Comment la vision machine stimule l'automatisation

Sep 12, 2024 Laisser un message

La vision à la machine est la fusion d'un certain nombre de technologies qui permettent à l'équipement industriel ou d'autres équipements automatisés de dériver des images une compréhension avancée de l'environnement à accomplir. Sans logiciel de vision machine, les images numériques avec des valeurs de couleur et des intensités tonales variables ne seraient rien de plus qu'une simple collection de pixels non connectés à cet équipement. La vision machine permet à un ordinateur (généralement connecté à un contrôleur de machine) de détecter les bords et les formes dans de telles images afin de permettre à un processeur de niveau supérieur de reconnaître un objet cible prédéfini. Les images en ce sens ne se limitent pas aux images photographiques dans le spectre visible; Ils peuvent également inclure des images obtenues à l'aide de signaux infrarouges, laser, radiographie et ultrasoniques.

 

Dans les environnements industriels, il est assez courant que les applications de vision industrielle reconnaissent des pièces spécifiques des nombreuses pièces placées dans un encombrement de bacs de matériau. Ici, la vision automatique aide le robot à ramasser automatiquement à ramasser automatiquement les pièces correctes. Bien sûr, si les pièces sont toutes soigneusement disposées dans la même orientation sur une palette, il serait relativement simple de les reconnaître avec une rétroaction d'imagerie. Cependant, de puissants algorithmes de vision machine peuvent reconnaître des objets qui sont à différentes distances de l'appareil photo (et donc apparaissent comme des images de taille différentes sur le capteur d'imagerie) ainsi que des objets qui ne sont pas orientés dans le même sens que la caméra.

 

Les systèmes de vision machine les plus sophistiqués ont permis des conceptions émergentes qui sont beaucoup plus complexes que la sélection de pièces dans des bacs; Par exemple, il peut n'y avoir pas plus d'identification complexe qu'une voiture autonome.

 

machine vision

 

 

Techniques liées à la vision machine


Le terme vision machine est parfois réservé pour se référer à des méthodes mathématiques plus sophistiquées et plus efficaces qui peuvent extraire des informations des images. En revanche, le terme vision par ordinateur décrit généralement des systèmes plus modernes et exigeants en calcul, notamment des approches de boîte noire qui utilisent l'apprentissage automatique ou l'intelligence artificielle (IA). Cependant, la vision machine peut également être utilisée comme terme global qui inclut toutes les méthodes d'extraction d'informations de haut niveau des images; Dans ce cas, la vision par ordinateur décrit sa théorie sous-jacente du fonctionnement.


Les techniques qui peuvent extraire un sens de haut niveau des images abondent. Dans la communauté de la recherche, ces techniques sont souvent considérées comme distinctes de la vision industrielle. En réalité, cependant, tous sont des façons différentes de mettre en œuvre la vision machine ... et ils se chevauchent dans de nombreux cas.


Le traitement d'image numérique est une forme de traitement du signal numérique qui implique l'amélioration de l'image, la restauration, le codage et la compression. Les avantages par rapport au traitement d'image analogique sont la minimisation du bruit et de la distorsion ainsi que la multitude d'algorithmes disponibles. L'un des premiers types d'amélioration de l'image a été utilisé pour corriger les premières images rapprochées de la surface lunaire. Dans ce processus, une cartographie photogramétrique ainsi que des filtres à bruit ont été utilisées et des corrections ont été apportées aux distorsions géométriques causées par l'alignement de la caméra d'imagerie à la surface lunaire.

 

L'amélioration de l'image numérique implique généralement l'augmentation du contraste et éventuellement des corrections géométriques pour la visualisation des angles et la distorsion de l'objectif. La compression est souvent réalisée en approximant les signaux complexes en tant que combinaison de fonctions de cosinus - une transformée de Fourier connue sous le nom de transformée de cosinus discrète (DCT). Le format de fichier JPEG est l'application la plus courante du DCT. La restauration de l'image peut également utiliser la transformée de Fourier pour éliminer le bruit et le flou.


La photogrammétrie utilise une sorte de reconnaissance de fonctionnalités pour extraire les mesures d'images. Ces mesures peuvent inclure des informations 3D lorsque plusieurs images de la même scène sont acquises à différents emplacements. Les systèmes photogrammétriques les plus simples utilisent une échelle pour mesurer la distance entre deux points dans une image. Pour ce faire, il est souvent nécessaire d'inclure une échelle de référence connue dans l'image.


La détection des fonctionnalités permet à l'ordinateur de reconnaître les bords, les coins ou les points de l'image. Il s'agit de la première étape nécessaire pour la photogrammétrie et pour reconnaître les objets et le mouvement. La détection dublob identifie les zones avec des bords trop lisses pour la détection des bords ou des coin.


La reconnaissance du modèle est utilisée pour reconnaître des objets spécifiques. Dans le cas le plus simple, cela pourrait signifier trouver une partie mécanique spécifique bien définie sur un tapis roulant.


La reconstruction 3D détermine la forme 3D d'un objet d'une image 2D. Cette fonctionnalité peut être réalisée par des méthodes photogrammétriques. Dans ce cas, les hauteurs des caractéristiques communes (déterminées dans les images de différents points d'observation) sont déterminées en utilisant la triangulation. La reconstruction 3D est également possible en utilisant des images 2D seules; Ici, le logiciel explique également les relations géométriques entre les bords ou les zones ombrées.

 


Les humains peuvent reconstruire les cubes simplement en les traitant dans leur cerveau en utilisant le dessin de ligne - en utilisant des cercles ombrés pour reconstruire les sphères. L'ombrage montre la pente de la surface. Cependant, ce processus de dérivation est beaucoup plus complexe qu'on ne le pense, car l'ombrage est un paramètre unidimensionnel, tandis que la pente se produit dans un cas bidimensionnel. Cela peut conduire à des situations ambiguës - un fait validé par l'art de représenter des objets physiquement impossibles.


Comment les tâches de vision machine sont séquencées


De nombreux systèmes de vision industrielle intègrent les techniques ci-dessus progressivement en commençant par des opérations de bas niveau, puis en progressant vers des opérations de niveau supérieur. Au niveau le plus bas, tous les pixels d'une image sont stockés sous forme de données à large bande passante. Chaque opération dans la séquence reconnaît ensuite les caractéristiques de l'image et représente les informations d'intérêt avec une quantité relativement faible de données.


Le premier est le fonctionnement à faible niveau de l'amélioration de l'image et de la restauration suivi d'une détection des caractéristiques. Ainsi, dans le cas de l'utilisation de plusieurs capteurs, les opérations de bas niveau peuvent être effectuées par des processus distribués spécialisés pour les capteurs individuels. Une fois les fonctionnalités détectées dans des images individuelles, une photogrammétrie plus avancée peut être effectuée - comme pour toute reconnaissance d'objet ou toute autre tâche qui s'appuie sur des données combinées à partir de plusieurs images et capteurs.


Algorithmes de calcul et d'apprentissage direct


Dans le cas de la vision machine, le calcul direct est un ensemble de fonctions mathématiques définies par le programmeur. Ces fonctions prennent des entrées telles que les valeurs de pixels d'image et produisent des sorties telles que les coordonnées du bord de l'objet. En revanche, les algorithmes d'apprentissage ne sont pas écrits directement par les humains, mais sont formés sur des ensembles de données d'exemples qui corrélent les entrées avec les sorties souhaitées. En conséquence, les algorithmes d'apprentissage sont utilisés comme boîtes noires. La plupart de ces machines d'apprentissage utilise désormais l'apprentissage en profondeur basé sur des réseaux de neurones artificiels pour le calcul.

 

L'apprentissage automatique simple pour les applications industriels a tendance à être plus fiable et moins exigeant en calcul lorsqu'il est basé sur un calcul direct. Bien sûr, il y a des limites à ce qui peut être réalisé grâce à un calcul direct. Par exemple, il ne faut jamais espérer effectuer des visages pour reconnaître les modèles de reconnaissance avancés requis, et surtout pas à partir de séquences vidéo dans des espaces publics bondés. En revanche, l'apprentissage automatique peut gérer habilement ces applications. Il n'est donc pas surprenant que l'apprentissage automatique soit de plus en plus déployé pour les opérations de vision industrielle de bas niveau, en particulier l'amélioration de l'image, la restauration et la détection des fonctionnalités.


Méthodes d'enseignement améliorées (pas algorithmes)


La sophistication croissante des techniques d'apprentissage en profondeur a clairement indiqué que ce ne sont pas les algorithmes d'apprentissage eux-mêmes qui doivent être améliorés, mais plutôt la manière dont les algorithmes sont formés. Une procédure de formation améliorée est connue sous le nom de vision informatique centrée sur les données. Ici, un système d'apprentissage en profondeur accepte un ensemble de formation très robuste composé de milliers, de millions ou même de milliards d'images - puis enregistre les informations synthétisées extraites de chaque image par ses algorithmes. Ces algorithmes apprennent efficacement en les liant à des exemples de travail, puis se référez à un "carnet de réponses" pour vérifier que les valeurs correctes ont été dérivées.


Il y a un ancien conte éteint sur la reconnaissance des modèles numériques. L'armée américaine avait une fois l'intention d'utiliser la vision machine pour la reconnaissance cible, et la manifestation d'un entrepreneur de défense a identifié de manière fiable les réservoirs américains et russes. Les réservoirs de toutes sortes pourraient être correctement distingués, l'un après l'autre, des photographies aériennes du fournisseur. Cependant, lorsqu'il a été testé à nouveau avec la bibliothèque d'images du Pentagone, le système continuait de donner des réponses incorrectes. Le problème était que les images des entrepreneurs de la défense dépeignaient tous des chars américains dans les chars désertiques et russes sur les champs verts. Au lieu d'identifier les différents réservoirs, le système a identifié les différents arrière-plans de couleur. Quels sont les critères de reconnaissance? Les algorithmes d'apprentissage nécessitent des données de formation soigneusement organisées pour fonctionner.


Conclusion: une vision sûre des cellules de travail robotiques


La vision à la machine n'est plus une technologie de niche. Dans la campagne actuelle, le secteur industriel est la plus grande zone de croissance pour les déploiements de vision industrielle. Le développement le plus notable dans ce domaine est la façon dont la vision industrielle termine maintenant les systèmes de sécurité dans les usines industrielles, c'est-à-dire des systèmes qui sonnent une alarme ou donnent des notifications vocales lorsqu'un travailleur entre dans une zone de travail sans casque, masque ou autre équipement de protection approprié. La vision à la machine peut également être utilisée dans des systèmes qui alertent lors du déplacement des machines, tels que des chariots élévateurs, se rapprochent trop du personnel.

 

Ces systèmes de vision industrielle et similaires peuvent parfois remplacer les mesures de protection dure autour des robots industriels pour rendre les opérations plus efficaces. Les systèmes de vision industrielle peuvent également remplacer ou améliorer les systèmes de sécurité en fonction de la garde légère qui arrête les machines chaque fois qu'un travailleur est détecté entrant dans la cellule de travail. Lorsque la vision machine surveille le plancher d'usine autour d'une cellule de travail, les robots de cette cellule ont le potentiel de ralentir progressivement à l'approche des gens.

 

Au fur et à mesure que la conception des environnements industriels évolue pour accueillir des robots collaboratifs et d'autres équipements de glace qui permettent au personnel des usines de se promener en toute sécurité (même pendant que l'équipement fonctionne), ces systèmes basés sur la vision machine deviendront une partie plus courante des processus végétaux.

Envoyez demande

whatsapp

Téléphone

Messagerie

Enquête