머신 비전 검사:무역 도구

부품 및 제품의 자동 공정 중 검사는 거의 모든 산업 및 제조 공정에 대한 다양한 응용 분야에서 수십 년 동안 머신 비전 기술을 사용하여 성공적으로 실행되었습니다. 정확한 수치는 없지만 검사 작업이 머신 비전 애플리케이션 환경을 지배할 가능성이 높다는 주장은 그럴듯합니다. 그럼에도 불구하고 가치 제안과 자동화 검사 구현의 용이성을 더욱 향상시키는 새로운 머신 비전 기술과 소프트웨어가 계속 등장하고 있습니다. 최종 사용자를 위한 성공의 열쇠는 성숙한 도구와 새로운 거래 도구 를 모두 이해하는 것입니다. 그리고 이러한 도구를 가장 잘 구현할 수 있는 방법.

검사 개요

자동화 프로세스의 다양한 검사 관련 작업으로 인해 가능한 각 사용 사례에 레이블을 지정하기가 어렵습니다. 일반적으로 일부 중요한 범주에는 어셈블리 검증, 기능 존재/부재, 결함 감지(다양한 형태), 제품 식별 및 차별화가 포함됩니다. 모든 경우에 머신 비전이 빅 데이터 및 인더스트리 4.0 개념의 중요한 구성 요소가 될 수 있음을 기억하는 것이 중요합니다.

산업 자동화를 위한 머신 비전 검사를 구현할 때 가장 중요한 가치 제안은 아마도 검사 결과를 어떻게 사용할 수 있느냐에 있을 것입니다. 품질 검사 뿐만 아니라 머신 비전 검사를 통해 얻은 정보는 광범위한 프로세스의 효율성을 개선하고 전체 생산 및 자동화 비용을 줄이는 데 매우 중요합니다.

이미징 — 모든 성공적인 애플리케이션의 기초

사용 사례나 분석 방법에 관계없이 고품질 이미지는 머신 비전 프로젝트의 핵심 기반이라는 점을 항상 반복합니다. 품질 이미지는 원하는 시야에서 관심 특징(물체, 부품, 결함)을 강조하기 위해 정확한 해상도와 대비를 갖는 것으로 정의됩니다. 적절한 설계 사양에는 이미징 구성 요소 자체는 물론 조명 및 광학을 비롯한 관련 및 필수 구성 요소가 포함됩니다.

적절한 이미징 디자인을 사용하는 많은 검사 응용 분야에서 2D 그레이스케일은 계속해서 가장 널리 사용되는 기술입니다. 센서와 카메라의 속도와 해상도의 발전으로 이전에는 불가능하거나 너무 복잡하여 실용적이지 못했던 더 많은 사용 사례가 가능해졌습니다. 센서 해상도가 12MPixels ~ 50MPixels 이상인 카메라를 사용할 수 있게 되면서 더 큰 시야에서 더 작은 기능을 감지하는 것이 더 쉽고 저렴해졌습니다. 머지 않아 5~10MPixels의 이미지 획득이 고해상도 대신 표준으로 간주될 수 있습니다.

핵심 머신 비전 기술인 스마트 카메라는 검사 작업이 계속해서 증가하고 있으며 정기적으로 더 높은 해상도와 더 빠른 처리 기능을 제공합니다. 또한 FPGA 및 기타 컴퓨팅 플랫폼을 사용하여 임베디드 프로세싱을 통합하는 표준 카메라 아키텍처에서 상당한 발전이 있었습니다. 이러한 구성 요소는 이러한 유형의 구성 요소 중 일부에 대한 관련 비용 절감을 활용하기 위해 여러 중복 설치를 위해 확장할 수 있는 검사 응용 프로그램에 매우 적합합니다.

2D 및 회색조 이미지를 넘어서

장면의 3D 정보를 캡처하는 머신 비전 구성 요소는 다양한 이미징 방법론 및 구현 기술과 함께 매우 쉽게 사용할 수 있습니다. 3D 이미지는 물체의 표면 기하학에 대한 지형적 표현을 제공하는 반면 2D 이미징은 물체의 평면 표면에서 발견되는 대비(회색조 또는 색상)의 이미지를 캡처합니다. 3D 데이터는 대비보다 기하학적 구조가 더 많은 특징 또는 결함과 관련된 검사 작업을 가능하게 하거나 향상시킵니다. 3D 시스템을 사용하는 것이 훨씬 쉬워졌으며 2D 시스템과 마찬가지로 해상도, 속도 및 정확도가 계속 확장됩니다.

알려진 바와 같이 많은 머신 비전 검사 애플리케이션은 물체의 회색조 이미지를 제공하는 카메라를 사용합니다. ). 그러나 일부 응용 프로그램은 분석에 필요한 정보를 제공하기 위해 컬러 이미지의 이점을 얻을 수 있거나 이에 의존해야 합니다. 표준 카메라는 RGB(빨간색, 녹색, 파란색) 이미지를 캡처하는 머신 비전에 쉽게 사용할 수 있습니다. 적절하게 통합된 경우 이러한 구성 요소는 색상이 개체 또는 결함을 정의하는 특성의 일부인 기능 분석의 신뢰성을 향상시킬 수 있습니다. 시장에 나와 있는 대부분의 컬러 카메라는 센서의 필터링 시스템(베이어 필터)을 사용하지만, 들어오는 이미지를 광학적으로 3개의 풀프레임 채널(일반적으로 RGB)로 분할하여 더 나은 해상도와 색상 차별화를 제공하는 고급 카메라 구성 요소도 사용할 수 있습니다.

보이는 것 너머의 이미지

새롭지는 않지만 최근 몇 년 동안 더 널리 사용 가능하지만 초분광 이미징이라고 하는 훨씬 더 강력한 컬러 이미징 기술과 근접 상대 다중 스펙트럼 이미징은 더 불연속적이고 세분화된 색상을 수행할 수 있습니다. 분석. 이 카메라는 단일 장면의 여러 이미지(때로는 수백 개)를 수집하며, 각각은 장면의 스펙트럼 정보에 대한 좁은 대역폭이 다릅니다. 특수 분류 소프트웨어가 있는 이러한 유형의 구성 요소는 재료의 스펙트럼 검사를 실행하거나 화학 성분을 감지할 수도 있습니다. 식품, 제약 및 재활용과 같은 많은 산업 분야에서 이러한 유형의 검사 기능을 활용할 수 있습니다.

컬러 이미징을 더욱 확장하여 비가시 조명과 열 에너지를 사용하여 이미지를 생성할 수 있는 구성 요소를 찾습니다. 일반적으로 이것은 적외선(IR) 이미징으로 설명될 수 있습니다. 근적외선(NIR), 단파장 적외선(SWIR) 및 장파장 IR(열화상)을 이미지화하는 응용 프로그램은 가시 파장에서 볼 수 없는 물체의 보기를 제공합니다. 이 기능은 식품의 부패 감지부터 불투명한 플라스틱 용기를 통한 관찰, 충전량 확인에 이르기까지 다양한 검사 응용 분야에서 큰 이점을 얻을 수 있습니다.

손쉬운 검사 구현

머신 비전 검사 작업에 사용되는 알고리즘과 소프트웨어 도구는 상당히 성숙하고 신뢰할 수 있습니다. 전반적으로 신뢰할 수 있는 이미지로 작업할 때 많은 검사 작업을 간단하게 구현할 수 있습니다. 기존 머신 비전 도구에 추가 기능과 다양한 처리 방식을 제공할 수 있는 새로운 기술이 등장했습니다.

이러한 기술 중 가장 널리 알려진 것은 딥 러닝입니다. 머신 비전을 위한 딥 러닝은 특히 검사 애플리케이션에 적합하며 산업용 머신 비전의 점점 더 많은 검사 애플리케이션에 성공적으로 적용되고 있습니다. 그러나 딥 러닝을 사용하는 애플리케이션의 설계, 구성 및 통합에는 기존 머신 비전 프로젝트에 사용되는 것과는 완전히 다른 구현 접근 방식이 필요합니다.

소위 기존 머신 비전 구현 기술에는 대상 또는 장면에 대한 특정 정보를 반환하는 알고리즘을 사용하여 실행되는 대상 개체에 대한 일련의 규칙 생성이 포함됩니다. 딥 러닝은 좋은 부품과 개체의 예를 포함하는 많은 대표 이미지로 훈련됩니다. 그러나 모든 검사 애플리케이션에 대한 은총알은 아닙니다. 달성할 수 있는 성공 수준을 예측하기 전에 많은 이미지를 수집해야 하는 필요성은 일부 애플리케이션의 경우 번거로울 수 있으며 시스템 및 해당 분류의 지속적인 유지 관리는 특정 사용 사례에 적합하지 않을 수 있습니다.

머신 비전 검사의 미래

품질, 스마트 제조 및 데이터 수집에 대한 수요가 확대됨에 따라 검사 애플리케이션을 위한 머신 비전 기술의 구현이 계속해서 증가하고 있습니다. 검사를 위한 고급 구성 요소 및 소프트웨어의 기능은 확실히 추가 사용 사례를 주도하고 미래에 추가적인 가치를 제공할 것입니다.