Отбор фруктов и овощей на сортировочном и упаковочном предприятии невероятно сложен. Вы должны учитывать размер, цвет, дефекты и многое другое. Причем делать это придется крайне быстро, чтобы обеспечить качество продукта, когда он дойдет до потребителя. Раньше все это делалось вручную: десятки людей вручную сортировали и упаковывали фрукты. Теперь этот процесс оптимизирован с помощью машинного зрения на больших и малых складах.
Используя высококачественные платформы оптического зрения и освещения, оборудование для получения изображений и точно настроенное программное обеспечение, промышленные машины могут получать высококачественные изображения, необходимые для точного обнаружения дефектов. Таким образом, машинное зрение значительно повышает эффективность, качество и надежность.
У разных розничных продавцов и покупателей разные требования к обнаружению дефектов. Кроме того, в частности, пищевые продукты имеют различный срок службы в зависимости от их состояния на момент проверки. Как будто это недостаточно сложно, классификация дефектов довольно субъективна, если оставить ее на усмотрение человеческого глаза. И все это нужно делать очень быстро, особенно в отношении упаковочных предприятий. Полная точность не требуется, в отличие от медицинской промышленности, но процесс должен быть быстрым и надежным. Речь идет об одном конвейере, обрабатывающем до пятнадцати яблок в секунду. Умножьте это на шесть или более полос и несколько машин, и каждый час, каждый день будут обрабатываться тонны продукции. Условия в промышленных условиях также создают большие проблемы для обнаружения дефектов. Упаковочные цеха представляют собой очень суровую среду для датчиков из-за пыли и перепадов температуры. Машины должны работать при температуре выше 40°C, и они должны быть в состоянии работать, когда частицы находятся в воздухе.
Сегодня машинное зрение является одной из ключевых технологий, используемых для замены ручного визуального контроля при обнаружении дефектов. Системы автоматически получают и обрабатывают изображения реальных объектов через оптические устройства и датчики. В то время как человеческое восприятие ограничено видимой стороной электромагнитного спектра, технология машинного зрения охватывает весь спектр – от гамма-лучей до радиоволн. В сочетании с алгоритмами обработки изображений машинное зрение прекрасно справляется с задачей обнаружения дефектов на уровне точности, масштаба и скорости, невозможном при использовании традиционных альтернатив. Способность машинного зрения повышать эффективность обнаружения дефектов, повышать производительность в реальном времени и сокращать количество ручных операций делает ее жизненно важной технологией для крупномасштабных промышленных процессов. Таким образом, машинное зрение стало основной технологией интеллектуального производства. В наши дни диагностика клеток включена в программное обеспечение для всего: напряжения, камер, сигналов, импульсов, отсутствующих соленоидов и многого другого. Все сводится к возможности включения многочисленных средств самодиагностики, которые могут сигнализировать инженеру-механику или электронику, когда это необходимо, для обеспечения постоянной эффективности и надежности системы.
Большинство систем визуального контроля в промышленных условиях состоят из платформы оптического освещения, оборудования для получения изображений, такого как камеры, и алгоритмов обработки изображений для выполнения классификации. Обработка и анализ изображений необходимы для того, чтобы компьютеры могли понимать, анализировать и предпринимать действия на основе особенностей изображения. Системы машинного зрения используют широкий спектр света – ультрафиолетовый, невидимый свет, инфракрасный и т. д. – для платформ оптического освещения. Разные светильники подходят для разных дефектов, и поэтому их необходимо тестировать. Однако дело не только в цвете, система машинного зрения может измерять химические компоненты, например, содержание хлорофилла во фруктах. Таким образом, система машинного зрения может гораздо точнее измерить степень зрелости фруктов по сравнению с тем, как полагаться только на цвет. Тот же процесс происходит и с дефектами: следы и пятна создают разные спектральные характеристики. Применяя датчик и комбинируя его с камерами и источниками света, обнаружение дефектов становится гораздо более масштабным. Это работает даже при распаде, который не проявляется внешне. Благодаря правильной спектральной длине волны в инфракрасном диапазоне можно обнаружить определенные виды дефектов, не прикасаясь к рассматриваемому предмету.
Конечно, какими бы сложными ни были системы оптического освещения и камеры, они лишь создают изображение. Компьютерное программное обеспечение обрабатывает это изображение, принимает решение и активирует соленоиды для удаления предметов с конвейера. Для этого требуется оборудование, программная платформа, драйверы, сетевые протоколы и многое другое. Системы на модулях (SOM) часто используются для упрощения процесса разработки и обеспечения возможности внедрения датчиков, камер и систем Интернета вещей (IoT).
Хотя поначалу использование ИИ, возможно, и было некоторым нерешительным, сейчас он все больше и больше входит в производственные процессы. До появления искусственного интеллекта разработка алгоритма обработки изображений должна была основываться на анализе морфологии, создании пороговых значений, а также проведении измерений и сравнений для обнаружения дефекта. Все это было очень сложно, почти полностью вручную и, в конечном итоге, в основном состояло из проб и ошибок. Благодаря искусственному интеллекту и глубокому обучению можно захватывать тысячи изображений, классифицировать их, а затем обучать ИИ на основе этих данных. ИИ устраняет человеческую нерешительность и субъективность и обеспечивает надежность систем машинного зрения. Исходные данные обучения имеют решающее значение, и хотя процесс по-прежнему выполняется вручную, важно продолжать обучение этим алгоритмам глубокого обучения, поскольку каждый год появляются новые требования и системы. Однако можно развернуть машины, которые постоянно автоматически сохраняют изображения, поэтому, когда потребуются изменения, будут доступны необходимые данные для принятия мер. По мере нашего продвижения вперед ИИ, несомненно, будет доминировать в обнаружении и сортировке дефектов в промышленных условиях.
Для обработки всей этой информации требуются очень мощные компьютеры с невероятно дорогими платами, а это большие машины и системы. В будущем все эти сложные и дорогие системы будут объединены в более мелкие системы, которые будут интегрированы в сами камеры. Как и во всем остальном, вы начинаете с большого инструмента, а затем делаете его дешевле и доступнее. Тогда, в конце концов, возможно, для классификации дефекта не потребуется 50 000 изображений. Если тенденции в области машинного зрения сохранятся, мы, скорее всего, увидим все упрощенным, с сокращением затрат на электронные системы и интеграцией всех этих элементов в одну целостную систему. Еще одним важным достижением в области обнаружения дефектов является обнаружение внутренних дефектов. Например, при классификации продукции использование спектрометров позволяет производителям определять такие характеристики, как уровень сока или содержание сахара и жира. На данный момент эти сложные датчики очень дороги и их сложно калибровать. Однако по мере того, как ожидания клиентов продолжают расти, будет расти и использование этих датчиков на основе спектрометров, что позволит производителям предлагать еще более высокий уровень обслуживания клиентов.
Обнаружение дефектов уже давно является сложным процессом, особенно для пищевых продуктов. Однако машинное зрение использует высококачественные платформы оптического освещения, оборудование для получения изображений и точно настроенное программное обеспечение для получения высококачественных изображений, необходимых для улучшения обнаружения дефектов. Системы машинного зрения будут продолжать повышать эффективность, качество и надежность обнаружения дефектов, особенно по мере развития и появления технологий в будущем.
© digitrode.ru