Mašīnredze no SICK - kameras mērīšanai, defektu noteikšanai un šķirošanai

Mašīnredze ir automatizācijas tehnoloģija, kas ļauj iekārtām “ redzēt ” un analizēt vizuālu informāciju, veicot kvalitātes kontroles, mērīšanas un identifikācijas uzdevumus. SICK ir viens no vadošajiem sensoru un mašīnredzes sistēmu ražotājiem ar vairāk nekā 60 gadu pieredzi. SICK piedāvā ļoti plašu 2D un 3D redzes kameru klāstu industriālajai automatizācijai.

Satura rādītājs

• Kas ir mašīnredze?
• SICK mašīnredzes kameru portfelis
• SICK mašīnredzes kameru izvēles tabula (2D / 3D)
• Mašīnredzes pamatfunkcijas
• Vienkārši un sarežģīti lietojuma piemēri
• Brāķu, kvalitātes un šķirošanas detekcija
• Līdzība ar automašīnu numura zīmju atpazīšanu un cilvēku detekciju
• Tradicionālā un dziļās mācīšanās pieeja
• Priekšrocības un ROI
• Nākotnes tendences 2025

Kas ir mašīnredze?

Mašīnredze ir tehnoloģija, kas izmanto kameras, sensorus un datorredzes algoritmus, lai automātiski pārbaudītu, analizētu un pieņemtu lēmumus, balstoties uz vizuālajiem datiem. Tā ir līdzīga cilvēka redzes spējai, taču darbojas ar daudz lielāku precizitāti, ātrumu un konsekvenci. Sistēma iegūst attēlus, apstrādā tos ar īpašiem algoritmiem un pieņem lēmumus — piemēram, vai produkts ir kvalitatīvs vai brāķis.

Mašīnredzes sistēmas sastāv no četrām galvenajiem komponentēm:

1. Attēla iegūšana (kameras un sensori)
2. Datu pārsūtīšana (Ethernet, USB)
3. Informācijas ekstrakcija (malu noteikšana, mērījumi, rakstu atpazīšana)
4. Lēmumu pieņemšana (balstoties uz AI/ML algoritmu analīzi)

SICK mašīnredzes kameru portfelis

SICK piedāvā vairākas kameru sērijas dažādiem lietojumiem:

2D redzes sensori un kameras

• Inspector83x sērija — AI jaudīga kamera ar dziļās mācīšanās spējām, kas ļauj nekvalificētiem operatoriem ātri konfigurēt kvalitātes kontroli, defektu detekciju un šķirošanu, vienkārši “iemācot” kameru ar piemēriem. Spēj veikt līdz 15 inspekcijām sekundē.
• InspectorP61x — ultrakompakta 2D redzes kamera, ideāli piemērota ierobežotas vietas apstākļiem vai montāžai uz robota rokas gala.
• InspectorP64x — programmējama 2D kamera ar 1,7 megapikseļu izšķirtspēju darbam lielākos attālumos un augstas ātrdarbības uzdevumos.

3D redzes kameras

• Ranger3 sērija — augstas veiktspējas 3D straumēšanas kameras ar līdz 69 kHz profilu iegūšanas ātrumu, RGB krāsu skenēšanu līdz 5120 pikseļiem un ROCC tehnoloģiju izcilai 3D kvalitātei. Piemērotas rūpnieciskai inspekcijai un mērījumiem.
• Ruler3000 sērija — 3D kameras ar ļoti augstu skenēšanas ātrumu (līdz 46 kHz) un spēju strādāt ar tumšiem materiāliem, piemēram, riepu gumiju.
• Visionary-T, Visionary-S, Visionary-B — “snapshot” 3D sensori dažādiem lietojumiem: telpās (Time-of-Flight tehnoloģija), stereo redze ar strukturēto apgaismojumu vai izturīgi sensori āra apstākļiem.
• TriSpectorP1000 un ScanningRuler — programmējamas 3D kameras ar lāzertriangulācijas metodi robotu vadībai un 3D mērījumiem.

SICK mašīnredzes kameru izvēles tabula (2D / 3D)

Tabulā ir atspoguļotas dažas no populārākajam SICK kamerām.

Mašīnredzes pamatfunkcijas

Mašīnredzes sistēmas veic četrus pamata uzdevumus:

1. Modeļu atpazīšana (Pattern Recognition) — vienkāršu formu, krāsu, svītrkodu, seju, pirkstu nospiedumu atpazīšana.
2. Vizuālā pozicionēšana (Visual Positioning) — precīza objekta koordinātu un leņķa noteikšana.
3. Mērīšana (Measuring) — ģeometrisko izmēru noteikšana ar augstu precizitāti.
4. Izskata inspekcija (Appearance Inspection) — defektu noteikšana: montāžas kļūdas, trūkstoši komponenti, drukāšanas defekti, formas bojājumi.

Vienkārši un sarežģīti lietojuma piemēri

Vienkāršie piemēri:

• Klātbūtnes pārbaude — vai visas komponentes ir uzstādītas uz elektroniskās plates vai ir iepakojumā.
• Dimensiju mērīšana — produktu augstuma, platuma vai tilpuma kontrole.
• Svītrkodu un QR kodu lasīšana — produktu izsekojamība ražošanas līnijās.
• Krāsu šķirošana — augļu un dārzeņu šķirošana pēc gatavības pakāpes/krāsas.
• Vienkārša teksta lasīšana (OCR) — derīguma termiņu, partijas numuru atpazīšana uz produktiem.

Sarežģīti piemēri:

• MI atbalstīta defektu detekcija — neparedzamu defektu noteikšana ar dziļās mācīšanās algoritmiem, kas spēj adaptēties jauniem defektu veidiem.
• 3D formas analīze — riepu sieniņu marķējumu lasīšana un integritātes pārbaude 3D profilā ar MI/MM algoritmiem.
• Svešķermeņu detekcija (FOD/FOS) — 3D skenēšana elektrisko transportlīdzekļu akumulatoru virsmām, lai noteiktu svešķermeņus (instrumentus, skrūves), kas var izraisīt īsslēgumu.
• Kompleksa montāžas verifikācija — vairāku komponentu pareizības pārbaude automobiļu ražošanā ar kalibrētām 3D kamerām.
• Robotu vadība ar 3D redzi — “random bin picking”: detaļu atrašana un labākās satveršanas pozīcijas aprēķināšana haotiskos konteineros.

* MI - Mākslīgais intelekts
* MM - Mašīnmācīšanās

Brāķu, kvalitātes un šķirošanas detekcija

Mašīnredzes sistēmas ir izšķirošas kvalitātes kontrolē:

Brāķu detekcija: Sistēmas nosaka plaisas, skrāpējumus, iespiedumus, krāsas nekonsekvenci, trūkstošas detaļas vai nepareizu montāžu ar vairāk nekā 99% precizitāti. AI sistēmas, piemēram, Inspector83x , izmanto konvolūcijas neironu tīklus (CNN), kas analizē attēlus pikseli pa pikselim un klasificē defektus pēc nopietnības. Tradicionālās metodes salīdzina attēlus ar etalonu, bet AI modeļi spēj mācīties un adaptēties pat neparedzamiem defektiem.

Kvalitātes pārbaude: Kameras pārbauda etiķešu precizitāti, blīvējumu integritāti, svītrkodu klātbūtni un drukas kvalitāti. Farmācijas nozarē sistēmas pārbauda tablešu blisteru iepakojumus, apstiprinot partijas kodus un pilnību, apstrādājot simtiem iepakojumu minūtē.

Šķirošana pēc dažādiem kritērijiem:

• Pēc krāsas — RGB kameras atpazīst nogatavojušos augļus vai defektus pārtikas produktos.
• Pēc formas — sistēmas atšķir produktus ar pareizu formu no salauztiem vai deformētiem.
• Pēc izmēra — automātiska izmēru klasifikācija konveijera lentē.
• Kombinēta šķirošana — sistēmas vienlaikus analizē krāsu, formu un izmēru, šķirojot līdz 3 m/s ātrumā.

Līdzība ar automašīnu numura zīmju atpazīšanu un cilvēku detekciju

Mašīnredzes princips ir identisks tam kā notiek automašīnu numura zīmju atpazīšana (ANPR/LPR) un cilvēku detekcija uz ielām

Numura zīmju atpazīšana (LPR/ANPR)

Izmanto optiskās rakstzīmju atpazīšanas (OCR) algoritmus, kas attēlos nosaka un nolasa rakstzīmes un ciparus no auto numurzīmēm. Mūsdienu sistēmas ar dziļo mācīšanos spēj tās nolasīt dažādos leņķos, sliktos apgaismojuma apstākļos un pat bojātas zīmes ar vairāk nekā 98% precizitāti. Tās izmanto līdzīgus CNN algoritmus kā rūpnieciskās mašīnredzes sistēmās.

Cilvēku/gājēju detekcija

Izmanto datorredzes algoritmus, lai identificētu un izsekotu gājējus attēlos vai video straumēs. Sistēmas analizē cilvēka formu, kustību un uzvedību, izmantojot dziļās mācīšanās modeļus. Tas ir kritiski autonomajiem transportlīdzekļiem (sadursmju novēršana), drošības monitoringam un viedpilsētu infrastruktūrai.

Kopīgie principi

Visas šīs sistēmas — vai tās būtu SICK industriālās kameras, LPR sistēmas vai gājēju detektori — izmanto līdzīgu tehnoloģisko pamatu:

1. Augstas kvalitātes attēla iegūšana ar kamerām un sensoriem.
2. Attēla priekšapstrāde (normalizēšana, trokšņu samazināšana).
3. Iezīmju ekstrakcija ar tradicionālām metodēm (SIFT, HOG) vai dziļās mācīšanās modeļiem.
4. Klasifikācija vai detekcija, izmantojot AI algoritmus.
5. Lēmumu pieņemšana reāllaikā.

Tradicionālā un dziļās mācīšanās pieeja

Tradicionālā mašīnredze

Inženieris manuāli definē, kādas iezīmes meklēt (malas, krāsas, tekstūras), un izveido noteikumus. Šī pieeja ir vienkārša, ātra un interpretējama, bet prasa daudz manuāla darba un ir mazāk elastīga sarežģītiem uzdevumiem.

Dziļās mācīšanās pieeja

AI modelis automātiski “iemācās”, ko meklēt, analizējot piemēru attēlus (“end-to-end learning”). Tas prasa lielākus datu apjomus un skaitļošanas resursus, bet sasniedz labākus rezultātus sarežģītiem uzdevumiem un spēj adaptēties jaunām problēmām. SICK Inspector83x kameras izmanto tieši šo pieeju — operators vienkārši parāda kamerai labus un sliktus piemērus, un kamera pati iemācās tos atšķirt.

Priekšrocības un ROI

Mašīnredzes sistēmas sniedz ievērojamu atdevi no ieguldījumiem:

• Produktivitātes pieaugums: 20–30% ražošanas efektivitātes uzlabojums; roboti apstrādā līdz 10 000 detaļu stundā.
• Izmaksu samazināšana: ~50% samazinājums kvalitātes kontroles darbaspēka izmaksās; 20–40% apkopes izmaksu ietaupījums.
• Defektu samazināšana: 30% defektu līmeņa kritums; inspekcijas laiks no 60 sekundēm uz ~2,2 sekundēm.
• Dīkstāves samazināšana: 30–50% dīkstāves laika samazinājums.
• Drošības uzlabojumi: 40–60% drošības incidentu samazinājums.

Nākotnes tendences 2025

Mašīnredzes attīstība turpinās ar vairākām galvenajām tendencēm:

1. Ģeneratīvā AI un Vision Transformers (ViT) — labāka defektu detekcija ar mazāk treniņdatiem.
2. Edge AI — apstrāde tieši kamerā, bez mākoņa latentuma.
3. Multimodālā integrācija — redzes, valodas un audio datu apvienošana vienā sistēmā.
4. 3D redze un NeRF tehnoloģija — fotoreālistiska 3D rekonstrukcija no 2D attēliem.
5. Sintētiski dati un pašmācība — modeļu treniņš bez dārgas manuālas datu marķēšanas.

Mašīnredzes tehnoloģija ir kļuvusi neaizstājama mūsdienu automatizācijā — no vienkāršas produktu klātbūtnes pārbaudes līdz sarežģītai, ar AI darbināmai defektu detekcijai un 3D mērījumiem. SICK kameras piedāvā risinājumus visiem šiem uzdevumiem, nodrošinot augstu precizitāti, ātrumu un uzticamību industriālās vidēs.