Nhiều quy trình sản xuất hoạt động bằng thiết bị cố định hoặc tự động cứng thực hiện các nhiệm vụ sản xuất với đầu vào cảm biến hạn chế. Đối với các ứng dụng phức tạp hơn, camera hoặc cảm biến đơn giản có thể phát hiện sự hiện diện, vị trí, kích thước hoặc độ dày của một vật thể. Khi vật thể phức tạp hơn, có ít ràng buộc hơn hoặc cần được đánh giá về ngoại hình, có thể áp dụng giải pháp thị giác máy. Bài đăng trên blog này sẽ xem xét ba ứng dụng để hiểu sâu hơn về vai trò của thị giác máy trong tự động hóa tiên tiến.
Trong nhiều quy trình sản xuất, việc đếm các đối tượng hoặc tính năng thường rất quan trọng để đảm bảo chất lượng bộ phận hoặc quản lý hàng tồn kho. Mặc dù điều này nghe có vẻ tầm thường, nhưng đây không phải là nhiệm vụ thực tế đối với con người khi liên quan đến lượng dữ liệu lớn. Để các nhiệm vụ như vậy được tự động hóa thông qua thị giác máy, phân đoạn đối tượng là bước đầu tiên và điều này có thể được tạo điều kiện thuận lợi bằng cách áp dụng đúng các kỹ thuật chiếu sáng và hình ảnh.
Mục tiêu của việc thu thập hình ảnh là chiếu sáng và chụp ảnh đối tượng theo cách tăng cường độ tương phản giữa các đặc điểm cần phát hiện và nền. Sau đó, phần mềm thị giác máy được sử dụng để phân đoạn và phát hiện các đặc điểm hoặc đối tượng quan tâm. Các thuộc tính được đo lường của mỗi đối tượng được phát hiện sau đó có thể được sử dụng để xác định chất lượng hoặc danh tính của đối tượng đó.
Đặc điểm độ xốp của mối hàn
Lấy việc phát hiện và đánh giá độ xốp của mối hàn làm ví dụ. Hình dạng của chi tiết, đường viền thay đổi của kênh hàn và bề mặt kim loại phản chiếu khiến việc chiếu sáng đồng đều trở thành một thách thức. May mắn thay, các lỗ rỗng không phản chiếu nhiều ánh sáng - chúng trông tối.
Mối hàn có nhiều vùng tối khác nhau có thể được phân đoạn bằng thị giác máy. Các lỗ rỗ trong mối hàn có phạm vi kích thước và hình dạng đặc trưng có thể được sử dụng để bỏ qua các vùng tối không khớp với đặc điểm của các lỗ rỗ. Khi phát hiện ra độ rỗ, số lượng và mật độ các lỗ rỗ (số trên một inch) trong mối hàn có thể được sử dụng để chỉ ra liệu quy trình hàn có thể chấp nhận được hay cần sự can thiệp của người vận hành hoặc hệ thống điều khiển.
Đếm ống
Một ví dụ liên quan là đếm số ống trong một hình ảnh chụp từ đầu một thùng hàng; kiểm soát hàng tồn kho đòi hỏi phải đếm chính xác. Những thách thức bao gồm độ sáng thay đổi và góc nhìn thay đổi của các đầu ống trong hình ảnh. Đầu ống được đặc trưng bởi phần bên trong tối được bao quanh bởi bề mặt tròn sáng của thành ống.
Chia vùng tối bằng một vòng tròn có đường kính mong muốn sẽ phát hiện hầu hết các ống. Tuy nhiên, hãy lưu ý đến sự phản chiếu sáng của một số phần bên trong ống gần đáy thùng - các hoạt động xử lý hình ảnh có thể hợp nhất các đặc điểm nhỏ này với các vùng bên trong ống để phát hiện và đếm chính xác.
Phát hiện hư hỏng hình dạng phức tạp
Hãy cân nhắc việc phát hiện hư hỏng bề mặt của cánh quạt. Hư hỏng có thể từ vết xước hẹp đến các điểm mòn lớn; không có tiêu chuẩn nào để mô tả kích thước hoặc hình dạng dự kiến của khu vực bị hư hỏng. Ngoài ra, hình dạng phức tạp của cánh quạt tạo ra thách thức đối với khả năng chiếu sáng tối ưu được sử dụng để tăng cường độ tương phản hư hỏng.
Trong cấu hình chiếu sáng được sử dụng cho hình ảnh cực trái (tối nhất), hư hỏng hầu như không thể nhận thấy. Hai hướng chiếu sáng xen kẽ cung cấp độ tương phản tốt giữa các vùng cánh quạt bị hư hỏng và không bị hư hỏng, nhưng độ tương phản bị đảo ngược giữa hai cấu hình. Do các bề mặt cục bộ và hướng hư hỏng so với hệ thống hình ảnh, các vùng khác nhau của cánh quạt sẽ thể hiện các phản ứng khác nhau như minh họa - nghĩa là không có cấu hình chiếu sáng tối ưu duy nhất.
Mức độ biến thiên cao giữa hình dạng, kích thước và độ tương phản của hư hỏng khiến việc phát hiện tự động bằng các phương pháp được lập trình theo chương trình trở nên khó khăn, như được sử dụng trong các ví dụ về độ xốp mối hàn và đếm ống. Viện đã phát triển hệ thống kiểm tra bằng các kỹ thuật học máy. Một mạng nơ-ron tích chập (CNN) nhận dạng các khu vực có khả năng bị hư hỏng trong một hình ảnh. Một mạng nơ-ron sâu thứ cấp phân loại hình ảnh là có (hoặc không có) hư hỏng dựa trên các giá trị riêng do CNN tạo ra. Các mạng này được đào tạo bằng cách sử dụng một số lượng lớn hình ảnh trong đó các khu vực bị hư hỏng đã được xác định thủ công.
Vượt ra ngoài tầm nhìn đơn sắc
Ba ví dụ trên minh họa một số ứng dụng thị giác máy đơn sắc. Mọi thứ trở nên thú vị hơn khi sử dụng độ tương phản màu hoặc sử dụng phần vô hình của quang phổ. Ví dụ, camera đơn sắc nhạy cảm với bước sóng gần hồng ngoại (NIR), cho phép khai thác hoặc loại bỏ các đặc điểm thường vô hình hoặc gây mất tập trung bằng cách sử dụng hoặc loại bỏ băng tần đó bằng bộ lọc quang phổ.
Máy ảnh màu tiêu chuẩn sử dụng các bộ lọc băng thông rộng chồng chéo màu đỏ, xanh lá cây và xanh lam; sử dụng đèn LED RGB băng thông hẹp thay vì đèn chiếu sáng trắng băng thông rộng giúp cải thiện khả năng phân biệt màu sắc. Máy ảnh đa quang phổ cung cấp khả năng phân biệt màu sắc cực kỳ nhạy so với máy ảnh màu và có thể bao gồm các dải NIR. Các đặc tính huỳnh quang của một số loại mực, thuốc nhuộm và chất kết dính có thể được khai thác bằng cách sử dụng chiếu xạ UV với các bộ lọc quang phổ thích hợp. Và đừng quên phân cực! Hình ảnh hồng ngoại (sóng dài, sóng trung bình, sóng ngắn) có thể được sử dụng để đo nhiệt độ bề mặt, phát hiện các đặc điểm/khuyết tật bên dưới bề mặt, phát hiện khí hydrocarbon, v.v.