マシンビジョン
マシンビジョンでは、センサーや電気信号と組み合わせたさまざまな産業用カメラを使用し、従来の手作業に代わって、物体の認識、計数、測定、欠陥検出、誘導、位置決め、掴みなどのタスクを完了します。中でも工業製品の欠陥検出は、特に伝統的な3C製造工程においては手作業に頼る部分が大きく、製品の欠陥検出は人間の目による検出・検出に依存しており、時間と労力がかかるだけでなく、人的負担も大きくなります。人件費や労働時間などの制約。マシンビジョンを使用して製品の欠陥を検出すると、時間と人件費を大幅に節約し、生産プロセスの自動化と組立ライン作業を実現できます。
欠陥検出
一般的な工業製品の欠陥には、主に傷、汚れ、部品の欠落、穴、亀裂などが含まれます。手動による目視検査 (目視検査) に依存するこれらの欠陥は、マシン ビジョンの欠陥検出アルゴリズムで置き換えることができます。現在の工業用欠陥検出アルゴリズムは、主に従来のビジョンベースのアルゴリズムと、色、形状、長さと幅、角度、面積などの検出対象の特性を定量化するディープラーニングベースのアルゴリズムの2つの方向に分かれています。など 利点 解釈可能性が高く、サンプル数の要件がなく、高速に実行されます 欠点は、固定照明イメージングに依存していることです わずかな変更がある場合、プログラムを書き直して再デプロイする必要があり、検出ルールとアルゴリズムは、開発者のエクスペリエンスにおいて主導的な役割を果たします。深層学習に基づく欠陥検出アルゴリズムは、前者の欠点を補うことができます。異なる照明によく適応し、同様の欠陥の要件によりよく適応できます。欠点は、サンプル数とサンプル数に一定の要件があることです。ハードウェア構成も従来のものより低く、特定の要件があります。
書籍『OpenCV アプリケーション開発: 入門、上級、およびエンジニアリングの実践』の第 14 章では、OpenCV に基づく従来の欠陥検出とディープラーニングベースの欠陥検出を実装する方法を事例を通じて詳しく紹介しています。
業界で一般的な欠陥検出方法
**
**
方法 1: 単純なバイナリ画像解析に基づいてスクラッチ抽出を実装すると、次のような効果が得られます。
方法 2: 複雑な背景の下での画像欠陥分析、周波数領域強調法に基づく欠陥検出、スクリーンショットの実行:
方法 3: 複雑な背景の下での画像欠陥分析. 画像欠陥分析は空間強調に基づいて実現されます. 複雑な背景を持つ画像の場合, 空間フィルタリング強調後に欠陥検索が実行されます. 実行中のスクリーンショットは次のとおりです:
方法 4: サンプル テンプレートの比較に基づく空間強調に基づく画像欠陥分析を実装し、2 次元解析と輪郭比較による欠陥検索を実装します。実行中のスクリーンショットは次のとおりです。
方法 5: 深層学習 UNet モデル ネットワークに基づいて、クラックとスクラッチの検出が実装されます。実行中のスクリーンショットは次のとおりです。
方法 6: 深層学習インスタンスに基づいてネットワーク モデル ネットワークをセグメント化し、微妙な欠陥の検出を実現します。実行中のスクリーンショットは次のとおりです。
上記の内容はすべて、最近出版された新しい書籍『OpenCV アプリケーション開発: 入門、高度、およびエンジニアリングの実践』の第 14 章からのものですので、皆さんと共有したいと思います。
参考文献
OpenCV4 アプリケーション開発: 入門、上級、およびエンジニアリングの実践
賈志剛・張振
産学界の専門家が推奨
第一線の開発専門家と金メダル講師が執筆した、OpenCV エンジニアリング開発の問題点に対するワンストップ ソリューション
おすすめの言葉：
産業グレードのビジョンアプリケーション開発に必要な知識を主軸に、OpenCV関連のコアモジュールを解説し、よく使われる1,000の関数、ディープラーニングの知識、モデル推論と高速化をケーススタディを通じて解説します。
本書は、産業分野で一般的に使用される OpenCV4 のモジュールの紹介に焦点を当てており、合理的な章設定を通じて知識ポイントの段階的な学習パスを構築しています。アルゴリズムの原則、コードのデモンストレーション、関連シナリオでの実際の使用に重点を置き、複雑な内容を簡素化し、ケース主導で行います。本書では、OpenCV 開発者のスキルを高めるために必要なディープラーニングの知識と開発スキルも紹介します。