1. Вођење и позиционирање
Визуелно позиционирање захтева системе машинског вида да брзо и прецизно лоцирају циљне компоненте и потврде њихове позиције. Машински вид се користи за позиционирање током утовара и истовара, водећи роботске руке да прецизно захвате предмете. У паковању полупроводника, опрема прилагођава главе-хватача на основу података о локацији чипа добијених помоћу машинског вида да би прецизно покупила чипове за лепљење. Ово представља најосновнију примену визуелног позиционирања у индустријском машинском виду.
Аутоматион Екпо: У апликацијама које комбинују машински вид са роботиком, позиционирање робота је најзаступљеније. За такве сценарије, Хиквисион Роботицс и њени партнери су имплементирали бројне успешне случајеве и зрела решења. Упутство за позиционирање робота може се широко категорисати у три режима:
Први режим је фиксна конфигурација камере, где камера остаје непомична на оквиру опреме без померања са роботом. С лева на десно, то су: операција хватања, операција корекције помака хватања и операција постављања. У сценарију хватања, камера снима слике улазних материјала и врши грубо позиционирање. Ови подаци о позиционирању се преносе роботу, омогућавајући му да прецизно схвати материјале. Овај приступ смањује ослањање на прецизност механизма преноса између радних станица, истовремено осигуравајући стабилно хватање. Режим корекције помака користи доњу камеру постављену на супротној страни роботске руке за секундарно прецизно позиционирање радног комада. Ово значајно ублажава одступање материјала, обезбеђујући циљану обраду за сваки улазни део. Режим постављања обухвата широк спектар операција-од једноставног постављања до поравнања и склапања-користећи камеру за лоцирање крајње циљне позиције. У комбинацији са претходна два режима, ово постиже заиста циљану обраду за сваки радни комад.
Два режима камере за кретање укључују постављање камере на роботску руку за синхронизовано кретање. Иако се разликују од горе описаног режима фиксне камере, и фиксни и режим камере са покретом се функционално спајају, омогућавајући позиционирање/хватање и вођено постављање. Поред обезбеђивања основне функционалности, ови режими нуде већу флексибилност инсталације како би се прилагодили различитим еколошким и хардверским ограничењима.
Да би се побољшала прилагодљивост хардвера у различитим сценаријима инсталације, режими фиксне и покретне камере могу се комбиновати, као што је илустровано на слици 3.
Штавише, у производњи полупроводника, подешавање позиционирања чипа за{0}}главе за подизање представља значајне изазове. Машински вид решава ово тако што омогућава прецизно подизање чипова и лепљење-основне апликације која подстиче њено усвајање у индустријским секторима.
2. Провера изгледа
Овај процес открива проблеме у квалитету производа на производним линијама и представља област у којој се ручни рад најчешће замењује. У фармацеутском сектору, на пример, машински вид се првенствено бави инспекцијом димензија, откривањем дефекта површине боце, откривањем дефеката на рамену и инспекцијом отвора бочице.
Са напретком модерне индустријске аутоматизације, инспекција машинског вида се широко примењује на различите провере, мерења и задатке препознавања делова. Примери укључују детекцију површинских дефекта на инфрацрвеним филтерима за одсецање, идентификацију модела аутомобилских точкова, детекцију дефекта изгледа на магнетним материјалима и препознавање бар кодова/карактера на паковању производа. Ове апликације деле заједничке карактеристике континуиране масовне производње и изузетно високе захтеве за квалитетом изгледа.
Обично се такви веома репетитивни и интелигентни задаци могу постићи само ручном инспекцијом. Уобичајено је видети стотине или чак хиљаде инспекцијских радника који обављају ове задатке иза модерних монтажних трака у фабрикама. Овај приступ не само да намеће значајне трошкове рада и управљања фабрикама, већ такође не гарантује 100% пролазност инспекције. Инспекција машинског вида, са својом аутоматизацијом, објективношћу, без-природом без контакта и високом прецизношћу, сада је у потпуности способна да замени ручни рад за ове монотоне задатке који се понављају. У поређењу са општим системима за обраду слике, инспекција машинског вида наглашава тачност, брзину и поузданост у индустријским окружењима.
Како економски стандарди расту, инспекција машинског вида добија све више на значају. Повећава производни капацитет за квалификоване производе док елиминише неквалитетне артикле у раној фази производног процеса, чиме се смањује отпад и смањују трошкови.
3. Висока{1}}инспекција високе прецизности
Одређени производи захтевају екстремну прецизност-која достиже тачност од 0,01 до 0,02 мм или чак микрона{3}}на нивоу-изван људских визуелних могућности, што захтева машинску{5}}инспекцију.
У производњи и свакодневном животу сваки производ захтева проверу квалитета и сертификат о усклађености. Опште је познато да инспекција представља најширу примену машинског вида. Пре напретка технологије машинског вида, ручна визуелна инспекција се често суочавала са значајним изазовима: ниском прецизношћу, подложношћу грешкама, немогућношћу непрекидног рада, замором{2}}оператора и превеликим трошковима времена и рада. Широко распрострањено усвајање машинског вида покренуло је производњу и инспекцију производа у високо аутоматизовану еру.
Најтипичнији примери укључују инспекцију карактера новчића и инспекцију штампане плоче. Поред тога, инспекција процеса производње ренминби новчића захтева изузетно високу прецизност, укључујући бројне уређаје за инспекцију и сложене процедуре. Остале примене обухватају инспекцију позиционирања машинског вида, проверу квалитета и недостатака чепова за боце за пиће, детекцију и препознавање карактера бар кода, инспекцију оштећења стаклених боца и инспекцију фармацеутских стаклених боца. Област медицине је такође једна од примарних области примене машинског вида.
4. Препознавање
Препознавање слика укључује обраду, анализу и тумачење слика путем машинског вида да би се идентификовали различити обрасци и објекти. Ово омогућава праћење и прикупљање података, проналазећи широку примену у аутомобилским компонентама, храни, фармацији и другим секторима.
Најтипичнији пример је препознавање КР кода. КР кодови и бар кодови су свеприсутни у свакодневном животу. Произвођачи уграђују опсежне податке у ове компактне кодове за управљање производима и следљивост. Како се препознавање слике машинским видом шири, бар кодови на различитим површинама постају лако читљиви и уочљиви, подижући нивое модернизације, значајно повећавајући ефикасност производње и постепено смањујући трошкове производње.
5. Сортирање објеката
У оквиру апликација машинског вида, сортирање објеката прати фазе препознавања и инспекције. Обрадом слика кроз системе машинског вида и интеграцијом роботских руку, производи се сортирају.
Традиционалне производне линије су се ослањале на ручно постављање материјала у машине за бризгање пре него што су прешли на следеће процесе. Данас аутоматизована опрема управља дистрибуцијом материјала. Системи машинског вида снимају слике производа, анализирају их и излазе резултате. Роботи затим постављају одговарајуће материјале на одређена места, постижући интелигентну, модерну и аутоматизовану индустријску производњу.