Tầm nhìn máy như thế nào khi lái xe tự động hóa

Sep 12, 2024 Để lại lời nhắn

Tầm nhìn máy là sự hợp nhất của một số công nghệ cho phép các thiết bị công nghiệp hoặc tự động khác xuất phát từ hình ảnh một sự hiểu biết nâng cao về môi trường trong tay. Nếu không có phần mềm tầm nhìn máy, hình ảnh kỹ thuật số với các giá trị màu sắc và cường độ âm khác nhau sẽ không gì khác hơn là một bộ sưu tập pixel đơn giản, không kết nối với các thiết bị đó. Machine Vision cho phép máy tính (thường được kết nối với bộ điều khiển máy) để phát hiện các cạnh và hình dạng trong các hình ảnh như vậy để cho phép bộ xử lý cấp cao hơn nhận ra một đối tượng đích được xác định trước. Hình ảnh theo nghĩa này không giới hạn ở hình ảnh nhiếp ảnh trong phổ nhìn thấy được; Chúng cũng có thể bao gồm các hình ảnh thu được bằng tín hiệu hồng ngoại, laser, tia X và siêu âm.

 

Trong môi trường công nghiệp, việc các ứng dụng thị giác máy phải nhận ra các phần cụ thể từ nhiều phần được đặt trong một sự lộn xộn của các thùng vật liệu. Tại đây, Machine Vision giúp robot chọn và nơi tự động nhặt các bộ phận chính xác. Tất nhiên, nếu tất cả các bộ phận được sắp xếp gọn gàng theo cùng một hướng trên một pallet, thì sẽ tương đối đơn giản để nhận ra chúng với phản hồi hình ảnh. Tuy nhiên, các thuật toán tầm nhìn máy mạnh mẽ có thể nhận ra các đối tượng ở các khoảng cách khác nhau từ máy ảnh (và do đó xuất hiện dưới dạng hình ảnh có kích thước khác nhau trên cảm biến hình ảnh) cũng như các đối tượng không được định hướng theo cùng một hướng với máy ảnh.

 

Các hệ thống tầm nhìn máy tinh vi nhất đã cho phép các thiết kế mới nổi phức tạp hơn nhiều so với việc chọn các bộ phận từ các thùng; Ví dụ, có thể không có nhận dạng phức tạp hơn một chiếc xe tự lái.

 

machine vision

 

 

Các kỹ thuật liên quan đến tầm nhìn máy


Tầm nhìn của máy đôi khi được dành riêng để tham khảo các phương pháp toán học tinh vi và hiệu quả hơn có thể trích xuất thông tin từ hình ảnh. Ngược lại, thuật ngữ Tầm nhìn máy tính thường mô tả các hệ thống hiện đại hơn, đòi hỏi tính toán-bao gồm các phương pháp tiếp cận hộp đen sử dụng máy học hoặc trí tuệ nhân tạo (AI). Tuy nhiên, tầm nhìn máy cũng có thể được sử dụng như một thuật ngữ bao gồm tất cả bao gồm tất cả các phương pháp trích xuất thông tin cấp cao từ hình ảnh; Trong trường hợp này, tầm nhìn máy tính mô tả lý thuyết hoạt động cơ bản của nó.


Các kỹ thuật có thể trích xuất ý nghĩa cấp cao từ hình ảnh rất nhiều. Trong cộng đồng nghiên cứu, các kỹ thuật như vậy thường được coi là khác biệt với tầm nhìn máy. Tuy nhiên, trong thực tế, tất cả chúng là những cách khác nhau để thực hiện tầm nhìn máy ... và chúng trùng lặp trong nhiều trường hợp.


Xử lý hình ảnh kỹ thuật số là một hình thức xử lý tín hiệu số bao gồm tăng cường hình ảnh, phục hồi, mã hóa và nén. Ưu điểm so với xử lý hình ảnh tương tự là sự giảm thiểu của nhiễu và biến dạng cũng như vô số thuật toán có sẵn. Một trong những loại tăng cường hình ảnh đầu tiên đã được sử dụng để điều chỉnh các hình ảnh cận cảnh đầu tiên của bề mặt mặt trăng. Trong quá trình này, ánh xạ nhiếp ảnh cũng như các bộ lọc nhiễu đã được sử dụng và các hiệu chỉnh được thực hiện cho các biến dạng hình học gây ra bởi sự liên kết của camera hình ảnh với bề mặt mặt trăng.

 

Tăng cường hình ảnh kỹ thuật số thường liên quan đến việc tăng độ tương phản và có thể hiệu chỉnh hình học để xem góc và biến dạng ống kính. Nén thường đạt được bằng cách xấp xỉ các tín hiệu phức tạp như là sự kết hợp của các hàm cosine-một biến đổi Fourier được gọi là biến đổi cosin rời rạc (DCT). Định dạng tệp JPEG là ứng dụng phổ biến nhất của DCT. Phục hồi hình ảnh cũng có thể sử dụng biến đổi Fourier để loại bỏ nhiễu và mờ.


PhotoRammetry sử dụng một số loại nhận dạng tính năng để trích xuất các phép đo từ hình ảnh. Các phép đo này có thể bao gồm thông tin 3D khi nhiều hình ảnh của cùng một cảnh được thu thập từ các vị trí khác nhau. Các hệ thống nhiếp ảnh đơn giản nhất sử dụng thang đo để đo khoảng cách giữa hai điểm trong một hình ảnh. Để làm điều này, thường cần phải bao gồm một thang đo tham chiếu đã biết trong hình ảnh.


Phát hiện tính năng cho phép máy tính nhận dạng các cạnh, góc hoặc điểm trong hình ảnh. Đây là bước đầu tiên cần thiết cho nhiếp ảnh và để nhận ra các đối tượng và chuyển động. Phát hiện thấy các khu vực có các cạnh quá mịn để phát hiện cạnh hoặc góc.


Nhận dạng mẫu được sử dụng để nhận ra các đối tượng cụ thể. Trong trường hợp đơn giản nhất, điều này có thể có nghĩa là tìm một bộ phận cơ học cụ thể được xác định rõ trên băng chuyền.


Tái tạo 3D xác định hình dạng 3D của một đối tượng từ hình ảnh 2D. Tính năng này có thể được thực hiện bằng các phương pháp PhotoRammetric. Trong trường hợp này, chiều cao của các tính năng chung (được xác định trong hình ảnh từ các điểm quan sát khác nhau) được xác định bằng cách sử dụng tam giác. Tái tạo 3D cũng có thể sử dụng hình ảnh 2D một mình; Ở đây, phần mềm cũng giải thích các mối quan hệ hình học giữa các cạnh hoặc khu vực bóng mờ.

 


Con người có thể xây dựng lại các hình khối chỉ bằng cách xử lý chúng trong bộ não của chúng bằng cách sử dụng bản vẽ dòng - sử dụng các vòng tròn bóng mờ để xây dựng lại các quả cầu. Các bóng cho thấy độ dốc của bề mặt. Tuy nhiên, quá trình phái sinh này phức tạp hơn nhiều so với người ta có thể nghĩ, vì bóng là một tham số một chiều, trong khi độ dốc xảy ra trong trường hợp hai chiều. Điều này có thể dẫn đến các tình huống mơ hồ - một thực tế được xác nhận bởi nghệ thuật mô tả các vật thể không thể vật lý.


Làm thế nào các nhiệm vụ thị giác máy được giải trình tự


Nhiều hệ thống tầm nhìn máy kết hợp các kỹ thuật trên tăng dần bằng cách bắt đầu với các hoạt động cấp thấp và sau đó tiến tới các hoạt động cấp cao hơn. Ở mức thấp nhất, tất cả các pixel của một hình ảnh được lưu trữ dưới dạng dữ liệu băng thông cao. Mỗi hoạt động trong chuỗi sau đó nhận ra các tính năng hình ảnh và thể hiện thông tin quan tâm với một lượng dữ liệu tương đối nhỏ.


Đầu tiên là hoạt động ở cấp độ thấp của tăng cường hình ảnh và phục hồi theo sau là phát hiện tính năng. Do đó, trong trường hợp sử dụng nhiều cảm biến, các hoạt động cấp thấp có thể được thực hiện bằng các quy trình phân tán chuyên biệt cho các cảm biến riêng lẻ. Khi các tính năng được phát hiện trong các hình ảnh riêng lẻ, chụp ảnh tiên tiến hơn có thể được thực hiện - như với bất kỳ nhận dạng đối tượng hoặc tác vụ nào khác dựa trên dữ liệu kết hợp từ nhiều hình ảnh và cảm biến.


Tính toán trực tiếp và thuật toán học tập


Trong trường hợp tầm nhìn máy, tính toán trực tiếp là một tập hợp các chức năng toán học được định nghĩa bởi lập trình viên. Các chức năng này lấy các đầu vào như giá trị pixel hình ảnh và tạo ra các đầu ra như tọa độ cạnh đối tượng. Ngược lại, các thuật toán học không được viết trực tiếp bởi con người, nhưng được đào tạo trên các bộ dữ liệu ví dụ tương quan đầu vào với các đầu ra mong muốn. Do đó, các thuật toán học được sử dụng làm hộp đen. Hầu hết các máy học như vậy bây giờ sử dụng học tập sâu dựa trên mạng lưới thần kinh nhân tạo để tính toán.

 

Học máy đơn giản cho các ứng dụng công nghiệp có xu hướng đáng tin cậy hơn và ít tính toán hơn khi dựa trên tính toán trực tiếp. Tất nhiên, có những giới hạn đối với những gì có thể đạt được thông qua tính toán trực tiếp. Ví dụ, người ta không bao giờ nên hy vọng thực hiện các khuôn mặt để nhận ra các mẫu nhận dạng nâng cao cần thiết, và đặc biệt không phải từ các cảnh quay video trong không gian công cộng đông đúc. Ngược lại, học máy có thể khéo léo xử lý các ứng dụng như vậy. Do đó, không có gì đáng ngạc nhiên khi việc học máy ngày càng được triển khai cho các hoạt động thị giác máy cấp thấp, cụ thể là tăng cường hình ảnh, phục hồi và phát hiện tính năng.


Phương pháp giảng dạy được cải thiện (không phải thuật toán)


Sự tinh tế ngày càng tăng của các kỹ thuật học tập sâu đã cho thấy rõ rằng đó không phải là các thuật toán học tập cần phải được cải thiện, mà là cách mà các thuật toán được đào tạo. Một quy trình đào tạo được cải thiện được gọi là tầm nhìn máy tính tập trung vào dữ liệu. Ở đây, một hệ thống học tập sâu chấp nhận một bộ đào tạo rất mạnh mẽ bao gồm hàng ngàn, hàng triệu hoặc thậm chí hàng tỷ hình ảnh - và sau đó lưu thông tin tổng hợp được trích xuất từ ​​mỗi hình ảnh bằng thuật toán của nó. Các thuật toán này học hiệu quả bằng cách liên kết chúng với các ví dụ làm việc, và sau đó tham khảo một "cuốn sách trả lời" để xác minh rằng các giá trị chính xác đã được lấy.


Có một câu chuyện cảnh báo cũ về nhận dạng mẫu kỹ thuật số. Quân đội Hoa Kỳ từng có ý định sử dụng tầm nhìn máy móc để nhận dạng mục tiêu và cuộc biểu tình của một nhà thầu quốc phòng đáng tin cậy xác định cả xe tăng Hoa Kỳ và Nga. Xe tăng của tất cả các loại khác nhau có thể được phân biệt chính xác, từng loại khác, từ các bức ảnh trên không của nhà cung cấp. Tuy nhiên, khi được kiểm tra lại với thư viện hình ảnh của Lầu năm góc, hệ thống tiếp tục đưa ra câu trả lời không chính xác. Vấn đề là tất cả các hình ảnh của các nhà thầu quốc phòng đều mô tả những chiếc xe tăng Mỹ trên sa mạc và xe tăng Nga trên các cánh đồng xanh. Thay vì xác định các bể khác nhau, hệ thống đã xác định các nền màu khác nhau. Các tiêu chí công nhận là gì? Thuật toán học tập yêu cầu dữ liệu đào tạo được quản lý cẩn thận để làm việc.


Kết luận: Tầm nhìn an toàn cho các công việc robot


Tầm nhìn máy không còn là một công nghệ thích hợp. Trong ổ đĩa hiện tại, lĩnh vực công nghiệp là khu vực tăng trưởng lớn nhất để triển khai tầm nhìn máy. Sự phát triển đáng chú ý nhất trong lĩnh vực này là làm thế nào tầm nhìn máy móc hiện đang hoàn thành các hệ thống an toàn trong các nhà máy công nghiệp, tức là các hệ thống phát ra báo động hoặc đưa ra thông báo bằng giọng nói khi một công nhân vào khu vực làm việc không có mũ bảo hiểm, mặt nạ hoặc thiết bị bảo vệ thích hợp khác. Tầm nhìn máy cũng có thể được sử dụng trong các hệ thống cảnh báo khi di chuyển máy móc, chẳng hạn như xe nâng, đến quá gần nhân sự.

 

Những hệ thống tầm nhìn máy tương tự này đôi khi có thể thay thế các biện pháp bảo vệ cứng xung quanh robot công nghiệp để làm cho hoạt động hiệu quả hơn. Các hệ thống tầm nhìn máy cũng có thể thay thế hoặc tăng cường các hệ thống an toàn dựa trên bảo vệ ánh sáng dừng máy móc bất cứ khi nào một công nhân được phát hiện vào tế bào làm việc. Khi tầm nhìn máy theo dõi sàn nhà máy xung quanh một tế bào làm việc, các robot trong ô đó có khả năng dần dần chậm lại khi mọi người đến gần.

 

Khi thiết kế môi trường công nghiệp phát triển để phù hợp với robot hợp tác và các thiết bị làm việc khác cho phép nhân viên nhà máy đi bộ an toàn (ngay cả khi thiết bị đang chạy), các hệ thống này và các hệ thống dựa trên tầm nhìn khác sẽ trở thành một phần phổ biến hơn trong các quy trình thực vật.

Gửi yêu cầu

whatsapp

Điện thoại

Thư điện tử

Yêu cầu thông tin