✖


Jump to content

Машинное зрение

Ранняя система машинного зрения Automatix (ныне часть Omron ) Autovision II 1983 года демонстрируется на выставке. Камера на штативе направлена ​​вниз на световой стол для создания изображения с подсветкой, показываемого на экране, которое затем подвергается извлечению капель .

Машинное зрение — это технология и методы, используемые для обеспечения изображений контроля и анализа на основе автоматического для таких приложений, как автоматический контроль, управление процессами и управление роботами, обычно в промышленности. Машинное зрение относится ко многим технологиям, программным и аппаратным продуктам, интегрированным системам, действиям, методам и знаниям. Машинное зрение как дисциплину системной инженерии можно считать отличной от компьютерного зрения , формы информатики . Он пытается по-новому интегрировать существующие технологии и применить их для решения проблем реального мира. Этот термин является распространенным для этих функций в средах промышленной автоматизации, но также используется для этих функций в других средах управления транспортными средствами.

Общий процесс машинного зрения включает в себя детальное планирование требований и проекта, а затем создание решения. Во время выполнения процесс начинается с создания изображения, за которым следует автоматический анализ изображения и извлечение необходимой информации.

Определение [ править ]

Определения термина «Машинное зрение» различаются, но все они включают технологию и методы, используемые для автоматического извлечения информации из изображения, в отличие от обработки изображения , при которой на выходе получается другое изображение. Извлеченная информация может представлять собой простой сигнал «хорошая/плохая часть» или, более того, сложный набор данных, таких как идентичность, положение и ориентация каждого объекта на изображении. Эту информацию можно использовать для таких приложений, как автоматический контроль, управление роботами и процессами в промышленности, мониторинг безопасности и управление транспортными средствами. [1] [2] [3] Эта область охватывает большое количество технологий, программных и аппаратных продуктов, интегрированных систем, действий, методов и опыта. [3] [4] Машинное зрение — практически единственный термин, используемый для обозначения этих функций в приложениях промышленной автоматизации; этот термин менее универсален для этих функций в других средах, таких как безопасность и управление транспортными средствами. Машинное зрение как дисциплину системной инженерии можно считать отличной от компьютерного зрения , формы фундаментальной информатики ; машинное зрение пытается по-новому интегрировать существующие технологии и применить их для решения реальных проблем таким образом, чтобы это отвечало требованиям промышленной автоматизации и аналогичных областей применения. [3] : 5  [5] Этот термин также используется в более широком смысле на выставках и торговых группах, таких как Ассоциация автоматизированной обработки изображений и Европейская ассоциация машинного зрения. Это более широкое определение также охватывает продукты и приложения, чаще всего связанные с обработкой изображений. [4] Основными сферами применения машинного зрения являются автоматический контроль и управление промышленными роботами /процессами. [6] [7] : 6–10  [8] В последнее время термины «компьютерное зрение» и «машинное зрение» стали более сближаться. [9] : 13  См. словарь машинного зрения .

Автоматическая проверка и сортировка на основе изображений [ править ]

Основными сферами применения машинного зрения являются автоматический осмотр и сортировка на основе изображений, а также управление роботами; [6] [7] : 6–10  в этом разделе первое сокращенно обозначается как «автоматическая проверка». Общий процесс включает в себя детальное планирование требований и проекта, а затем создание решения. [10] [11] В этом разделе описан технический процесс, происходящий в процессе эксплуатации решения.

Способы и последовательность действий [ править ]

Первым шагом в последовательности операций автоматического контроля является получение изображения , обычно с использованием камер, объективов и освещения, которое было разработано для обеспечения различения, необходимого для последующей обработки. [12] [13] MV Пакеты программного обеспечения и программы, разработанные в них, затем используют различные методы цифровой обработки изображений для извлечения необходимой информации и часто принимают решения (например, «прошел/не прошел») на основе извлеченной информации. [14]

Оборудование [ править ]

Компоненты системы автоматического контроля обычно включают освещение, камеру или другой формирователь изображения, процессор, программное обеспечение и устройства вывода. [7] : 11–13 

Изображение [ править ]

Устройство формирования изображений (например, камера) может быть либо отделено от основного блока обработки изображений, либо объединено с ним, и в этом случае такая комбинация обычно называется интеллектуальной камерой или интеллектуальным датчиком. [15] [16] Включение всех функций обработки в тот же корпус, что и камера, часто называют встроенной обработкой. [17] При разделении соединение может быть выполнено со специализированным промежуточным оборудованием, специальным устройством обработки или устройством захвата кадров на компьютере с использованием аналогового или стандартизированного цифрового интерфейса ( Camera Link , CoaXPress ). [18] [19] [20] [21] Реализации MV также используют цифровые камеры, способные к прямому подключению (без фреймграббера) к компьютеру через FireWire , USB или Gigabit Ethernet . интерфейсы [21] [22]

В то время как традиционная визуализация (2D в видимом свете) чаще всего используется при МВ, альтернативы включают мультиспектральную визуализацию , гиперспектральную визуализацию , визуализацию различных инфракрасных диапазонов, [23] линейное сканирование, 3D-изображение поверхностей и рентгеновское изображение. [6] Ключевыми различиями в визуализации MV 2D в видимом свете являются монохромность и цвет, частота кадров , разрешение, а также то, является ли процесс визуализации одновременным по всему изображению, что делает его подходящим для движущихся процессов. [24]

Хотя подавляющее большинство приложений машинного зрения решаются с использованием двумерных изображений, приложения машинного зрения, использующие 3D-изображения, занимают растущую нишу в отрасли. [25] [26] Наиболее часто используемый метод трехмерной визуализации — это триангуляция на основе сканирования, в которой используется движение продукта или изображения во время процесса визуализации. Лазер проецируется на поверхности объекта. В машинном зрении это достигается с помощью сканирующего движения либо путем перемещения заготовки, либо путем перемещения камеры и системы лазерной визуализации. Линия просматривается камерой под другим углом; отклонение линии представляет собой изменения формы. Линии нескольких сканирований собираются в карту глубины или облако точек. [27] Стереоскопическое зрение используется в особых случаях, связанных с уникальными особенностями, присутствующими в обоих изображениях пары камер. [27] Другие 3D-методы, используемые для машинного зрения, основаны на времени полета и сетке. [27] [25] Одним из методов являются системы на основе сеточных массивов с использованием системы псевдослучайного структурированного освещения, используемой в системе Microsoft Kinect примерно в 2012 году. [28] [29]

Обработка изображений [ править ]

После получения изображения оно обрабатывается. [20] Функции центральной обработки обычно выполняются центральным процессором , графическим процессором , FPGA или их комбинацией. [17] Обучение глубокому обучению и логический вывод предъявляют более высокие требования к производительности обработки. [30] Обычно используются несколько этапов обработки в последовательности, которая в конечном итоге приводит к желаемому результату. Типичная последовательность может начинаться с таких инструментов, как фильтры, которые изменяют изображение, за которым следует извлечение объектов, затем извлечение (например, измерения, считывание кодов) данных из этих объектов с последующей передачей этих данных или сравнением их с целевыми значениями для создавать и сообщать результаты «прошел/не прошел». Методы обработки изображений машинного зрения включают в себя;

  • Сшивание / регистрация : Объединение соседних 2D или 3D изображений. [ нужна ссылка ]
  • Фильтрация (например, морфологическая фильтрация ) [31]
  • Пороговое значение: Пороговое значение начинается с установки или определения значения серого, которое будет полезно для следующих шагов. Затем это значение используется для разделения частей изображения, а иногда и для преобразования каждой части изображения в черно-белое изображение в зависимости от того, находится ли оно ниже или выше значения шкалы серого. [32]
  • Подсчет пикселей: подсчитывает количество светлых или темных пикселей. [ нужна ссылка ]
  • Сегментация : разделение цифрового изображения на несколько сегментов для упрощения и/или изменения представления изображения во что-то более значимое и более простое для анализа. [33] [34]
  • Обнаружение краев : поиск краев объекта [35]
  • Цветовой анализ: идентифицируйте детали, продукты и предметы с помощью цвета, оценивайте качество по цвету и изолируйте функции с помощью цвета. [6]
  • Обнаружение и извлечение капель : проверка изображения на наличие дискретных капель связанных пикселей (например, черной дыры в сером объекте) в качестве ориентиров изображения. [36]
  • Нейронная сеть / глубокое обучение / обработка машинного обучения : взвешенное и самообучающееся принятие решений с несколькими переменными [37] Примерно в 2019 году эта технология значительно расширится: использование глубокого обучения и машинного обучения значительно расширит возможности машинного зрения. Наиболее распространенным результатом такой обработки является классификация. Примерами классификации являются идентификация объектов, классификация идентифицированных объектов «не пройдена» и оптическое распознавание символов. [37]
  • Распознавание образов, включая сопоставление шаблонов . Поиск, сопоставление и/или подсчет определенных закономерностей. Сюда может относиться местоположение объекта, который может быть повернут, частично скрыт другим объектом или иметь другой размер. [38]
  • штрих-кода , матрицы данных и « 2D-штрих-кода » Чтение [39]
  • Оптическое распознавание символов : автоматическое считывание текста, например серийных номеров. [40]
  • Измерение/метрология : измерение размеров объекта (например, в пикселях , дюймах или миллиметрах ). [41]
  • Сравнение с целевыми значениями для определения результата «пройден или не пройден» или «годен/не пройден». Например, при проверке кода или штрих-кода считанное значение сравнивается с сохраненным целевым значением. При измерении измеренное значение сравнивается с правильным значением и допусками. Для проверки буквенно-цифровых кодов значение OCR сравнивается с правильным или целевым значением. Для проверки на наличие дефектов измеренный размер дефектов можно сравнить с максимальными значениями, допускаемыми стандартами качества. [39]

Выходы [ править ]

Обычным результатом работы автоматических систем проверки является принятие решения о прохождении/несоответствии. [14] Эти решения, в свою очередь, могут активировать механизмы, которые отклоняют неудачные элементы или подают сигнал тревоги. Другие распространенные выходные данные включают информацию о положении и ориентации объекта для систем наведения робота. [6] Кроме того, типы выходных данных включают числовые данные измерений, данные, считанные из кодов и символов, подсчеты и классификацию объектов, отображение процесса или результатов, сохраненные изображения, сигналы тревоги от автоматизированных систем космического мониторинга среднего напряжения и сигналы управления процессом . [10] [13] Сюда же относятся пользовательские интерфейсы, интерфейсы для интеграции многокомпонентных систем и автоматизированного обмена данными. [42]

Глубокое обучение [ править ]

Термин «глубокое обучение» имеет разные значения, большинство из которых применимо к методам, используемым в машинном зрении более 20 лет. Однако использование этого термина в машинном зрении началось в конце 2010-х годов, когда появилась возможность успешно применять такие методы ко всем изображениям в области промышленного машинного зрения. [43] Обычное машинное зрение обычно требует «физического» этапа решения для автоматического контроля машинного зрения, чтобы обеспечить надежную и простую дифференциацию дефектов. Примером «простой» дифференциации является то, что дефекты темные, а хорошие части продукта светлые. Распространенная причина, по которой некоторые приложения были невыполнимы, заключалась в том, что невозможно было достичь «простого»; глубокое обучение устраняет это требование, по сути, «видя» объект больше, чем человек, что делает возможным выполнение этих автоматических приложений. [43] Система обучается на большом количестве изображений на этапе обучения, а затем выполняет проверку во время использования, которая называется «выводом». [43]

роботом на изображений основе Управление

Машинное зрение обычно предоставляет роботу информацию о местоположении и ориентации, чтобы робот мог правильно схватить продукт. Эта возможность также используется для управления движением, которое проще, чем у роботов, например, с помощью 1- или 2-осевого контроллера движения. [6] Общий процесс включает в себя детальное планирование требований и проекта, а затем создание решения. В этом разделе описан технический процесс, происходящий в процессе эксплуатации решения. Многие этапы процесса такие же, как и при автоматическом контроле, за исключением того, что в результате основное внимание уделяется предоставлению информации о положении и ориентации. [6]

Рынок [ править ]

Совсем недавно, в 2006 году, один отраслевой консультант сообщил, что рынок MV в Северной Америке составляет 1,5 миллиарда долларов. [44] Однако главный редактор профессионального журнала MV заявил, что «машинное зрение — это не отрасль как таковая», а скорее «интеграция технологий и продуктов, которые предоставляют услуги или приложения, которые приносят пользу настоящим отраслям, таким как автомобилестроение или производство потребительских товаров». , сельское хозяйство и оборона». [4]

См. также [ править ]

Ссылки [ править ]

  1. ^ Стегер, Карстен; Маркус Ульрих; Кристиан Видеманн (2018). Алгоритмы и приложения машинного зрения (2-е изд.). Вайнхайм: Wiley-VCH . п. 1. ISBN  978-3-527-41365-2 . Проверено 30 января 2018 г.
  2. ^ Бейерер, Юрген; Пуэнте Леон, Фернандо и Фрезе, Кристиан (2016). Машинное зрение — автоматизированный визуальный контроль: теория, практика и приложения . Берлин: Шпрингер . дои : 10.1007/978-3-662-47794-6 . ISBN  978-3-662-47793-9 . Проверено 11 октября 2016 г.
  3. ^ Jump up to: Перейти обратно: а б с Грейвс, Марк и Брюс Г. Бэтчелор (2003). Машинное зрение для проверки натуральных продуктов . Спрингер . п. 5. ISBN  978-1-85233-525-0 . Проверено 2 ноября 2010 г.
  4. ^ Jump up to: Перейти обратно: а б с Холтон, В. Конард (октябрь 2010 г.). «Под любым другим именем» . Проектирование систем технического зрения . 15 (10). ISSN   1089-3709 . Проверено 5 марта 2013 г.
  5. ^ Оуэн-Хилл, Алекс (21 июля 2016 г.). «Роботическое зрение и компьютерное зрение: в чем разница?» . Робототехника завтра.
  6. ^ Jump up to: Перейти обратно: а б с д и ж г Турек, Фред Д. (июнь 2011 г.). «Основы машинного зрения. Как заставить роботов видеть» . Технические обзоры НАСА . 35 (6): 60–62 . Проверено 29 ноября 2011 г.
  7. ^ Jump up to: Перейти обратно: а б с Когнекс (2016). «Введение в машинное зрение» (PDF) . Журнал «Ассамблея» . Проверено 9 февраля 2017 г.
  8. ^ Люкенхаус, Максимилиан (1 мая 2016 г.). «Машинное зрение в IIoT» . Журнал «Качество» .
  9. ^ компьютерного зрения , 5-е издание, издательство ER Davies Academic Press, Elselvier, 2018 ISBN 978-0-12-809284-2 Принципы, алгоритмы, приложения, обучение
  10. ^ Jump up to: Перейти обратно: а б Уэст, Перри. Дорожная карта создания системы машинного зрения. Страницы 1–35.
  11. ^ Дешоу, Дэвид (январь 2009 г.). «Интеграция: как заставить это работать» . Зрение и сенсоры : 16–20. Архивировано из оригинала 14 марта 2020 г. Проверено 12 мая 2012 г.
  12. ^ Хорнберг, Александр (2006). Справочник по машинному зрению . Вайли-ВЧ . п. 427. ИСБН  978-3-527-40584-8 . Проверено 5 ноября 2010 г.
  13. ^ Jump up to: Перейти обратно: а б Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. ISBN  3-540-66410-6 . [ нужна страница ]
  14. ^ Jump up to: Перейти обратно: а б Хорнберг, Александр (2006). Справочник по машинному зрению . Вайли-ВЧ. п. 429. ИСБН  978-3-527-40584-8 . Проверено 5 ноября 2010 г.
  15. ^ Бельбахир, Ахмед Набиль, изд. (2009). Умные камеры . Спрингер. ISBN  978-1-4419-0952-7 . [ нужна страница ]
  16. ^ Дешоу, Дэвид (февраль 2013 г.). «Изучите основы машинного зрения: часть 1» . Проектирование систем технического зрения . 18 (2): 14–15 . Проверено 5 марта 2013 г.
  17. ^ Jump up to: Перейти обратно: а б Критические соображения по проектированию встраиваемых систем машинного зрения, авторы Дэйв Райс и журнал Amber Thousand Photonics Spectra, опубликованный Laurin Publishing Co., выпуск за июль 2019 г., страницы 60–64
  18. ^ Уилсон, Эндрю (31 мая 2011 г.). «Стандарт CoaXPress получает поддержку камеры и захвата кадров» . Проектирование систем технического зрения . Проверено 28 ноября 2012 г.
  19. ^ Уилсон, Дэйв (12 ноября 2012 г.). «Камеры сертифицированы как соответствующие стандарту CoaXPress» . Проектирование систем технического зрения . Проверено 5 марта 2013 г.
  20. ^ Jump up to: Перейти обратно: а б Дэвис, скорая помощь (1996). Машинное зрение - Теория, практические аспекты алгоритмов (2-е изд.). Харкорт и компания. ISBN  978-0-12-206092-2 . [ нужна страница ] .
  21. ^ Jump up to: Перейти обратно: а б Динев, Петко (март 2008 г.). «Цифровая или аналоговая? Выбор подходящей камеры для конкретного применения зависит от того, чего пытается достичь система машинного зрения» . Зрение и сенсоры : 10–14. Архивировано из оригинала 14 марта 2020 г. Проверено 12 мая 2012 г.
  22. ^ Уилсон, Эндрю (декабрь 2011 г.). «Фокус на продукте – взгляд в будущее» . Проектирование систем технического зрения . 16 (12) . Проверено 5 марта 2013 г.
  23. ^ Уилсон, Эндрю (апрель 2011 г.). «Инфракрасный выбор» . Проектирование систем технического зрения . 16 (4): 20–23 . Проверено 5 марта 2013 г.
  24. ^ Уэст, Perry High Speed, Кибероптика машинного зрения в реальном времени , страницы 1-38
  25. ^ Jump up to: Перейти обратно: а б Мюррей, Чарльз Дж (февраль 2012 г.). «Машинное 3D-зрение становится в центре внимания» . Новости дизайна . Архивировано из оригинала 5 июня 2012 г. Проверено 12 мая 2012 г.
  26. ^ Дэвис, скорая помощь (2012). Компьютерное и машинное зрение: теория, алгоритмы, практика (4-е изд.). Академическая пресса. стр. 410–411. ISBN  9780123869081 . Проверено 13 мая 2012 г.
  27. ^ Jump up to: Перейти обратно: а б с Трехмерная визуализация: практический обзор машинного зрения. Автор: Фред Турек и Ким Джексон. Журнал Quality Magazine, мартовский выпуск 2014 г., том 53/номер 3, страницы 6–8.
  28. ^ http://research.microsoft.com/en-us/people/fengwu/length-icip-12.pdf ГИБРИДНЫЙ СТРУКТУРИРОВАННЫЙ СВЕТ ДЛЯ МАСШТАБИРУЕМОГО ЗОНДИРОВАНИЯ ГЛУБИНЫ Юэи Чжан, Чживэй Сюн, Китайский университет науки и технологий Фэн Ву, Хэфэй , Китай Microsoft Research Asia, Пекин, Китай
  29. ^ Р.Морано, К.Озтюрк, Р.Конн, С.Дубин, С.Зиц, Дж.Ниссано, «Структурированный свет с использованием псевдослучайных кодов», Транзакции IEEE по анализу шаблонов и машинному интеллекту 20 (3) (1998) 322– 327
  30. ^ Поиск оптимального оборудования для глубокого обучения в машинном зрении Майка Фасселла Журнал Vision Systems Design, выпуск, сентябрь 2019 г., страницы 8-9
  31. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 39. ИСБН  3-540-66410-6 .
  32. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 96. ИСБН  3-540-66410-6 .
  33. ^ Линда Г. Шапиро и Джордж К. Стокман (2001): «Компьютерное зрение», стр. 279–325, Нью-Джерси, Прентис-Холл, ISBN   0-13-030796-3
  34. ^ Лорен Баргоут. Визуальный таксометрический подход. Сегментация изображений с использованием нечетко-пространственного разреза таксонов дает контекстуально релевантные регионы. Обработка информации и управление неопределенностью в наукоемких Системы. CCIS Шпрингер-Верлаг. 2014 год
  35. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 108. ИСБН  3-540-66410-6 .
  36. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 95. ИСБН  3-540-66410-6 .
  37. ^ Jump up to: Перейти обратно: а б Турек, Фред Д. (март 2007 г.). «Введение в нейросетевое машинное зрение» . Проектирование систем технического зрения . 12 (3) . Проверено 5 марта 2013 г.
  38. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 111. ИСБН  3-540-66410-6 .
  39. ^ Jump up to: Перейти обратно: а б Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 125. ИСБН  3-540-66410-6 .
  40. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 132. ИСБН  3-540-66410-6 .
  41. ^ Демант С.; Штрайхер-Абель Б. и Вашкевиц П. (1999). Промышленная обработка изображений: визуальный контроль качества на производстве . Спрингер-Верлаг. п. 191. ИСБН  3-540-66410-6 .
  42. ^ Хорнберг, Александр (2006). Справочник по машинному зрению . Вайли-ВЧ . п. 709. ИСБН  978-3-527-40584-8 . Проверено 5 ноября 2010 г.
  43. ^ Jump up to: Перейти обратно: а б с Место для глубокого обучения в журнале качества машинного зрения, май 2022 г., том 61, номер 5, опубликовано BNP Media II
  44. ^ Хэпгуд, Фред (15 декабря 2006 г. - 1 января 2007 г.). «Фабрики будущего» . ИТ-директор . 20 (6): 46. ISSN   0894-9301 . Проверено 28 октября 2010 г.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Machine_vision&oldid=1220297197"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 70cdd863e39a51b951dfb40eab811f84__1713814080
URL1:https://arc.ask3.ru/arc/aa/70/84/70cdd863e39a51b951dfb40eab811f84.html
Заголовок, (Title) документа по адресу, URL1:
Machine vision - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)