Машинное зрение от SICK — камеры для измерения, определения дефектов и сортировки

Машинное зрение — это технология автоматизации, которая позволяет оборудованию «видеть» и анализировать визуальную информацию, выполняя задачи контроля качества, измерения и идентификации. SICK — один из ведущих производителей датчиков и систем машинного зрения с более чем 60-летним опытом. SICK предлагает очень широкий ассортимент 2D- и 3D-камер для промышленной автоматизации.

Оглавление

• Что такое машинное зрение?
• Ассортимент камер машинного зрения SICK
• Таблица выбора камер машинного зрения SICK (2D / 3D)
• Основные функции машинного зрения
• Простые и сложные примеры применения
• Обнаружение брака, качества и сортировка
• Сходство с распознаванием автомобильных номеров и обнаружением людей
• Традиционный подход и подход глубокого обучения
• Преимущества и ROI
• Тенденции на 2025 год

Что такое машинное зрение?

Машинное зрение — это технология, которая использует камеры, датчики и алгоритмы компьютерного зрения для автоматической проверки, анализа и принятия решений на основе визуальных данных. Она схожа со способностью человеческого зрения, но работает с гораздо большей точностью, скоростью и последовательностью. Система получает изображения, обрабатывает их с помощью специальных алгоритмов и принимает решения — например, является ли продукт качественным или бракованным.

Системы машинного зрения состоят из четырех основных компонентов:

1. Получение изображения (камеры и датчики)
2. Передача данных (Ethernet, USB)
3. Извлечение информации (обнаружение граней, измерения, распознавание образов)
4. Принятие решений (на основе анализа алгоритмов AI/ML)

Ассортимент камер машинного зрения SICK

SICK предлагает несколько серий камер для различных применений:

2D визуальные датчики и камеры

• Серия Inspector83x — Мощная AI-камера c технологиями глубокого обучения, позволяющая неквалифицированным операторам быстро настраивать контроль качества, обнаружение дефектов и сортировку путём простого "обучения" камеры на примерах. Способна выполнять до 15 инспекций в секунду.
• InspectorP61x — ультракомпактная 2D-визуальная камера, идеально подходящая для условий ограниченного пространства или установки на конце руки робота.
• InspectorP64x — программируемая 2D-камера с разрешением 1,7 мегапикселя для работы на больших расстояниях и высокоскоростных задачах.

3D визуальные камеры

• Серия Ranger3 — высокопроизводительные 3D-потоковые камеры с частотой захвата профиля до 69 кГц, сканированием цвета RGB до 5120 пикселей и технологией ROCC для выдающегося 3D качества. Подходят для промышленной инспекции и измерений.
• Серия Ruler3000 — 3D-камеры с очень высокой скоростью сканирования (до 46 кГц) и возможностью работать с тёмными материалами, например, резиной шин.
• Visionary-T, Visionary-S, Visionary-B — "Snapshot" 3D-датчики для различных применений: в помещении (технология Time-of-Flight), стереозрение со структурированным освещением или прочные датчики для условий наружной эксплуатации.
• TriSpectorP1000 и ScanningRuler — программируемые 3D-камеры с методом лазерной триангуляции для управления роботами и 3D-измерений.

Таблица выбора камер машинного зрения SICK (2D / 3D)

Таблица отражает некоторые из самых популярных камер SICK.

Основные функции машинного зрения

Системы машинного зрения выполняют четыре основных задачи:

1. Распознавание образов (Pattern Recognition) — распознавание простых форм, цветов, штрихкодов, лиц, отпечатков пальцев.
2. Визуальное позиционирование (Visual Positioning) — точное определение координат и угла объекта.
3. Измерение (Measuring) — определение геометрических размеров с высокой точностью.
4. Внешний осмотр (Appearance Inspection) — обнаружение дефектов: ошибки сборки, отсутствие компонентов, дефекты печати, повреждения формы.

Простые и сложные примеры применения

Простые примеры:

• Проверка наличия — все ли компоненты установлены на электронной плате или находятся в упаковке.
• Измерение размеров — контроль высоты, ширины или объемa продукции.
• Считывание штрих-кодов и QR-кодов — отслеживаемость продукции на производственных линиях.
• Сортировка по цвету — сортировка фруктов и овощей по степени зрелости/цвету.
• Чтение простого текста (OCR) — распознавание сроков годности, номеров партий на продукции.

Сложные примеры:

• Обнаружение дефектов с поддержкой ИИ — обнаружение непредсказуемых дефектов с помощью алгоритмов глубокого обучения, способных адаптироваться к новым типам дефектов.
• Анализ 3D-формы — считывание маркировки боковин шин и проверка целостности в 3D-профиле с использованием ИИ/МО алгоритмов.
• Обнаружение посторонних предметов (FOD/FOS) — 3D-сканирование поверхности аккумуляторов электротранспорта для обнаружения посторонних предметов (инструменты, винты), которые могут привести к короткому замыканию.
• Комплексная верификация сборки — проверка правильности установки нескольких компонентов в автопроме с помощью откалиброванных 3D-камер.
• Управление роботами с 3D-зрением — “random bin picking”: определение местоположения деталей и вычисление наилучшей позиции захвата в хаотичных контейнерах.

* ИИ - Искусственный интеллект
* МО - Машинное обучение

Обнаружение брака, качества и сортировка

Системы машинного зрения являются ключевыми для контроля качества:

Детекция брака:Системы выявляют трещины, царапины, вмятины, несоответствие цвета, отсутствие деталей или неправильную сборку с более чем 99% точностью. AI-системы, такие какInspector83x, используют сверточные нейронные сети (CNN), которые анализируют изображения по каждому пикселю и классифицируют дефекты по степени серьезности. Традиционные методы сравнивают изображения с эталоном, а AI-модели способны обучаться и адаптироваться даже к непредсказуемым дефектам.

Проверка качества:Камеры проверяют точность этикеток, целостность уплотнений, наличие штрихкодов и качество печати. В фармацевтике системы проверяют блистерную упаковку таблеток, подтверждают коды партий и комплектность, обрабатывая сотни упаковок в минуту.

Сортировка по разным критериям:

• По цвету— RGB-камеры определяют спелость фруктов или дефекты в пищевых продуктах.
• По форме— системы отличают продукты правильной формы от сломанных или деформированных.
• По размеру— автоматическая классификация по размеру на конвейерной ленте.
• Комбинированная сортировка— системы одновременно анализируют цвет, форму и размер, сортируя на скорости до 3 м/сек.

Сходство с распознаванием автомобильных номеров и обнаружением людей

Принцип машинного зрения идентичен тому, как происходит распознавание автомобильных номерных знаков (ANPR/LPR) и детекция людей на улицах

Распознавание номерных знаков (LPR/ANPR)

Используются алгоритмы оптического распознавания символов (OCR), которые на изображениях определяют и читают символы и цифры с автомобильных номеров. Современные системы с использованием глубинного обучения способны распознавать их под разными углами, при плохом освещении и даже повреждённые знаки с точностью более 98%. Они используют аналогичные алгоритмы CNN, как и промышленные системы машинного зрения.

Детекция людей/пешеходов

Используют алгоритмы компьютерного зрения для идентификации и отслеживания пешеходов на изображениях или в видеопотоке. Системы анализируют форму, движение и поведение человека с помощью моделей глубокого обучения. Это критически важно для автономных транспортных средств (предотвращение столкновений), мониторинга безопасности и инфраструктуры умных городов.

Общие принципы

Все эти системы — будь то промышленные камеры SICK, LPR-системы или детекторы пешеходов — используют схожую технологическую основу:

1. Получение высококачественного изображения с помощью камер и датчиков.
2. Предварительная обработка изображения (нормализация, уменьшение шума).
3. Экстракция признаков с использованием традиционных методов (SIFT, HOG) или моделей глубокого обучения.
4. Классификация или детекция с помощью AI-алгоритмов.
5. Принятие решения в реальном времени.

Традиционный подход и подход глубокого обучения

Традициональное машинное зрение

Инженер вручную определяет, какие признаки искать (границы, цвета, текстуры), и создает правила. Этот подход прост, быстр и интерпретируем, но требует много ручной работы и менее гибок для сложных задач.

Подход глубокого обучения

AI-модель автоматически «обучается», что искать, анализируя примерные изображения («сквозное обучение»). Это требует больших объемов данных и вычислительных ресурсов, но достигает лучших результатов для сложных задач и способна адаптироваться к новым проблемам. SICK Inspector83x камеры используют именно этот подход — оператор просто показывает камере хорошие и плохие примеры, а камера сама учится их различать.

Преимущества и ROI

Системы машинного зрения обеспечивают значительную отдачу от инвестиций:

• Рост производительности: Увеличение эффективности производства на 20–30%; роботы обрабатывают до 10 000 деталей в час.
• Снижение затрат: ~50% сокращение затрат на рабочую силу для контроля качества; экономия на обслуживании 20–40%.
• Снижение числа дефектов: Падение уровня дефектов на 30%; время инспекции с 60 секунд до ~2,2 секунд.
• Снижение простоев: Сокращение времени простоя на 30–50%.
• Улучшение безопасности: Снижение числа инцидентов по безопасности на 40–60%.

Тенденции на 2025 год

Развитие машинного зрения продолжается с несколькими основными тенденциями:

1. Генеративный ИИ и Vision Transformers (ViT)— лучшая детекция дефектов при меньшем объёме обучающих данных.
2. Edge AI— обработка непосредственно в камере, без облачной задержки.
3. Мультимодальная интеграция— объединение визуальных, языковых и аудио данных в одной системе.
4. 3D зрение и технология NeRF— фотореалистичная 3D реконструкция по 2D изображениям.
5. Синтетические данные и самообучение— обучение моделей без дорогостоящей ручной разметки данных.

Технология машинного зрения стала незаменимой в современной автоматизации — от простой проверки наличия продукта до сложной, управляемой ИИ, детекции дефектов и 3D-измерений. Камеры SICK предлагают решения для всех этих задач, обеспечивая высокую точность, скорость и надёжность в промышленных условиях.