Gelişmiş otomasyon için makine görüşü nasıl kullanılır

Apr 07, 2024 Mesaj bırakın

Birçok üretim süreci, sınırlı duyusal girdiyle üretim görevlerini gerçekleştiren sabit veya sert otomatik ekipman kullanarak çalışır. Daha karmaşık uygulamalar için, basit kameralar veya sensörler bir nesnenin varlığını, konumunu, boyutunu veya kalınlığını algılayabilir. Nesne daha karmaşık olduğunda, daha az kısıtlamaya sahip olduğunda veya görünümü açısından değerlendirilmesi gerektiğinde, bir makine görüşü çözümü uygulanabilir. Bu blog yazısı, gelişmiş otomasyonda makine görüşünün rolüne ilişkin fikir edinmek için üç uygulamayı inceleyecektir.

 

Birçok üretim sürecinde, nesne veya özellikleri saymak genellikle parça kalitesini sağlamak veya envanteri yönetmek için önemlidir. Bu önemsiz gibi görünse de, büyük miktarda veri söz konusu olduğunda insanlar için pratik bir görev değildir. Bu tür görevlerin makine görüşüyle ​​otomatikleştirilmesi için nesne segmentasyonu ilk adımdır ve bu, aydınlatma ve görüntüleme tekniklerinin uygun şekilde uygulanmasıyla kolaylaştırılabilir.
 

Görüntü ediniminin amacı, algılanacak özellikler ile arka plan arasındaki kontrastı artıracak şekilde nesnenin görüntüsünü aydınlatmak ve yakalamaktır. Daha sonra makine görüşü yazılımı, ilgi duyulan özellikleri veya nesneleri segmentlere ayırmak ve algılamak için kullanılır. Algılanan her nesnenin ölçülen nitelikleri daha sonra kalitesini veya kimliğini belirlemek için kullanılabilir.

 

Kaynak gözenekliliğinin karakterizasyonu


Örnek olarak kaynak gözenekliliğinin tespitini ve değerlendirmesini ele alalım. Parçanın şekli, kaynak kanalının değişken konturları ve yansıtıcı metal yüzeyler, düzgün aydınlatmayı zorlaştırır. Neyse ki gözenekler çok fazla ışık yansıtmaz - koyu görünürler.


Kaynaklar, makine görüşüyle ​​bölümlere ayrılabilen çeşitli koyu alanlara sahiptir. Kaynaktaki gözenekler, gözeneklerin özelliklerine uymayan koyu alanları göz ardı etmek için kullanılabilen karakteristik bir boyut aralığına ve şekle sahiptir. Gözeneklilik tespit edildiğinde, kaynaktaki gözeneklerin sayısı ve yoğunluğu (inç başına sayı), kaynak işleminin kabul edilebilir olup olmadığını veya operatör veya kontrol sistemi müdahalesinin gerekip gerekmediğini belirtmek için kullanılabilir.

 

Sayma Tüpleri

 

İlgili bir örnek, bir kasanın ucundan çekilen bir görüntüdeki tüp sayısını saymaktır; envanter kontrolü doğru sayımı gerektirir. Zorluklar arasında görüntüdeki tüp uçlarının değişken aydınlatması ve değişken perspektifi yer alır. Tüp ucu, tüp duvarının parlak dairesel yüzeyiyle çevrili koyu iç kısmıyla karakterize edilir.

 

Karanlık alanı beklenen çapta bir daire ile bölmek tüplerin çoğunu tespit edecektir. Ancak, kasa tabanına yakın bazı tüp iç kısımlarının parlak yansımalarına dikkat edin - görüntü işleme işlemleri bu küçük özellikleri sağlam tespit ve sayım için tüp iç kısımları bölgeleriyle birleştirebilir.

 

Karmaşık Şekil Hasarını Tespit Etme


Pervane kanatlarındaki yüzey hasarını tespit etmeyi düşünün. Hasar, dar çiziklerden büyük aşınma noktalarına kadar değişebilir; hasarlı alanın beklenen boyutunu veya şeklini karakterize etmek için standartlar yoktur. Ayrıca, pervane kanatlarının karmaşık şekilleri, hasar kontrastını artırmak için kullanılan optimum aydınlatma için bir zorluk teşkil eder.

 

En soldaki (en koyu) görüntü için kullanılan aydınlatma yapılandırmasında, hasar neredeyse algılanamadı. İki dönüşümlü aydınlatma yönü, hasarlı ve hasarsız kanat alanları arasında iyi bir kontrast sağladı, ancak kontrast iki yapılandırma arasında değişti. Lokalize yüzeyler ve görüntüleme sistemine göre hasar yönü nedeniyle, pervane kanadının farklı bölgeleri gösterildiği gibi farklı tepkiler sergileyecektir - bu da tek bir optimum aydınlatma yapılandırması olmadığı anlamına gelir.

 

Hasar şekli, boyutu ve kontrast arasındaki yüksek değişkenlik derecesi, kaynak gözenekliliği ve tüp sayımı örneklerinde kullanıldığı gibi programlanmış yöntemler kullanılarak otomatik tespiti zorlaştırır. Enstitü, makine öğrenme tekniklerini kullanarak inceleme sistemini geliştirdi. Bir evrişimli sinir ağı (CNN), bir görüntüdeki potansiyel olarak hasarlı alanları tanır. İkincil bir derin sinir ağı, CNN tarafından üretilen öz değerlere dayanarak görüntüyü hasar içeren (veya içermeyen) olarak sınıflandırır. Bu ağlar, hasarlı alanların manuel olarak tanımlandığı çok sayıda görüntü kullanılarak eğitilir.

 

Monokrom Vizyonun Ötesinde

 

Yukarıdaki üç örnek bazı monokrom makine görüşü uygulamalarını göstermektedir. Renk kontrastı kullanıldığında veya spektrumun görünmez kısmı kullanıldığında işler daha da ilginç hale gelir. Örneğin, monokrom kameralar yakın kızılötesi (NIR) dalga boylarına karşı hassastır ve normalde görünmez veya dikkat dağıtıcı olacak özelliklerin, o bandı bir spektral filtreyle kullanarak veya reddederek kullanılmasına veya kaldırılmasına olanak tanır.

 

Standart renkli kameralar üst üste binen geniş bantlı kırmızı, yeşil ve mavi filtreler kullanır; geniş bantlı beyaz aydınlatma yerine dar bantlı RGB LED aydınlatıcılar kullanmak renk ayrımını iyileştirir. Çok spektralli kameralar, renkli kameralara kıyasla oldukça hassas renk ayrımı sunar ve NIR bantları içerebilir. Belirli mürekkeplerin, boyaların ve yapıştırıcıların floresan özellikleri, uygun spektral filtrelerle UV ışınlaması kullanılarak kullanılabilir. Ve polarizasyonu unutmayın! Kızılötesi görüntüleme (uzun dalga, orta dalga, kısa dalga) yüzey sıcaklıklarını ölçmek, yüzey altı özelliklerini/kusurlarını tespit etmek, hidrokarbon gazlarını tespit etmek ve daha fazlası için kullanılabilir.

Soruşturma göndermek

whatsapp

Telefon

E-posta

Sorgulama