maschinelles Sehen
Bei der maschinellen Bildverarbeitung werden verschiedene Industriekameras in Kombination mit Sensoren und elektrischen Signalen verwendet, um herkömmliche Handarbeit zu ersetzen und Aufgaben wie Objekterkennung, Zählung, Messung, Fehlererkennung, Führung, Positionierung und Greifen zu erledigen. Unter anderem hängt die Fehlererkennung von Industrieprodukten stark von manueller Arbeit ab, insbesondere im traditionellen 3C-Herstellungsprozess. Die Erkennung von Produktfehlern beruht auf der Erkennung und Erkennung von menschlichen Augen, was nicht nur zeitaufwändig und arbeitsintensiv ist, sondern auch Gesichter Einschränkungen wie Personalkosten und Arbeitszeiten. Der Einsatz maschineller Bildverarbeitung zur Erkennung von Produktfehlern kann viel Zeit und Personalkosten sparen und die Automatisierung und Fließbandabläufe des Produktionsprozesses realisieren.
Fehlererkennung
Zu den häufigsten Mängeln an Industrieprodukten gehören vor allem Kratzer, Schmutz, fehlende Teile, Grübchen, Risse usw. Diese Mängel, die auf einer manuellen Sichtprüfung (Augenprüfung) beruhen, können durch maschinelle Bildverarbeitungsalgorithmen zur Fehlererkennung ersetzt werden. Derzeitige Algorithmen zur Erkennung industrieller Fehler lassen sich hauptsächlich in zwei Richtungen unterteilen: traditionelle visionsbasierte Algorithmen und Deep-Learning-basierte Algorithmen. Erstere basieren hauptsächlich auf der Quantifizierung der Eigenschaften des Erkennungsziels wie Farbe, Form, Länge und Breite, Winkel und Fläche usw. Vorteile Es verfügt über eine gute Interpretierbarkeit, keine Anforderungen an die Anzahl der Proben und eine hohe Laufgeschwindigkeit. Der Nachteil besteht darin, dass es auf der Bildgebung mit fester Beleuchtung beruht. Bei geringfügigen Änderungen muss das Programm neu geschrieben und erneut bereitgestellt werden Erkennungsregeln und -algorithmen spielen eine wichtige Rolle bei der Entwicklererfahrung. Der auf Deep Learning basierende Fehlererkennungsalgorithmus kann die Mängel des ersteren nur ausgleichen. Er kann sich gut an unterschiedliche Beleuchtungen anpassen und sich besser an die Anforderungen ähnlicher Fehler anpassen. Der Nachteil besteht darin, dass er bestimmte Anforderungen an die Anzahl der Proben stellt Auch die Hardwarekonfiguration ist geringer als bei herkömmlichen Modellen und es gelten bestimmte Anforderungen.
Kapitel 14 des Buches „OpenCV-Anwendungsentwicklung: Erste Schritte, Fortgeschrittene und technische Praxis“ stellt anhand von Fällen ausführlich vor, wie die traditionelle Fehlererkennung und die auf OpenCV basierende Fehlererkennung auf Deep-Learning-Basis implementiert werden.
Gängige Methoden zur Fehlererkennung in der Industrie
Methode 1: Implementieren Sie die Kratzerextraktion basierend auf einer einfachen binären Bildanalyse. Der Effekt ist wie folgt:
Methode 2: Bildfehleranalyse unter komplexem Hintergrund, implementieren Sie die Fehlererkennung basierend auf der Frequenzbereichsverstärkungsmethode und führen Sie einen Screenshot aus:
Methode 3: Bildfehler unter komplexem Hintergrund Analyse: Bildfehleranalyse wird basierend auf der Verbesserung der räumlichen Domäne implementiert. Bei Bildern mit komplexen Hintergründen wird die Fehlersuche nach der Verbesserung der räumlichen Domänenfilterung implementiert. Der laufende Screenshot sieht wie folgt aus:
Methode 4: Implementieren Sie eine Bildfehleranalyse basierend auf einer räumlichen Verbesserung basierend auf einem Beispielvorlagenvergleich und implementieren Sie eine Fehlersuche durch zweidimensionale Analyse und Konturvergleich. Der laufende Screenshot sieht wie folgt aus:
Methode 5: Basierend auf dem Deep-Learning-UNet-Modellnetzwerk wird die Erkennung von Rissen und Kratzern implementiert. Der laufende Screenshot sieht wie folgt aus:
Methode 6: Segmentieren Sie das Netzwerkmodellnetzwerk basierend auf Deep-Learning-Instanzen, um eine subtile Fehlererkennung zu erreichen. Der laufende Screenshot sieht wie folgt aus:
Der obige Inhalt stammt vollständig aus Kapitel 14 eines kürzlich veröffentlichten neuen Buches „OpenCV Application Development: Introduction, Advanced and Engineering Practice“, das ich gerne mit Ihnen teilen möchte.
Weiterführende Literatur
OpenCV4-Anwendungsentwicklung: Einstieg, Fortgeschrittene und Ingenieurpraxis Jia Zhigang Zhang Zhen Von Experten aus Industrie und Wissenschaft empfohlen Verfasst von Entwicklungsexperten an vorderster Front und Goldmedaillen-Dozenten, eine Komplettlösung für die Schwachstellen der OpenCV-Engineering-Entwicklung
Empfehlungen
Ausgehend von den Wissenspunkten, die für die Entwicklung industrieller Bildverarbeitungsanwendungen erforderlich sind, werden die Kernmodule im Zusammenhang mit OpenCV erläutert und anhand von Fallstudien 1.000 häufig verwendete Funktionen, Deep-Learning-Kenntnisse sowie Modellbegründung und -beschleunigung erläutert.
Dieses Buch konzentriert sich auf die Einführung der häufig verwendeten Module von OpenCV4 im industriellen Bereich und baut durch sinnvolle Kapiteleinstellungen einen schrittweisen Lernpfad für Wissenspunkte auf. Vereinfachen Sie das Komplexe und gehen Sie fallorientiert vor, wobei der Schwerpunkt auf Algorithmusprinzipien, Codedemonstrationen und der tatsächlichen Verwendung in relevanten Szenarien liegt. In diesem Buch werden auch die notwendigen Deep-Learning-Kenntnisse und Entwicklungskompetenzen vorgestellt, um die OpenCV-Entwicklerkompetenzen zu erweitern.