牛和人交VIDEOS欧美3D,高清性欧美ⅩXX,欧美人与物VIDEOS另类

【自有技術大講堂】有效的機器視覺應用設計

網站首頁    行業信息    【自有技術大講堂】有效的機器視覺應用設計

幾十年來,機器視覺技術在工業環境自動化檢測任務中得到了大量的使用,包括缺陷檢測、缺陷分析、裝配驗證、分類和計數等領域。隨著計算機視覺軟件技術的進一步發展,機器視覺系統的應用深度和廣度都得到了增強。成像系統作為一個至關重要的視覺組件,其作用可能會被低估或誤解。

 

如果沒有精心設計和正確安裝的成像系統,軟件難以可靠地檢測缺陷。例如,圖1(左)中的成像設置顯示了一個看上去完整的齒輪圖像,但只有右側的圖像清楚地顯示了凹痕缺陷。當遵循最佳實踐時,傳統機器視覺和基于深度學習的成像系統能夠進行有效的視覺檢查,并將提高效率、增加吞吐量并增加收入。本文深入探討了迭代設計的最佳實踐,并為設計每種類型的系統提供了成功的路線圖。

 

圖1

 

您的成像系統是否足夠好?

 

照明、光學元件和相機組成一個成像系統,要想獲得高質量的產品圖像,必須仔細指定和實施這些組件。在這種情況下,“高質量”是指圖像與具有正?;蝾A期外觀的圖像相比,具有足夠的對比度以突出顯示不可接受的特征(例如凹痕)。圖像還必須具有足夠的分辨率以顯示特征之間的差異。

 

對于檢查系統生成的圖像,如果人工檢查員也不能很好的識別其中缺陷,那么軟件也不大可能能夠識別。類似的,在人工檢查員可以識別圖像中缺陷的情況下,無法保證成像技術將在操作期間對類似的目標缺陷進行可靠且可重復的檢測。因此成像系統需要檢查的工作情況包括:

  • 查看物理部件的檢查員可以可靠地判斷某物是否有缺陷,但僅查看捕獲的圖像時無法確定。
  • 兩個查看物理部件的檢查員通常會在他們的評估中達成一致,但只查看物理部件的檢查員與只查看圖像的不同檢察員評估結果不一致。

 

一個常見的誤解是,如果人類檢查員可以用肉眼看到一個特征,則可以設計成像系統來生成成功捕獲相同特征的圖像。但是,人類檢查員可以從多個方向和不同的照明條件下查看零件以進行質量判斷,而靜態成像系統不一定能捕捉到類似的大范圍方向和照明變化。因此,它可能無法突出顯示持有相同對象的人類檢查員會突出顯示的特征。而且,在檢測透明部件劃痕等情況下,成像系統面臨的挑戰可能會變得更加復雜。

 

幾千年來,人類視覺系統在處理圖像數據方面已經變得非常高效和準確。構建一個能夠在處理圖像方面擊敗人的軟件系統是一項極其艱巨的任務,就像構建一個可以檢測檢查員無法檢測到的缺陷的軟件系統一樣。即使是最先進的視覺系統也不是魔法。如果給出的圖像是模糊的,則沒有任何視覺系統能夠可靠地做出缺陷判斷。

 

傳統成像系統設計清單


     系統集成商和原始設備制造商在設計有效的成像系統時必須考慮幾個因素。這些因素包括:

 

對比度:創造性地使用專門為應用程序選擇的專用照明和光學器件以及需要的功能類型產生對比度。

 

空間分辨率:成像系統中的空間分辨率是指跨越特征(例如缺陷)的像素數。如果像素太少,就不可能可靠地檢測相對于零件表面的特征。假設圖像聚焦良好,我們建議系統預期檢測到的最小缺陷的寬度至少為5像素。

 

圖像一致性:在自動化過程中,許多因素會導致圖像發生變化,包括零件位置變化和零件本身的變化。在某些情況下,這些變化可能會導致照明源的眩光或失落,從而掩蓋了特征。在其他情況下,零件變化可能會導致反射,這些反射可能會被誤認為是缺陷或缺陷。系統越能從相同的角度、相同的照明和相同的背景捕獲圖像,就越容易構建軟件來檢測缺陷。

 

曝光:曝光過度或曝光不足的圖像會丟失很多細節。適當的曝光水平應允許系統捕獲清晰的缺陷圖像。

 

設計成像系統的迭代過程

 

為機器視覺系統指定成像架構是整個集成過程中的一個關鍵步驟。成功的自動化視覺系統集成需要在組件設計和規范之前進行全面而有效的分析和規劃,然后是高效的安裝、配置和系統啟動。

 

圖2

 

在成像系統設計期間也必須考慮軟件。傳統機器視覺算法的規則條例可能與深度學習算法不同。圖2(左)相較于圖2(中)的亮背景劃痕檢測更加困難;而在圖2(右)的暗背景下,缺陷顯示的是最清晰。因此,好的圖像設計,使得檢測系統的實施更加可靠。

 

設計成像系統是一個高度迭代的過程;好的機器視覺解決方案會隨著時間的推移不斷發展并變得更加可靠。提前構建一個“完美”的照明和相機設計系統是不可能的,但是基于成像組件和技術的知識,通過對應用程序需求的徹底分析,開發人員可以有一個良好的初始設計。

 

在開發軟件系統時,集成商或OEM應該收集樣本圖像即使在最初幾天使用智能手機攝像頭獲得初始數據,以驗證軟件的可行性。無論這種概念驗證產生正面還是負面的結果,請記住,必須設計一個單獨的、可用于生產的成像系統。智能手機相機的功能,例如快速移動到多個角度,在生產系統中可能不可行,而使用靜態成像設置處理具有代表性缺陷的樣品部件可能可行,但仍必須考慮最終成像系統配置。

 

具有“完美”圖像的測試軟件可能無法真正代表生產環境中的實際能力。在設計可用于生產的成像系統時,周到的設計將保證更長期的成功。在一個典型的過程中,應該做到以下幾點:

 

1、考慮到零件的自動化和處理限制,為要成像的特征/對象/缺陷類型制定規范??紤]因素可能涉及快速移動的部件、根據查看方向改變外觀的部件以及顯示眩光的部件。

2、收集有缺陷和可接受的零件樣品。

3、設計一個初始成像系統,以滿足被檢測零件的需求以及生產環境的物理約束和規范。

4、通過系統運行零件樣本并檢查所有缺 陷是否以適合目標軟件解決方案的方式清晰成像。

5、迭代第3步和第4步,直到性能令人滿意。

 

在開發基于深度學習的成像系統或在現有機器視覺系統中實施深度學習功能時,必須采取類似的步驟,但一些關鍵考慮因素除外。下一部分提供了在成像系統中開始深度學習的計劃。

 

深度學習開發清單

 

在多種情況下,基于離散分析的機器視覺算法可能不夠用,其中包括半導體和電子產品檢驗、鋼材檢驗、焊接檢驗以及任何其他難以發現缺陷的檢驗任務。

 

不同的檢驗任務。除了一些關鍵考慮因素外,開發深度學習軟件解決方案可能類似于構建傳統的基于規則的系統。包括以下幾點:

 

干凈的數據:俗話說“Garbage in, garbage out”,數據代表了滋養人工智能(AI)系統的食物,因此必須使用高質量的數據來訓練深度學習模型。在使用不準確或不完整的信息時,即使是構思最完善的模型也會產生低于標準的結果。優質的深度學習軟件解決方案應持續收集數據,同時,應該利用工具系統地開發、部署、跟蹤、維護和監控數據和每個軟件組件,以助于開發人員可以控制AI模型的演化過程。數據應包括有產品、缺陷、標簽、數據一致性和相關模型的信息。

 

定義缺陷:在許多工業環境中,依賴人工檢查員的公司通常會保留一份已定義零件缺陷的書面日志。在訓練深度學習系統時,還必須預先定義這些缺陷,以便軟件能夠識別出有缺陷的部件。

 

標記缺陷:希望部署深度學習的公司必須準確標記數據。如果標記不一致,此步驟可能會導致AI模型不準確。通過清晰的缺陷定義,以及在具有代表性數據集上的明確的標簽,公司可以使用少量數據進行可視化項目。內部專家必須協作分配、管理、執行和審查任務,以確??焖贉蚀_地標記以生成更準確的模型。

 

迭代改進:在部署到生產線之前,最好的AI模型應該與專家人工檢查員進行評估,以證明其價值,尤其是當該生產線用作全球部署的測試時。深度學習軟件應該提供的功能包括:評估模型能力、可疑數據核查以及評估新數據集以改進和擴展現有模型以達到指標。

 

常見的陷阱和挑戰

 

成像提出了許多挑戰,因此系統集成商和OEM應考慮一些基本的陷阱,并在系統設計中預先解決這些問題。包括以下內容

 

環境光:來自為成像系統設計的專用照明組件以外的光源的照明被視為環境光??赡軙е孪到y出現不一致和故障。在可能的情況下,必須通過屏蔽或光學過濾來控制陽光甚至頭頂照明。在一個示例中,靠近檢查系統的制造人員制服顏色的變化會引起額外的反射光,從而影響檢查結果。在大多數情況下,在成像系統設計中減輕環境光是相對簡單的。

 

機械穩定性:工廠振動會使成像系統中的光學元件松動,相機位置、照明組件甚至鏡頭設置的變化都會導致成像不可靠。

 

同的外觀:被檢查部件的材料、設計和整體外觀可能會發生變化,而視覺系統所有者卻沒有意識到這些變化。例如,制造工程團隊決定更換螺釘上的金屬合金,因為它更便宜。在功能上,該部件的工作原理相同,但外觀可能會有所不同。這種外部影響可能會導致系統性能下降,有時會悄無聲息地下降。檢查這種漂移的軟件可以及時通知運營團隊何時進行視覺系統維護。

 

機器視覺和深度學習的發展

 

視覺檢測系統,無論是傳統的還是基于深度學習的,都可以幫助各類行業和公司滿足客戶需求,同時確保產品質量、提高生產力降低成本。無論您是希望自動化更多流程的公司,還是面臨下一個系統的規范、設計和安裝的集成商或OEM,請考慮這樣一個事實:所有視覺檢測系統都需要測試、迭代和持續改進。

 

遵循最佳實踐并考慮對比度、空間分辨率、圖像一致性和曝光將有助于設計有效的成像系統。在深度學習方面,考慮對干凈數據的需求、基于協議的標簽類型、有效標記以及迭代模型改進將有助于產生高質量的AI視覺檢測系統。隨著不斷改進,您的視覺檢測系統將繼續增加價值,并使您的業務在未來發展

 

2021年12月30日 11:37
牛和人交VIDEOS欧美3D,高清性欧美ⅩXX,欧美人与物VIDEOS另类