1. Rehberlik ve Konumlandırma
Görsel konumlandırma, yapay görme sistemlerinin hedef bileşenleri hızlı ve doğru bir şekilde bulmasını ve konumlarını doğrulamasını gerektirir. Yükleme ve boşaltma sırasında konumlandırma için makine görüşü kullanılır ve robotik kolların nesneleri hassas bir şekilde kavraması için yönlendirilir. Yarı iletken paketlemede ekipman, birleştirme için talaşları doğru bir şekilde almak üzere makine görüşüyle elde edilen çip konumu verilerine dayalı olarak toplama kafalarını-ayarlar. Bu, endüstriyel makine görüşünde görsel konumlandırmanın en temel uygulamasını temsil eder.
Otomasyon Fuarı: Makine görüşünü robotik ile birleştiren uygulamalarda, robot yönlendirme konumlandırması en yaygın olanıdır. Bu tür senaryolar için Hikvision Robotics ve ortakları çok sayıda başarılı vaka ve olgun çözümü hayata geçirdi. Robot konumlandırma rehberliği genel olarak üç moda ayrılabilir:
İlk mod, kameranın robotla birlikte hareket etmeden ekipman çerçevesi üzerinde sabit kaldığı sabit kamera konfigürasyonudur. Soldan sağa bunlar; kavrama işlemi, kavrama ofseti düzeltme işlemi ve yerleştirme işlemidir. Kavrama senaryosunda kamera, gelen malzemelerin görüntülerini yakalar ve kaba konumlandırma gerçekleştirir. Bu konumlandırma verileri robota iletilerek malzemeleri doğru bir şekilde kavraması sağlanır. Bu yaklaşım, istikrarlı bir kavrama sağlarken iş istasyonları arasındaki aktarım mekanizmasının hassasiyetine olan bağımlılığı azaltır. Ofset düzeltme modunda, iş parçasının ikincil hassasiyetle konumlandırılması için robotik kolun karşı tarafına monte edilmiş bir alt kamera kullanılır. Bu, malzeme sapmasını önemli ölçüde azaltarak gelen her parça için hedeflenen işlemeyi sağlar. Yerleştirme modu, nihai hedef konumu bulmak için kamerayı kullanarak -basit yerleştirmeden hizalama ve montaja kadar- geniş bir işlem yelpazesini kapsar. Önceki iki modla birleştirildiğinde bu, her bir iş parçası için gerçekten hedeflenen işlemeyi sağlar.
İki hareketli kamera modu, senkronize hareket için kameranın robotik kolun üzerine monte edilmesini içerir. Yukarıda açıklanan sabit kamera modundan farklı olmakla birlikte, hem sabit hem de hareketli kamera modları işlevsel olarak birleşerek konumlandırma/kavrama ve yönlendirmeli yerleştirmeyi mümkün kılar. Bu modlar, temel işlevleri sağlamanın ötesinde, çeşitli çevresel ve donanım kısıtlamalarına uyum sağlamak için daha fazla kurulum esnekliği sunar.
Çeşitli kurulum senaryolarında donanım uyarlanabilirliğini geliştirmek için, Şekil 3'te gösterildiği gibi sabit ve hareketli kamera modları birleştirilebilir.
Ayrıca, yarı iletken üretiminde, alıcı kafalar için çip konumlandırmasını ayarlamak- önemli zorluklar doğurur. Yapay görme, endüstriyel sektörlerde benimsenmesini sağlayan temel bir uygulama olan hassas talaş toplama ve birleştirmeyi etkinleştirerek bu sorunu çözer.
2. Görünüm Denetimi
Bu süreç, üretim hatlarındaki ürünlerdeki kalite sorunlarını tespit eder ve el emeğinin en sık değiştirildiği alanı temsil eder. Örneğin ilaç sektöründe makine görüşü öncelikli olarak boyut denetimi, şişe yüzeyi kusur tespiti, omuz kusur tespiti ve şişe ağzı denetimi işlemlerini gerçekleştirir.
Modern endüstriyel otomasyonun gelişmesiyle birlikte, yapay görme denetimi çeşitli kontroller, ölçümler ve parça tanıma görevlerinde yaygın olarak uygulanmaktadır. Örnekler arasında kızılötesi kesme filtrelerinde yüzey kusuru tespiti, otomotiv tekerleklerinin model tanımlaması, manyetik malzemeler üzerinde görünüm kusuru tespiti ve ürün ambalajında barkod/karakter tanıma yer alır. Bu uygulamalar, sürekli seri üretimin ortak özelliklerini ve görünüm kalitesine yönelik son derece yüksek talepleri paylaşmaktadır.
Tipik olarak bu kadar tekrarlanan ve akıllı görevler yalnızca manuel inceleme yoluyla gerçekleştirilebilirdi. Fabrikalardaki modern montaj hatlarının arkasında bu görevleri yüzlerce hatta binlerce denetim çalışanının yerine getirdiğini görmek yaygındır. Bu yaklaşım, fabrikalara yalnızca önemli işçilik ve yönetim maliyetleri getirmekle kalmıyor, aynı zamanda %100 denetimden geçme oranını garanti edemiyor. Otomasyonu, nesnelliği,-temassız yapısı ve yüksek hassasiyeti ile yapay görme denetimi, artık bu monoton, tekrarlanan görevler için manuel emeğin yerini tamamen alabilecek kapasitededir. Genel görüntü işleme sistemleriyle karşılaştırıldığında, makine görüşü denetimi endüstriyel ortamlarda doğruluğu, hızı ve güvenilirliği vurgular.
Ekonomik standartlar yükseldikçe, yapay görme denetimi giderek artan bir önem kazanıyor. Nitelikli ürünler için üretim kapasitesini artırırken standart altı ürünleri üretim sürecinin erken safhalarında ortadan kaldırır, böylece israfı azaltır ve maliyetleri düşürür.
3. Yüksek-Hassaslık Denetimi
Bazı ürünler, insanın görsel yeteneklerinin ötesinde,-0,01 ila 0,02 mm'ye ulaşan ve hatta mikron-düzeyinde doğruluk-yaşanan aşırı hassasiyet gerektirir ve makine-tabanlı incelemeyi gerektirir.
Üretimde ve günlük yaşamda her ürün, kalite doğrulamasını ve uygunluk belgesini gerektirir. Denetimin makine görüşünün en kapsamlı uygulamasını temsil ettiği yaygın olarak kabul edilmektedir. Yapay görme teknolojisinin gelişmesinden önce, manuel görsel denetim sıklıkla önemli zorluklarla karşı karşıyaydı: düşük doğruluk, hatalara yatkınlık, sürekli çalışamama, -eğilimli operatörler ve aşırı zaman ve işçilik maliyetleri. Makine görüşünün yaygın şekilde benimsenmesi, ürün üretimini ve denetimini yüksek düzeyde otomatikleştirilmiş bir çağa taşıdı.
En tipik örnekler arasında madeni para karakteri incelemesi ve devre kartı incelemesi yer alır. Ek olarak, Renminbi madeni para üretim süreçlerinin denetimi, çok sayıda denetim cihazı ve karmaşık prosedürleri içeren olağanüstü derecede yüksek hassasiyet gerektirir. Diğer uygulamalar arasında makine görüşü konumlandırma denetimi, içecek şişesi kapaklarının kalitesinin ve kusurlarının doğrulanması, barkod karakter tespiti ve tanınması, cam şişe kusur denetimi ve farmasötik cam şişe denetimi yer alır. Tıp alanı aynı zamanda makine görüşü için birincil uygulama alanlarından biridir.
4. Tanınma
Görüntü tanıma, çeşitli desenleri ve nesneleri tanımlamak için görüntülerin makine görüşü yoluyla işlenmesini, analiz edilmesini ve yorumlanmasını içerir. Bu, otomotiv bileşenleri, gıda, ilaç ve diğer sektörlerde geniş uygulama alanı bularak veri izlenebilirliğine ve toplanmasına olanak sağlar.
En tipik örnek QR kod tanımadır. QR kodları ve barkodlar günlük yaşamın her yerinde mevcuttur. Üreticiler, ürün yönetimi ve izlenebilirlik için bu kompakt kodlara kapsamlı veriler yerleştirir. Makine görüşü görüntü tanıması genişledikçe, çeşitli yüzeylerdeki barkodlar kolayca okunabilir ve algılanabilir hale gelir; bu da modernizasyon düzeylerini yükseltir, üretim verimliliğini önemli ölçüde artırır ve üretim maliyetlerini kademeli olarak azaltır.
5. Nesne Sıralama
Yapay görme uygulamalarında nesne sıralama, tanıma ve inceleme aşamalarını takip eder. Görüntülerin makine görüş sistemleri aracılığıyla işlenmesi ve robotik kolların entegre edilmesiyle ürünler sınıflandırılır.
Geleneksel üretim hatları, sonraki işlemlere geçmeden önce malzemelerin enjeksiyon kalıplama makinelerine manuel olarak yerleştirilmesine dayanıyordu. Bugün, otomatik ekipmanlar malzeme dağıtımını gerçekleştiriyor. Yapay görme sistemleri ürün görüntülerini yakalar, analiz eder ve sonuçların çıktısını alır. Robotlar daha sonra ilgili malzemeleri belirlenen konumlara yerleştirerek akıllı, modern ve otomatikleştirilmiş endüstriyel üretim sağlıyor.




