#02 Učenie a využitie kamerového systému v priemysle

V predošlom príspevku sme si objasnili základný princíp a využitie strojového videnia. V uvedenom príspevku si objasníme o čosi viac využitie a zmysel kamerového systému využitého v priemysle.

Učenie kamerového systému:

Jednou z kľúčových úloh kamerových systémov v priemysle je rozpoznanie hľadaného obrazu v ich zornom poli. Uveďme si príklady prečo je rozpoznávanie obrazu tak dôležité:

Príklad 1: V priemysle potrebujeme často kontrolovať kvalitu určitého vyrobeného produktu. Aby sme mohli kontrolovať kvalitu výrobkov, musíme kameru naučiť, ako má vyzerať správne vyrobená súčiastka. Rovnako ju naučíme akými parametrami (pr. rozmery) má disponovať. Ak kamerový systém nájde hľadaný produkt v zornom poli, porovná ju s fotografiou (produktom), ktorý sme kamere povedali, že je správny. Na základe komparácie referenčnej/ naučenej fotografie s nájdeným objektom nám CPU vyhodnotí či je produkt vyrobený správne alebo nie.

Príklad 2:

01 strojové videnie - 05

Pri navádzaní robota pre uchopenie súčiastky je taktiež potrebné naučenie kamerového systému na daný typ produktu, ktorý má uchopiť. Súčiastky môžu byť umiestnené napríklad na výrobnom dopravnom páse náhodne. Kamerový systém na základe naučenej fotografie hľadá objekt vo svojom zornom poli, pričom výsledkom je, že CPU vyhodnotí posunutie a natočenie hľadaného objektu voči originálu/naučenej fotografie. Na základe vyhodnotenia získame súradnice pre robota aby správne uchopil hľadaný objekt/ súčiastku.

V prípade, že kamerový systém nedokáže nájsť v zadefinovanej oblasti hľadaný objekt, nemôže dôjsť ku vyhodnoteniu a teda centrálna vyhodnocovacia jednotka (CPU)  nám nedokáže odovzdať potrebné dáta – hovoríme o zlyhaní kamerového systému/ zlyhaní vyhodnotenia. Pre dosiahnutie presných, spoľahlivých a opakovateľných výsledkov je potrebné aby kamerový systém obsahoval dostatok softvérových nástrojov na rozpoznávanie obrazu/ hľadanie nami požadovaného objektu.

Využitie kamerových systémov/ strojového videnia:

Poznáme štyri základné kategórie využitia kamerových systémov v priemysle/ strojového videnia:

  1. lokalizácia,
  2. identifikácia,
  3. meranie,
  4. kontrola (inšpekcia).
Lokalizácia:02 - strojové videnie - 01

Lokalizácia môže byť vykonávané z niekoľkých dôvodov. Ako prvé si uvedieme lokalizáciu za účelom zistenia pozície a orientácie súčiastky a následného porovnávania s naučeným obrazom. Môžeme tak ľahko zistiť, či sa napríklad hľadaný objekt (jeho pozícia a orientácia) nachádza v požadovanej tolerancii a môžeme tak zabezpečiť spoľahlivú montáž výrobku.  Ďalším a zároveň častým dôvodom lokalizácie objektu či už v 2D alebo 3D priestore za účelom navádzania robota pre správne uchopenie súčiastky. Lokalizácia sa taktiež vykonáva pre rôzne účely a potreby ďalšieho spracovania dát podľa vlastných algoritmov.

02 - strojové videnie - 02Identifikácia:

02 - strojové videnie - 03Strojové videnie sa rovnako používa za účelom identifikácie produktov. Pod identifikáciou rozumieme čítanie rôznych kódov akými sú napríklad data matrix (2D), direct part marks (DPM), čiarové kódy a rôzne iné. O identifikácii sa taktiež viac dočítate v sérii článkov v kategórii:

/category/tvoje_vedomosti/senzory/identifikatory/

02 - strojové videnie - 04.pngMeranie:02 - strojové videnie - 05

Kamerový systém/ strojové videnie vyhodnocuje geometrické parametre akými sú dĺžka, šírka, vzdialenosť medzi dvoma bodmi, uhly a rôzne iné parametre opisujúce výrobok. Uvedené meranie sa zvyčajne využíva taktiež na následné zhodnotenie či daný výrobok spĺňa požadované parametre alebo nie. Takýmto spôsobom môžem napríklad od-separovať nepodarky od správne vyrobených produktov. 02 - strojové videnie - 06.png Kontrola:

02 - strojové videnie - 07Strojové videnie využívame veľmi často za účelom kontroly produktov. Kontrolujeme rôzne defekty, nesprávne zmontované diely, povrch materiálov a podobne. Príklad využitia môžeme vidieť na nasledovnom obrázku.

02 - strojové videnie - 08

ZDROJ:

  • INTRODUCTION TO MACHINE VISIOn, A guide to automating process & quality improvements, Cognex.
  • Machine vision, Reference Guide, Datalogic.
  • SICK AG, Whitepaper, select the best technology for your vision application, SICK. Frederik Nilsson, Anders Murhed. 
  • https://www.keyence.com/
  • http://www.bakeryandsnacks.com/
  • https://recognitionrobotics.com/wp-content/uploads/2015/09/ROBEYEInUse2.png
  • www.youtube.com

Autor: Ing. Peter Marčan, PhD.