Как машинное зрение управляет автоматизацией

Sep 12, 2024 Оставить сообщение

Machine Vision - это слияние ряда технологий, которые позволяют промышленному или другому автоматизированному оборудованию, вытекающим из изображений, усовершенствованное понимание общей окружающей среды. Без программного обеспечения для машинного зрения цифровые изображения с различными значениями цвета и интенсивностью тональны были бы не чем иным, как простой, не подключенной коллекцией пикселей для такого оборудования. Machine Vision позволяет компьютеру (обычно подключенному к контроллеру машины) обнаруживать края и формы на таких изображениях, чтобы позволить процессору более высокого уровня распознавать предварительно определенной целевой объект. Изображения в этом смысле не ограничиваются фотографическими изображениями в видимом спектре; Они также могут включать изображения, полученные с использованием инфракрасных, лазерных, рентгеновских и ультразвуковых сигналов.

 

В промышленных средах довольно распространено применение машинного зрения, чтобы распознавать конкретные детали из многих частей, помещенных в беспорядок материалов. Здесь Machine Vision помогает роботу выбора и места автоматически поднять правильные детали. Конечно, если все детали аккуратно расположены в той же ориентации на поддоне, было бы относительно просто распознать их с помощью обратной связи с изображением. Тем не менее, мощные алгоритмы машинного зрения могут распознавать объекты, которые находятся на разных расстояниях от камеры (и, следовательно, появляются как изображения в разных размерах на датчике изображения), а также объекты, которые не ориентированы в том же направлении, что и камера.

 

Наиболее сложные системы машинного зрения позволили создать новые конструкции, которые гораздо сложнее, чем сборы деталей из мусорных ведомств; Например, не может быть более сложной идентификации, чем автомобиль с самостоятельным вождением.

 

machine vision

 

 

Методы, связанные с машинным зрением


Термин «машинное зрение» иногда зарезервирован для ссылки на более сложные и эффективные математические методы, которые могут извлекать информацию из изображений. Напротив, термин «компьютерное зрение» обычно описывает более современные, требовательные вычислительные системы, включающие подходы к черным ящикам, которые используют машинное обучение или искусственный интеллект (ИИ). Тем не менее, машинное зрение также может использоваться в качестве всестороннего термина, который включает в себя все методы извлечения информации высокого уровня из изображений; В этом случае компьютерное зрение описывает свою основную теорию работы.


Методы, которые могут извлекать высокое значение из изображений. В исследовательском сообществе такие методы часто считаются отличными от машинного зрения. В действительности, однако, все они представляют собой разные способы реализации машинного видения ... и они перекрываются во многих случаях.


Цифровая обработка изображений - это форма цифровой обработки сигналов, которая включает в себя улучшение изображения, восстановление, кодирование и сжатие. Преимущества по сравнению с аналоговой обработкой изображений - это минимизация шума и искажения, а также множество доступных алгоритмов. Один из первых типов улучшения изображений использовался для исправления первых изображений крупным планом лунной поверхности. В этом процессе использовалось фотограмметрическое картирование, а также шумовые фильтры, и были внесены поправки для геометрических искажений, вызванных выравниванием камеры визуализации на поверхность лунной.

 

Цифровое улучшение изображений обычно включает в себя увеличение контраста и, возможно, геометрические исправления для углов просмотра и искажения объектива. Сжатие часто достигается путем аппроксимирования сложных сигналов в виде комбинации косинусных функций-преобразования Фурье, известного как дискретное косинусное преобразование (DCT). Формат файла JPEG является наиболее распространенным применением DCT. Восстановление изображения также может использовать преобразование Фурье, чтобы удалить шум и размытие.


Фотограмметрия использует какое -то распознавание признаков для извлечения измерений из изображений. Эти измерения могут включать 3D -информацию, когда несколько изображений одной и той же сцены получаются в разных местах. Самые простые фотограмметрические системы используют шкалу для измерения расстояния между двумя точками на изображении. Для этого часто необходимо включить известную эталонную шкалу в изображение.


Обнаружение функций позволяет компьютеру распознавать края, углы или точки на изображении. Это первый шаг, необходимый для фотограмметрии, а для распознавания объектов и обнаружения движения. Обнаружение Blob идентифицирует области с ребрами, которые слишком гладко для обнаружения края или угловой.


Распознавание шаблона используется для распознавания конкретных объектов. В простейшем случае это может означать поиск четко определенной конкретной механической части на конвейерной ленте.


3D Реконструкция определяет трехмерную форму объекта с 2D -изображения. Эта функция может быть реализована фотограмметрическими методами. В этом случае высота общих признаков (определяемые на изображениях из разных точек наблюдения) определяются с использованием триангуляции. 3D -реконструкция также возможна с использованием только двухмерных изображений; Здесь программное обеспечение также объясняет геометрические отношения между краями или затененными областями.

 


Люди могут реконструировать кубики, просто обрабатывая их в мозге, используя линейные чертежи - используя заштрихованные круги для реконструкции сфер. Затенение показывает наклон поверхности. Тем не менее, этот процесс вывода гораздо сложнее, чем можно подумать, так как затенение является одномерным параметром, в то время как наклон происходит в двухмерном случае. Это может привести к неоднозначным ситуациям - факту, подтвержденным искусством изображения физически невозможных объектов.


Как задачи машинного зрения секвенированы


Многие системы машинного зрения включают вышеуказанные методы постепенно, начиная с низкоуровневых операций, а затем переходя к операциям на более высоком уровне. На самом низком уровне все пиксели изображения хранятся в виде данных с высокой пропускной способностью. Каждая операция в последовательности затем распознает функции изображения и представляет интересующую информацию с относительно небольшим количеством данных.


Первым является низкоуровневая работа улучшения и восстановления изображения, за которым следует обнаружение признаков. Таким образом, в случае использования нескольких датчиков, операции низкого уровня могут выполняться распределенными процессами, специализирующимися для отдельных датчиков. Как только функции обнаруживаются на отдельных изображениях, можно выполнить более продвинутую фотограмметрию - как и в случае с любым распознаванием объекта или другой задачей, которая опирается на комбинированные данные из нескольких изображений и датчиков.


Алгоритмы прямых вычислений и обучения


В случае машинного видения прямые вычисления представляют собой набор математических функций, определяемых программистом. Эти функции принимают входные данные, такие как значения пикселя изображения, и создают выходы, такие как координаты края объекта. Напротив, алгоритмы обучения не написаны непосредственно людьми, но обучаются на примере наборов данных, которые коррелируют входные данные с желаемыми выходами. В результате алгоритмы обучения используются в качестве черных ящиков. Большинство таких машинного обучения теперь используют глубокое обучение, основанное на искусственных нейронных сетях для вычислений.

 

Простое машинное обучение для промышленных приложений имеет тенденцию быть более надежным и менее требовательным в вычислительном отношении при основе прямых вычислений. Конечно, есть ограничения на то, что можно достичь с помощью прямых вычислений. Например, никогда не следует надеяться выполнять лица, чтобы распознать необходимые усовершенствованные шаблоны распознавания, и особенно не из видеозаписей в многолюдных общественных местах. Напротив, машинное обучение может умело обрабатывать такие приложения. Поэтому неудивительно, что машинное обучение все чаще развертывается для низкоуровневых операций машинного зрения, в частности, улучшения изображений, восстановления и обнаружения функций.


Улучшенные методы обучения (не алгоритмы)


Растущая изысканность методов глубокого обучения дала понять, что не сами алгоритмы обучения должны быть улучшены, а скорее то, как обучаются алгоритмы. Одна улучшенная процедура обучения известна как компьютерное зрение, ориентированное на данные. Здесь система глубокого обучения принимает очень надежный учебный набор, состоящий из тысяч, миллионов или даже миллиардов изображений, а затем сохраняет синтезированную информацию, извлеченную из каждого изображения его алгоритмами. Эти алгоритмы эффективно учатся, связывая их с рабочими примерами, а затем обращаются к «книге ответов», чтобы убедиться, что были получены правильные значения.


Существует старая предостерегающая история о распознавании цифровых моделей. Американские военные когда -то предназначались для использования машинного видения для распознавания целей, а демонстрация защитника подрядчика надежно идентифицировала как США, так и российские танки. Танки всех различных видов можно правильно отличить, один за другим, от аэрофотоснимков поставщика. Однако, когда снова проверяется с собственной библиотекой изображений Пентагона, система продолжала давать неправильные ответы. Проблема заключалась в том, что на снимках оборонных подрядчиков все изображены американские танки в пустыне и российские танки на зеленых полях. Вместо того, чтобы идентифицировать различные резервуары, система определила различные цветные фоны. Каковы критерии признания? Алгоритмы обучения требуют тщательно курированных данных обучения для работы.


Вывод: безопасное видение роботизированных рабочих


Машиное зрение больше не является нишевой технологией. В текущем движении промышленный сектор является крупнейшей областью роста для развертывания машинного зрения. Наиболее заметной разработкой в ​​этой области является то, как Machine Vision теперь заканчивает системы безопасности на промышленных предприятиях, то есть системы, которые звучат тревогу или дают голосовые уведомления, когда работник входит в рабочую зону без шлема, маски или другого соответствующего защитного снаряжения. Машинное зрение также может использоваться в системах, которые предупреждают, что при перемещении механизма, таких как вилочные погрузчики, приближаются к персоналу.

 

Эти и подобные системы машинного зрения иногда могут заменять твердые защитные меры вокруг промышленных роботов, чтобы сделать операции более эффективными. Системы машинного зрения также могут заменить или улучшать системы безопасности на основе световой охраны, которая останавливает механизм, когда работник обнаруживается в рабочую ячейку. Когда машинное зрение контролирует фабричный пол вокруг рабочей ячейки, роботы в этой ячейке могут постепенно замедляться по мере приближения людей.

 

По мере того, как проектирование промышленных среде развивается для размещения совместных роботов и другого рабочего оборудования, которые позволяют персоналу завода безопасно ходить (даже во время работы оборудования), эти и другие системы на основе машинного зрения станут более распространенной частью заводов.

Отправить запрос

whatsapp

Телефон

Отправить по электронной почте

Запрос