پردازش تصویر صنعتی بیشتر مبتنی بر استفاده از (تعداد) مخصوصی از دوربینها یا سامانههای تصویربرداری نصبشده در خط تولید است. دومین جز واجب در پردازش تصویر صنعتی یک رایانه با قدرت پردازش تصویر بسیار کارآمد است.
دوربینها با توجه به کاربردهای مرتبط، از طریق اینرفیسهای مختلف رایانهای تنظیم میشوند. ابزارهای مورد استفاده در پردازش تصویر صنعتی شامل سنسورها (که وظیفه تحریک دوربین را بر عهده دارند) یا ریل دوربینها برای دوربینهای متحرک و … خواهند بود.
قطعاً رزولوشن (تعداد پیکسل) تنها پارامتر در پردازش تصویر صنعتی نیست. اندازه پیکسل، شکل پیکسل همچنین پارامترهایی مانند حساسیت، نرخ تصویر و امکان کنترل اکسپوژر، ویژگیهای مرتبط با تحریک، امکان دوربینها برای محدود کردن ROI و … نیز مهم است.
پردازش تصویر صنعتی اجازه میدهد تا مانیتورینگ مؤثر محصولات بهصورت بلادرنگ در فرآیند تولید محیا گردد. پردازش تصویر صنعتی همچنین در سرعتهای بالا قادر است تا ضبط دقیق را تضمین نماید. دوربینها همچنین در کنار خطوط تولید مکانی که افراد قابلیت دسترسی ندارند؛ مانند مکانهایی که دارای دمای خیلی بالا/پایین یا محیطهای اسیدی است؛ قابلیت استفاده دارند.
فهرست محتوا
تجهیزی که برای دریافت تصویر (دوربین صنعتی و …) استفاده میشود؛ میتواند از واحد پردازش تصویر اصلی، مجزا باشد و یا با آن واحد مشترک باشد. در صورت یکی بودن، واحد تشکیل دوربین هوشمند و یا سنسور هوشمند را میدهد.
بدینصورت توابع پردازش تصویر میتوانند در محفظهای مشترک با دوربین صنعتی بهعنوان پردازنده امبدد مورد استفاده قرار بگیرند و یا در سختافزاری جداگانه پردازش صورت خواهد پذیرفت. در این صورت دادهها به فریمگربری درون رایانه با ابزارهای مصورسازی مانند Camera Link یا CoaXPress برای ایجاد مفهوم تصویربرداری مورد استفاده قرار میگیرند.
پردازش تصویر همچنین از طریق دوربینهای دیجیتال از طریق اتصالهای مستقیم بدون فریم گربر به رایانه از طریق FireWire، USB یا Gigabit Ethernet میسر است.
معمولاً سامانه بینایی ماشین از دوربینهای صنعتی استاندارد دو بعدی با شرایط نورپردازی عادی بهره میبرند. هرچند که هنگامیکه اجسام به نورپردازی خاص برای آشکارسازی عیب خاصی داشته باشد. سامانه بینایی میتواند از تصویربرداری چندطیفی (multispectral)، ابرطیفی (hyperspectral)، باندهای فروسرخ، اسکن خطی، سهبعدی و X-ray استفاده کند.
تفاوت اصلی در تصویربرداری سیاه و سفید در نورپردازی تصاویر با نور مرئی، در مقایسه با نورپردازی پیچیده خواهد بود. که فاکتورهایی مانند رنگ، نرخ فریم، رزولوشن را دربر میگیرد. پردازش تصویر بهطور همزمان مشخص میکند که آیا تصویر دریافت شده برای سامانهها بهمنظور رهگیری فعالیتی خاص مناسب است و یا خیر.
زمانی که تصویر دریافت شود. معمولاً تصویر برای پردازش به واحد پردازنده مرکزی که بهصورت عمومی توسط CPU، GPU، FPGA یا ترکیب این سه است؛ ارسال میگردد. وابسته بهاندازه سامانه، تجهیزات بینایی ماشین برای فراهم آوری میزان پردازش نیاز است تغییرات مناسب را داشته باشند.
برای مثال عملیات کوچکی که تنها نیاز به بررسی تعدادی مورد در روز دارد. در مقایسه با سامانه بزرگی که نیاز دارد مواردی را تنها در یک دقیقه مورد پردازش قرار دهد؛ واحد پردازشی بسیار متفاوت خواهد بود. چراکه حجم دادههای پردازشی بسیار متفاوت است.
پردازش تصویر وظیفهی خود را در مجموعهای ایفا میکند که ارائه نتیجه نهایی در سامانه بینایی ماشین را بر عهده دارد.
این مجموعه معمولاً با ابزارهایی مانند فیلترها برای ایجاد تغییر در تصویر شروع میشوند. اجسام یا آیتمها معمولاً با توجه به شکلشان استخراج میشوند ( برای مثال بارکد، اندازهگیری، پست کدها و …) سپس این دادهها نیاز دارند که به واحد پردازش برای نمایش مکانی که نیاز است بازرسی آیتم به pass/fail ختم شوند؛ انتقال یابند.
محدوده وسیعی از تمامی فیلترها برای سامانه بینایی ماشین برای استفاده از روشهای پردازش تصویر و اعمال آنها موجود است. در حقیقت وابسته به آنچه بینایی ماشین برای آن طراحیشده باشد؛ روشهای پردازش تصویر و فیلترهای متفاوتی مورد استفاده قرار خواهد گرفت.
این فرآیندی است که تصاویر از دوربینهای مختلف ترکیب میشوند. در بیشتر موارد این ترکیب شامل ترکیب دوربین دوبعدی با یک دوربین سهبعدی خواهد بود.
عملیات فیلتر کردن به سامانه بینایی ماشین بهطور مناسب اجازه میدهد تا تصویر و ‘فیلتر’ تصویر را برای هدفی خاص دستهبندی کند. هرچقدر پیچیدگی آیتمها در سامانه بینایی ماشین افزایش یابد؛ فیلترهای بیشتری برای برآورده سازی دستهبندی نیاز است.
فیلترها در حوزه بینایی ماشین مشابه با انجام عملیاتی نظیر اندازهگیری یا ابعاد برداری هستند که از فاکتورهایی مانند شکل، اندازه، مواد و وزن میتوانند برای بازرسی و تشخیص استفاده شوند. این موارد مشابه فیلتر در بینایی ماشین در نظر گرفته میشوند.
آستانه یابی، فرآیند جداسازی تصاویر بهصورت جزئی را فراهم میسازد. این مورد، نیازمند سامانهای برای تنظیم مقدار خاکستری تصاویر نسبت به آنچه آنها را مجزا میکند؛ است. آستانه یابی میتواند برای جداسازی قطعاتی خاص از تصویر به سیاهوسفید کردن تصویر مورد استفاده قرار بگیرد.
شمارش پیکسل، شمارش تعداد پیکسلهای روشن و یا تیره درون تصویر را که معمولاً از طریق سنسورها به وجود میآیند را بر عهده میگیرد. فرآیندها میتوانند برای سامانههای بستهبندی، جایی که دوربینهای صنعتی توسط پیکسلها، تصویر لیبل بطریها را ایجاد میکنند؛ مورد استفاده قرار بگیرند.
این فرآیندی است که تصویر دیجیتال را به قسمتهای مختلفی برای سادهسازی و/یا تغییر نحوه ارائه تصویر به چیزی بامعنی و سادهتر برای تجزیهوتحلیل آنچه شیء یا آیتم مورد بررسی قرار بگیرد؛ ارائه مینماید.
تشخیص لبه بینایی ماشین را قادر میسازد تا لبه آیتمها را در فرآیند ببیند. از طریق یادگیری ماشین، فناوری میتواند آموزش داده شود که چگونه نقاط مختلف لبه که ممکن است برای دستهبندی آیتمها مورد نیاز باشد یا اجسام در خط تولید را مورد پردازش قرار دهد.
این امر سامانه بینایی ماشین را قادر میسازد تا به تشخیص و تضمین کیفیت قطعات، محصولات، آیتمها از طریق رنگ بپردازد. در روشی مشابه این روش همچنین میتواند ویژگیها، آیتمها یا محصولات را از طریق رنگ، ایزوله کند تا بتواند عیوب، تغییرات، تفاوتها و عیوب زیادی را تشخیص دهد.
این ظرفیت میتواند تصویر را برای تشخیص بلابهای به هم متصل شده از پیکسلهای متصل مورد استفاده قرار دهد. بدینصورت سیستم توان خواهد داشت به وجود خطاها از طریق نقاط خالی یا فضاهای متفاوت پر شده از آنچه باید آنجا باشد؛ فراهم سازد.
سه فناوری که در سامانه بینایی ماشین میتوانند برای پردازش آیتمها در سرعت بالاتر مورد استفاده قرار بگیرند: یادگیری ماشین، یادگیری عمیق و شبکههای عصبی هستند.
این سه فناوری آمدهاند تا حوزه فهم سامانه بینایی ماشین را که برای پیدا کردن، تطبیق و/یا شمارش الگویی خاص در خط تولید اتفاق میافتد را گسترده کنند. الگوهای متفاوت یا الگوهای پیچیده برای نظارت میتوانند از طریق الگوریتمهای یادگیری عمیق یا ماشین صورت بپذیرند. مثالهای این دسته میتواند اشاره به اجسامی باشد که با زاویه قرارگرفتهاند، توسط جسم دیگر پوشیده شدهاند و یا در اندازه به جسم مرجع متفاوت هستند.
معمولاً این فناوری خواندن داده لیبلها بر روی آیتمها است که معمولاً از طریق دیتا ماتریس (QR code)، بارکدها یا شناسه فرکانس رادیویی (RFID) ها صورت میپذیرد. مثالها میتواند استفاده از بارکد در لیبل گذاری محصولات باشد. بارکدها نشاندهنده نوع محصول، کشور یا منطقهای که محصول باید فرستاده شود؛ خواهند بود.
سطح خواندن اطلاعات سامانه بینایی ماشین میتواند متفاوت و پیچیده باشد.
مشابه با خواندن دادهها این امر به سامانه بینایی ماشین قدرت خواندن متون و شمارهها مانند تگها، طبقهبندیها و یا شمارهسریالها را میدهد. هرچقدر متون پیچیدهتر شوند ضرورتاً شما باید تواناییهای سامانه بینایی ماشین خود را از طریق آموزش سامانه با یادگیری ماشین یا عمیق افزایش دهید.
این فناوری اندازهگیری از اجسام یا آیتمها را در مراحل پردازش تصویر ممکن میسازد. این فناوری به سامانه بینایی فهم ابعاد اجسام را در واحدهای مختلف ابعادی مانند پیکسلها، اینچ، میلیمتر، طول، زمان، وزن و … ارائه میدهد.
برای کسب اطلاعات بیشتر در زمینه کاربردهای پردازش تصویر صنعتی در حوزه بینایی ماشین مقاله ۷ کاربرد بینایی ماشین را از دست ندهید!