Poptávka
+420 544 525 210
Napište nám

Jak detekovat vadu, o které předem netušíte, kde vznikne a jak bude vypadat?

Jak detekovat vadu, o které předem netušíte, kde vznikne a jak bude vypadat?

Potřebujete spolehlivě detekovat i odchylky, které jsou velmi variabilní nebo předem neznámé, a je příliš obtížné je předem definovat?

Poradíme Vám, jak spolehlivě zkontrolovat objekty s proměnlivou barevností, tvarem a nepředpověditelnými defekty s využitím průmyslových kamer Baumer a neuronových sítí. 

Při kamerové kontrole kvality výrobků se využívají dva základní principy pro vyhodnocení obrazu - detekce hrany - to znamená místa, kde se skokově mění kontrast a vyhodnocení jasové resp. barevné informace.

Ale co když ...

  • je kontrolovaný vzorek organického původu a nemá vždy identický tvar ani odstín?
  • potřebujete detekovat defekty na povrchu, který má komplexní texturu?
  • vada se může projevit kdekoliv na výrobku a vy nevíte, na jaké místo se při kontrole zaměřit, anebo je definování vady příliš složité?

V těchto a mnoha dalších případech by bylo použití standardních analytických nástrojů založených na principu detekce hrany a vyhodnocení intenzity jasu příliš komplikované nebo úplně vyloučené. 

Jak naučit kameru, aby našla vadu, kterou nejste schopni předem definovat?

Aby bylo možné kameru naučit "samostatně" hledat defekty, je potřeba ji vybavit vhodným softwarem. Všechny průmyslové kamery Baumer jsou kompatibilní se softwary třetích stran, které umožňují obrazovou analýzu. Já vám dnes představím možnosti zpracování obrazu pomocí aplikace Deep Learning od Adaptive Vision, který pro vyhodnocení používáme u nás.

Prostřednictvím průmyslových kamer Baumer získáme potřebné množství snímků s různými defekty a pomoci neuronové sítě, vytvoříme model, který následně dokáže provádět automatickou kontrolu objektů.

Proces má 2 fáze:

  1. Trénink (učení) - v této fázi se vytváří testovací model, což je vlastně databáze snímků tréninkových vzorků. Tréninkové snímky zachycují objekty, které vykazují různé známé defekty, ale také vzorky bez defektu. U každého snímku označíme, co je v pořádku a co není. Takto se vytvoří testovací model, který se následně validuje.
  2. Validace (ověření) - v této fázi se aplikuje vytvořený testovací model na nové snímky vzorků a ověřuje se, zda byl testovací model správně vytvořen. Pokud se nám podařilo náš model správně nastavit, je schopen identifikovat i doposud neznámé anomálie nebo na jiném místě, než jsme očekávali.

Pojďme se podívat, jak to prakticky můžeme využít

1. Detekce anomálií

Při hledání jakýchkoliv odchylek vůči "OK" objektům, nám postačí snímky bezchybných objektů, pomocí kterých naučíme kameru rozpoznat, jaký vzhled je "normální". To oceníte speciálně v případech, kdy jsou odchylky velmi variabilní nebo předem neznámé, a je příliš obtížné je předem definovat.  

Ukázka praktického využití:

  • balení - kontrola správného umístění objektu v konkrétní pozici, pokud může existovat více správných variant
  • kontrola tvaru objektů, které nemají "pevné hrany" například gelové tablety do myčky aj.

2. Detekce klíčových vlastností

Pro přesnou segmentaci prvků v obraze do určitých skupin si vytvoříme skupiny (segmenty), do kterých budeme chtít následně rozřadit jednotlivé prvky na snímku. Kamera se pak "naučí" automaticky rozlišovat a zařazovat prvky hledáním jejich klíčových charakteristik. 

Ukázka praktického využití:

  • kontrola defektů na površích s charakteristickou texturou – suk ve dřevě, koroze na povrchu plechu
  • kontrola správného uzavření "zakrimpování" lahvičky či škrábanců na skle
  • kontrola kvality povrchu plechů a kovových dílů, včetně koroze 

3. Třídění objektů

Pokud potřebujete zjednodušit a zrychlit třídící operace, tak pro vás vytvoříme model, který je založen na porovnávání objektů s předlohou. Vytvoříme snímky objektů pro jednotlivé kategorie/třídy a výsledkem kontroly bude přiřazení názvu kategorie a roztřídění objektů podle předem daných vzorů.

Ukázka praktického využití:

  • zjednodušení a zrychlení třídících operací díky jednoduššímu nastavení 

Na obrázcích níže vidíte úspěšné rozlišení horní a spodní strany kovové podložky. Zároveň si můžete všimnout toho, že neuronové sítě nemusí nutně přemýšlet a zaměřovat se při kontrole objektů, na stejné prvky jako my. Operátor by hledal drážku samotnou a podle ní by vyhodnocoval orientaci objektu.  Námi vytvořená neuronová síť dokáže rozeznat orientaci objektu podle charakteristik povrchu po obvodu podložky, jak je patrné z teplotní mapy na snímcích.

4. Segmentace objektů

Potřebujete segmentovat, lokalizovat, anebo klasifikovat jeden nebo více objektů na jednom snímku? Žádný problém, dokážeme naučit kameru, aby rozpoznala jednotlivé objekty, a na rozdíl od běžných detekčních technik, je možné rozpoznat jednotlivé objekty, i když se dotýkají nebo částečně překrývají.

Ukázka praktického využití:

  • balení - kontrola správného obsahu jednotlivých prvků v balení, například zeleniny na táccích,
  • balení - kontrola odpovídajícího poměru jednotlivých prvků v balení v souladu s deklarovaným obsahem, např. směs ořechů,
  • kontrola přítomnosti všech dílů v sestavách a jejich pozic, např. PCB desky.

5. Lokalizace bodů

Kamery je možné naučit také rychlému vyhledání specifických tvarů, předmětů nebo znaků, které jsou pro detekci klíčové.

Ukázka praktického využití:

  • identifikace specifické kresby na těle nemocné včely, která se projevuje různě velkou skvrnou, různě intenzivního zbarvení

Kde využijete a oceníte?

Vždy, pokud potřebujete jednoduché a rychlé nastavení, stabilitu a vysoký výkon obrazových analýz a široké možnosti využití:

  • detekce povrchový a tvarových defektů (praskliny, deformace, barevná nejednotnost
  • detekce anomálií vzorků (chybějící, poškozené),
  • identifikace objektů/obrazů s ohledem na předdefinované parametry (třídící operace),
  • lokalizace, segmentace a klasifikace více objektů na obraze (výběr oblastí),
  • kvalitativní analýza ve variabilních prostředích,
  • lokalizace a klasifikace klíčových bodů, charakteristických oblastí a malých objektů.

Potřebujete odhalit i vady, u kterých netušíte, kde přesně vzniknou a jak konkrétně budou vypadat?

Stačí, pokud nám zašlete dostatečné množství vzorků, které jsou OK i těch, které v pořádku nejsou, a my provedeme analýzu, zda je možné naučit kameru tyto vady automaticky detekovat.

V případě jakýchkoliv dotazů se můžete obrátit přímo na mě, anebo na některého z kolegů  - kamerových specialistů.

 

Ing. Radek Pavelka
Produktový specialista
Kamerové systémy Baumer a IOSS