Contenido

Los usos principales de la visión artificial son la inspección y clasificación automáticas basadas en imágenes y la guía del robot.;[6]​[7]​ en esta sección la primera se abrevia como "inspección automática". El proceso general incluye la planificación de los detalles de los requisitos y el proyecto, y luego la creación de una solución.[9]​[10]​ Esta sección describe el proceso técnico que ocurre durante la operación de la solución.

Métodos e sequência de operação.

A primeira etapa na sequência da operação de inspeção automática é a aquisição de uma imagem, normalmente usando câmeras, lentes e iluminação que foram projetadas para fornecer a diferenciação exigida pelo processamento subsequente. Os pacotes de software MV e os programas desenvolvidos neles empregam várias técnicas de processamento de imagem digital para extrair as informações necessárias e muitas vezes tomam decisões (como aprovação/reprovação) com base nas informações extraídas. dispositivos.[7]​.

Imagens

O dispositivo de imagem (por exemplo, uma câmera) pode ser separado ou combinado com a unidade principal de processamento de imagem, caso em que a combinação é geralmente chamada de câmera inteligente ou sensor inteligente. A inclusão de toda a função de processamento no mesmo gabinete da câmera é frequentemente chamada de processamento incorporado. CoaXPress). imagem multiespectral, hiperespectral, imagem infravermelha multibanda, imagem de varredura linear, imagem de superfície 3D e

Estas câmeras precisam ter especificações muito particulares para esta aplicação, pois precisam estar em uso por longos períodos de tempo e muitas vezes em um espaço pequeno. Além disso, essas câmeras normalmente possuem alta definição e FPS para capturar dimensões e erros na produção. Conforme mencionado acima, interfaces como CoaXpress são usadas para transferir essas informações de forma eficiente. Essas interfaces podem atingir velocidades de 12,5 Gbps (gigabits por segundo) por canal de transmissão.[24]​ "Entra lixo, sai lixo" é um conceito da ciência da computação aplicado aqui. As câmeras exigem esses recursos, pois sem eles seriam produzidos resultados medíocres. Alta velocidade e qualidade de imagem são essenciais para a visão mecânica. [25]​ Condições ambientais como temperatura, choque, etc. Elas também precisam ser consideradas no contexto industrial. [26].

Embora a grande maioria das aplicações de visão mecânica sejam resolvidas usando imagens bidimensionais, as aplicações de visão mecânica que usam imagens 3D são um nicho crescente na indústria.[27]​[28]​ O método mais amplamente utilizado para imagens 3D é a triangulação baseada em varredura, que utiliza o movimento do produto ou imagem durante o processo de imagem. Um laser é projetado nas superfícies de um objeto. Na visão mecânica, isso é realizado com um movimento de varredura, seja movendo a peça de trabalho ou movendo a câmera e o sistema de imagem a laser. A linha é vista por uma câmera de um ângulo diferente; O desvio da linha representa variações na forma. Linhas de múltiplas varreduras são montadas em um mapa de profundidade ou nuvem de pontos.[29]​ A visão estereoscópica é usada em casos especiais envolvendo características únicas presentes em ambas as visualizações de um par de câmeras.[29]​ Outros métodos 3D usados ​​para visão computacional são tempo de voo e grade.[29]​[27]​ Um método são sistemas baseados em grade que usam um sistema de luz estruturado pseudo-aleatório, como o empregado pelo sistema Microsoft Kinect. por volta de 2012.[30][31]​.

Processamento de imagem

Depois que uma imagem é adquirida, ela é processada.[19]​ As principais funções de processamento são normalmente executadas por uma CPU, GPU, FPGA ou uma combinação destes.[16]​ A inferência e o treinamento de aprendizado profundo impõem requisitos mais elevados de desempenho de processamento.[32]​ Normalmente, vários estágios de processamento são usados ​​em uma sequência que termina como um resultado desejado. Uma sequência típica pode começar com ferramentas como filtros que modificam a imagem, seguida pela extração de objetos e, em seguida, extração (por exemplo, medições, leitura de códigos) de dados desses objetos, seguida pela comunicação desses dados ou comparação com valores alvo para criar e comunicar resultados de “aprovação/reprovação”. Os métodos de processamento de imagens de visão computacional incluem;

Resultados

Um resultado comum dos sistemas de inspeção automática são as decisões de aprovação/rejeição.[13] Estas decisões podem, por sua vez, desencadear mecanismos que rejeitem itens falhados ou soem um alarme. Outras saídas comuns incluem informações de posição e orientação de objetos para sistemas de orientação de robôs.[6]​ Além disso, os tipos de saída incluem dados de medição numérica, dados lidos de códigos e caracteres, contagens e classificação de objetos, visualizações de processos ou resultados, imagens armazenadas, alarmes de sistemas automatizados de monitoramento espacial de MT e sinais de controle de processo.[9]​[12]​ Isso também inclui interfaces de usuário, interfaces para integração de sistemas multicomponentes e troca de dados. automatizado.[43]​.

O termo “aprendizado profundo” tem significados variados, muitos dos quais podem ser aplicados a técnicas usadas em visão computacional há mais de 20 anos. No entanto, o uso do termo em visão mecânica começou no final da década de 2010, com o advento da capacidade de aplicar com sucesso tais técnicas a imagens completas no espaço industrial de visão mecânica. A visão mecânica convencional normalmente requer a fase "física" de uma solução automatizada de inspeção de visão mecânica para criar uma diferenciação simples e confiável de defeitos. Um exemplo de diferenciação “simples” é que os defeitos são escuros e as partes boas do produto são claras. Uma razão comum pela qual algumas aplicações não eram viáveis ​​era quando o "simples" era impossível de alcançar; O aprendizado profundo elimina esse requisito, essencialmente "vendo" o objeto mais como um ser humano o faz, o que agora torna possível alcançar tais aplicações automáticas.

A visão mecânica geralmente fornece informações de localização e orientação a um robô para permitir que ele capte corretamente o produto. Esse recurso também é usado para guiar movimentos mais simples que os de robôs, como um controlador de movimento de 1 ou 2 eixos.[6]​ O processo geral inclui o planejamento dos detalhes dos requisitos e do projeto e, em seguida, a criação de uma solução. Esta seção descreve o processo técnico que ocorre durante a operação da solução. Muitas das etapas do processo são iguais às da inspeção automática, exceto pelo fato de se concentrarem no fornecimento de informações de posição e orientação.[6]​.

Ainda em 2006, um consultor industrial relatou que a MV representava um mercado de US$ 1,5 bilhão na América do Norte.[45]​ No entanto, o editor-chefe de uma revista comercial MV afirmou que "a visão computacional não é uma indústria em si", mas sim "a integração de tecnologias e produtos que fornecem serviços ou aplicações que beneficiam indústrias reais, como a automotiva ou de fabricação de bens de consumo, agricultura e defesa".

Contenido

Los usos principales de la visión artificial son la inspección y clasificación automáticas basadas en imágenes y la guía del robot.;[6]​[7]​ en esta sección la primera se abrevia como "inspección automática". El proceso general incluye la planificación de los detalles de los requisitos y el proyecto, y luego la creación de una solución.[9]​[10]​ Esta sección describe el proceso técnico que ocurre durante la operación de la solución.

Métodos e sequência de operação.

A primeira etapa na sequência da operação de inspeção automática é a aquisição de uma imagem, normalmente usando câmeras, lentes e iluminação que foram projetadas para fornecer a diferenciação exigida pelo processamento subsequente. Os pacotes de software MV e os programas desenvolvidos neles empregam várias técnicas de processamento de imagem digital para extrair as informações necessárias e muitas vezes tomam decisões (como aprovação/reprovação) com base nas informações extraídas. dispositivos.[7]​.

Imagens

O dispositivo de imagem (por exemplo, uma câmera) pode ser separado ou combinado com a unidade principal de processamento de imagem, caso em que a combinação é geralmente chamada de câmera inteligente ou sensor inteligente. A inclusão de toda a função de processamento no mesmo gabinete da câmera é frequentemente chamada de processamento incorporado. CoaXPress). imagem multiespectral, hiperespectral, imagem infravermelha multibanda, imagem de varredura linear, imagem de superfície 3D e

Estas câmeras precisam ter especificações muito particulares para esta aplicação, pois precisam estar em uso por longos períodos de tempo e muitas vezes em um espaço pequeno. Além disso, essas câmeras normalmente possuem alta definição e FPS para capturar dimensões e erros na produção. Conforme mencionado acima, interfaces como CoaXpress são usadas para transferir essas informações de forma eficiente. Essas interfaces podem atingir velocidades de 12,5 Gbps (gigabits por segundo) por canal de transmissão.[24]​ "Entra lixo, sai lixo" é um conceito da ciência da computação aplicado aqui. As câmeras exigem esses recursos, pois sem eles seriam produzidos resultados medíocres. Alta velocidade e qualidade de imagem são essenciais para a visão mecânica. [25]​ Condições ambientais como temperatura, choque, etc. Elas também precisam ser consideradas no contexto industrial. [26].

Embora a grande maioria das aplicações de visão mecânica sejam resolvidas usando imagens bidimensionais, as aplicações de visão mecânica que usam imagens 3D são um nicho crescente na indústria.[27]​[28]​ O método mais amplamente utilizado para imagens 3D é a triangulação baseada em varredura, que utiliza o movimento do produto ou imagem durante o processo de imagem. Um laser é projetado nas superfícies de um objeto. Na visão mecânica, isso é realizado com um movimento de varredura, seja movendo a peça de trabalho ou movendo a câmera e o sistema de imagem a laser. A linha é vista por uma câmera de um ângulo diferente; O desvio da linha representa variações na forma. Linhas de múltiplas varreduras são montadas em um mapa de profundidade ou nuvem de pontos.[29]​ A visão estereoscópica é usada em casos especiais envolvendo características únicas presentes em ambas as visualizações de um par de câmeras.[29]​ Outros métodos 3D usados ​​para visão computacional são tempo de voo e grade.[29]​[27]​ Um método são sistemas baseados em grade que usam um sistema de luz estruturado pseudo-aleatório, como o empregado pelo sistema Microsoft Kinect. por volta de 2012.[30][31]​.

Processamento de imagem

Depois que uma imagem é adquirida, ela é processada.[19]​ As principais funções de processamento são normalmente executadas por uma CPU, GPU, FPGA ou uma combinação destes.[16]​ A inferência e o treinamento de aprendizado profundo impõem requisitos mais elevados de desempenho de processamento.[32]​ Normalmente, vários estágios de processamento são usados ​​em uma sequência que termina como um resultado desejado. Uma sequência típica pode começar com ferramentas como filtros que modificam a imagem, seguida pela extração de objetos e, em seguida, extração (por exemplo, medições, leitura de códigos) de dados desses objetos, seguida pela comunicação desses dados ou comparação com valores alvo para criar e comunicar resultados de “aprovação/reprovação”. Os métodos de processamento de imagens de visão computacional incluem;

Resultados

Um resultado comum dos sistemas de inspeção automática são as decisões de aprovação/rejeição.[13] Estas decisões podem, por sua vez, desencadear mecanismos que rejeitem itens falhados ou soem um alarme. Outras saídas comuns incluem informações de posição e orientação de objetos para sistemas de orientação de robôs.[6]​ Além disso, os tipos de saída incluem dados de medição numérica, dados lidos de códigos e caracteres, contagens e classificação de objetos, visualizações de processos ou resultados, imagens armazenadas, alarmes de sistemas automatizados de monitoramento espacial de MT e sinais de controle de processo.[9]​[12]​ Isso também inclui interfaces de usuário, interfaces para integração de sistemas multicomponentes e troca de dados. automatizado.[43]​.

O termo “aprendizado profundo” tem significados variados, muitos dos quais podem ser aplicados a técnicas usadas em visão computacional há mais de 20 anos. No entanto, o uso do termo em visão mecânica começou no final da década de 2010, com o advento da capacidade de aplicar com sucesso tais técnicas a imagens completas no espaço industrial de visão mecânica. A visão mecânica convencional normalmente requer a fase "física" de uma solução automatizada de inspeção de visão mecânica para criar uma diferenciação simples e confiável de defeitos. Um exemplo de diferenciação “simples” é que os defeitos são escuros e as partes boas do produto são claras. Uma razão comum pela qual algumas aplicações não eram viáveis ​​era quando o "simples" era impossível de alcançar; O aprendizado profundo elimina esse requisito, essencialmente "vendo" o objeto mais como um ser humano o faz, o que agora torna possível alcançar tais aplicações automáticas.

A visão mecânica geralmente fornece informações de localização e orientação a um robô para permitir que ele capte corretamente o produto. Esse recurso também é usado para guiar movimentos mais simples que os de robôs, como um controlador de movimento de 1 ou 2 eixos.[6]​ O processo geral inclui o planejamento dos detalhes dos requisitos e do projeto e, em seguida, a criação de uma solução. Esta seção descreve o processo técnico que ocorre durante a operação da solução. Muitas das etapas do processo são iguais às da inspeção automática, exceto pelo fato de se concentrarem no fornecimento de informações de posição e orientação.[6]​.

Ainda em 2006, um consultor industrial relatou que a MV representava um mercado de US$ 1,5 bilhão na América do Norte.[45]​ No entanto, o editor-chefe de uma revista comercial MV afirmou que "a visão computacional não é uma indústria em si", mas sim "a integração de tecnologias e produtos que fornecem serviços ou aplicações que beneficiam indústrias reais, como a automotiva ou de fabricação de bens de consumo, agricultura e defesa".