områden som inte matchar porernas egenskaper. När porositeten väl har detekterats kan antalet och densiteten av porer (antal per tum) i svetsen användas för att indikera om svetsprocessen är acceptabel eller om ingripande från operatören eller kontrollsystemet krävs.
Räknar rör
Ett relaterat exempel är att räkna antalet rör i en bild som tagits från änden av en låda; lagerkontroll kräver noggrann räkning. Utmaningar inkluderar variabel belysning och variabelt perspektiv av rörändarna i bilden. Röränden kännetecknas av sitt mörka inre omgivet av den ljusa cirkulära ytan av rörväggen.
Att dela det mörka området med en cirkel med den förväntade diametern kommer att upptäcka de flesta av rören. Observera dock att de ljusa reflektionerna av vissa av rörets interiörer nära botten av lådan - bildbehandlingsoperationer kan slå samman dessa små funktioner med rörets inre regioner för robust detektering och räkning.
Upptäcker komplexa formskador
Överväg att upptäcka ytskador på propellerbladen. Skador kan sträcka sig från smala repor till stora slitage; Det finns inga standarder för att karakterisera den förväntade storleken eller formen på det skadade området. Dessutom utgör de komplexa formerna på propellerbladen en utmaning för den optimala belysningen som används för att förbättra skadekontrasten.
I belysningskonfigurationen som användes för bilden längst till vänster (mörkaste) var skadan knappt märkbar. De två alternerande belysningsriktningarna gav god kontrast mellan skadade och oskadade bladområden, men kontrasten vände mellan de två konfigurationerna. På grund av de lokaliserade ytorna och skaderiktningen i förhållande till bildsystemet, kommer olika regioner av propellerbladet att uppvisa olika svar som visas - vilket betyder att det inte finns någon enskild optimal belysningskonfiguration.
Den höga graden av variation mellan skadans form, storlek och kontrast gör automatiserad detektering med programprogrammerade metoder utmanande, som används i exemplen på svetsporositet och rörräkning. Institutet utvecklade inspektionssystemet med hjälp av maskininlärningstekniker. Ett konvolutionellt neuralt nätverk (CNN) känner igen potentiellt skadade områden i en bild. Ett sekundärt djupt neuralt nätverk klassificerar bilden som innehållande (eller inte innehållande) skada baserat på egenvärdena som genereras av CNN. Dessa nätverk tränas med ett stort antal bilder där de skadade områdena har identifierats manuellt.
Beyond Monochrome Vision
De tre exemplen ovan illustrerar några monokroma applikationer för maskinseende. Saker och ting blir ännu mer intressanta när du använder färgkontrast eller använder den osynliga delen av spektrumet. Till exempel är monokroma kameror känsliga för nära-infraröda (NIR) våglängder, vilket gör att funktioner som normalt skulle vara osynliga eller distraherande kan utnyttjas eller tas bort genom att använda eller förkasta det bandet med ett spektralfilter.
Standardfärgkameror använder överlappande bredbandsfilter i rött, grönt och blått; Användning av smalbandiga RGB LED-belysningar istället för vit bredbandsbelysning förbättrar färgdiskrimineringen. Multispektrala kameror erbjuder mycket känslig färgdiskriminering jämfört med färgkameror och kan inkludera NIR-band. De fluorescerande egenskaperna hos vissa bläck, färgämnen och lim kan utnyttjas genom att använda UV-bestrålning med lämpliga spektralfilter. Och glöm inte polarisering! Infraröd avbildning (långvåg, mellanvåg, kortvåg) kan användas för att mäta yttemperaturer, detektera särdrag/defekter under ytan, detektera kolvätegaser med mera.