Machinevisie-inspectie:tools van het vak

Geautomatiseerde procesinspectie van onderdelen en producten wordt al tientallen jaren met succes uitgevoerd met behulp van machine vision-technologieën in een groot aantal uiteenlopende toepassingen voor bijna elk industrieel en productieproces. Hoewel er geen harde cijfers bestaan, is het aannemelijk om te beweren dat inspectietaken waarschijnlijk het landschap van machine vision-toepassingen domineren. Toch blijven er nieuwe machine vision-technologieën en software opkomen die de waardepropositie en het gemak van implementatie van geautomatiseerde inspectie verder verbeteren. De sleutel tot succes voor eindgebruikers is het begrijpen van zowel de volwassen als de nieuwe tools of the trade en hoe deze tools het beste kunnen worden geïmplementeerd.

Inspectie-overzicht

De verscheidenheid aan inspectiegerelateerde taken in automatiseringsprocessen maakt het moeilijk om elke mogelijke use case te labelen. In het algemeen omvatten enkele van de belangrijke categorieën assemblageverificatie, aanwezigheid/afwezigheid van kenmerken, defectdetectie (in vele vormen) en productidentificatie en -differentiatie. In alle gevallen is het belangrijk om te onthouden dat machine vision een cruciaal onderdeel kan zijn van de concepten van big data en Industrie 4.0.

Bij het implementeren van machine vision-inspectie voor industriële automatisering, ligt misschien wel de belangrijkste waardepropositie in hoe de resultaten van de inspectie kunnen worden gebruikt. Meer dan alleen inspecteren op kwaliteit, de informatie die wordt verkregen door machine vision-inspectie kan van vitaal belang zijn voor het verbeteren van de efficiëntie van het bredere proces en daardoor helpen de totale productie- en automatiseringskosten te verlagen.

Imaging:de basis van elke succesvolle toepassing

Het is altijd goed om te herhalen dat, ongeacht het gebruik of de analysemethode, een kwaliteitsbeeld de kritische basis is van elk machine vision-project. Een kwaliteitsafbeelding wordt gedefinieerd als een afbeelding met de juiste resolutie en het juiste contrast om kenmerken (objecten, onderdelen, defecten) die van belang zijn in het gewenste gezichtsveld te benadrukken. Een juiste ontwerpspecificatie heeft betrekking op de beeldcomponent zelf, evenals de gerelateerde en vereiste componenten, waaronder verlichting en optica.

Voor veel inspectietoepassingen die gebruikmaken van het juiste beeldontwerp, blijft 2D-grijswaarden de meest gebruikte technologie. Vooruitgang in snelheid en resolutie in sensoren en camera's maakt meer use-cases mogelijk die voorheen onhaalbaar of te complex waren om praktisch te zijn. Met de beschikbaarheid van camera's met sensorresoluties van 12 MPixels tot 50 MPixels en hoger, wordt het detecteren van kleinere kenmerken in grotere gezichtsvelden zowel gemakkelijker als goedkoper. Binnenkort kan beeldacquisitie met 5-10 MPixels als standaard worden beschouwd in plaats van met hoge resolutie.

Slimme camera's, een kerntechnologie voor machinevisie, blijven groeien in inspectietaken en bieden regelmatig hogere resoluties en snellere verwerking. Daarnaast zijn er belangrijke ontwikkelingen geweest in standaard camera-architecturen, die embedded verwerking met behulp van FPGA's en andere computerplatforms omvatten. Deze componenten zijn zeer geschikt voor inspectietoepassingen die kunnen worden geschaald voor meerdere dubbele installaties om te profiteren van de gerelateerde lagere kosten voor sommige van dit soort componenten.

Voorbij 2D- en grijswaardenafbeeldingen

Machinevisiecomponenten die 3D-informatie van een scène vastleggen, zijn zeer gemakkelijk beschikbaar met een verscheidenheid aan beeldvormingsmethodologieën en implementatietechnieken. De 3D-afbeeldingen bieden een topografische weergave van de oppervlaktegeometrie van een object, terwijl 2D-beeldvorming een afbeelding vastlegt van het contrast (grijswaarden of kleur) op het vlakke oppervlak van een object. De 3D-gegevens maken inspectietaken mogelijk of verbeteren deze met kenmerken of defecten met een meer geometrische structuur dan contrast. Het gebruik van 3D-systemen is aanzienlijk eenvoudiger geworden en net als bij hun 2D-tegenhangers blijven resolutie, snelheid en nauwkeurigheid toenemen.

Zoals opgemerkt, gebruiken veel machine vision-inspectietoepassingen camera's die een grijswaardenafbeelding van een object leveren (ook wel monochromatisch genoemd, aangezien het een afbeelding zonder kleur is, of in wezen een enkele kleur ). Sommige toepassingen kunnen echter profiteren van, of moeten vertrouwen op, kleurenafbeeldingen om de informatie te leveren die nodig is voor de analyse. Standaardcamera's zijn direct beschikbaar voor machinevisie die een RGB-beeld (rood, groen, blauw) vastlegt. Mits goed geïntegreerd, kunnen deze componenten de betrouwbaarheid van de analyse van kenmerken verbeteren, waarbij kleur deel uitmaakt van de bepalende kenmerken van het object of defect. Hoewel de meeste kleurencamera's op de markt een filtersysteem op de sensor gebruiken (Bayer-filter), zijn er ook geavanceerde cameracomponenten beschikbaar die het binnenkomende beeld optisch splitsen in drie full-frame kanalen (meestal RGB) voor een betere resolutie en kleurdifferentiatie.

Beeldvorming voorbij het zichtbare

Hoewel niet nieuw, maar de laatste jaren meer algemeen beschikbaar, kan een nog krachtigere kleurenbeeldvormingstechniek, hyperspectrale beeldvorming genaamd, en de nauwe relatieve multispectrale beeldvorming, meer discrete en korrelige kleuren leveren analyse. Deze camera's verzamelen meerdere - soms honderden - beelden van een enkele scène, elk met een andere smalle bandbreedte aan spectrale informatie van de scène. Dit type component, met gespecialiseerde classificatiesoftware, kan spectrale inspectie van materialen uitvoeren of zelfs chemische samenstelling detecteren. Veel industrieën, zoals voedsel, farmaceutica en recycling, profiteren van dit soort inspectiemogelijkheden.

Als we verder gaan met kleurenbeeldvorming, vinden we componenten die afbeeldingen kunnen maken met behulp van onzichtbare verlichting en zelfs thermische energie. In het algemeen kan dit worden beschreven als infrarood (IR) beeldvorming. Toepassingen die nabij-infrarood (NIR), kortegolf-infrarood (SWIR) en langegolf-IR (thermische beeldvorming) weergeven, bieden beelden van objecten die niet zichtbaar zijn in zichtbare golflengten. Deze mogelijkheid kan met groot voordeel worden gebruikt in veel inspectietoepassingen, variërend van het detecteren van bederf in voedsel tot het doorzien van ondoorzichtige plastic containers tot het bevestigen van vulniveaus.

Eenvoudigere inspectie-implementatie

De algoritmen en softwaretools die worden gebruikt bij inspectietaken voor machinevisie zijn behoorlijk volwassen en betrouwbaar. Over het algemeen zijn veel inspectietaken bij het werken met een betrouwbaar beeld eenvoudig te implementeren. Er zijn nieuwe technologieën ontstaan ​​die potentieel kunnen worden toegevoegd aan de bestaande machine vision-tools om meer mogelijkheden en verschillende verwerkingsbenaderingen te bieden.

De meest bekende van deze technologieën is deep learning. Deep learning voor machine vision is specifiek gericht en zeer geschikt voor inspectietoepassingen en wordt met succes toegepast op een groeiend aantal inspectietoepassingen in industriële machine vision. Maar het ontwerpen, configureren en integreren van applicaties met behulp van deep learning vereist een compleet andere implementatieaanpak dan die wordt gebruikt voor traditionele machine vision-projecten.

Zogenaamde traditionele machine vision-implementatietechnieken omvatten het maken van een set regels over een doelobject die worden uitgevoerd met behulp van algoritmen die specifieke informatie over het object of de scène retourneren. Deep learning wordt getraind met veel representatieve afbeeldingen met voorbeelden van goede en defecte onderdelen of objecten. Het is echter geen wondermiddel voor alle inspectietoepassingen. De noodzaak om veel afbeeldingen te verzamelen voordat het succesniveau kan worden voorspeld, kan voor sommige toepassingen omslachtig zijn, en doorlopend onderhoud van het systeem en de classificaties ervan zijn mogelijk niet geschikt voor een specifieke gebruikssituatie.

De toekomst van machinevisie-inspectie

Met de toegenomen vraag naar kwaliteit, slimme productie en gegevensverzameling, blijft de implementatie van machine vision-technologie voor inspectietoepassingen groeien. Mogelijkheden van geavanceerde componenten en software voor inspectie zullen zeker leiden tot extra gebruiksscenario's en in de toekomst toegevoegde waarde bieden.