Machine Vision és la fusió de diverses tecnologies que permeten als equips industrials o altres automatitzats derivar de les imatges una comprensió avançada del medi ambient. Sense programari de visió de màquina, les imatges digitals amb valors de color diferents i intensitats tonals no serien res més que una col·lecció de píxels senzilla i desconnectada per a aquests equips. Machine Vision permet que un ordinador (normalment connectat a un controlador de màquina) detecti les vores i les formes en aquestes imatges per tal de permetre que un processador de nivell superior reconegui un objecte objectiu predefinit. Les imatges en aquest sentit no es limiten a les imatges fotogràfiques de l’espectre visible; També poden incloure imatges obtingudes mitjançant senyals infrarojos, làser, radiografia i ultrasons.
En entorns industrials, és força freqüent que les aplicacions de visió de la màquina reconeguin parts específiques de les moltes parts col·locades en un trastorn de papereres. Aquí, Machine Vision ajuda el robot de recollida i lloc a recollir automàticament les parts correctes. Per descomptat, si les parts estan ordenades perfectament en la mateixa orientació sobre un palet, seria relativament senzill reconèixer -les amb comentaris d’imatge. Tanmateix, els potents algoritmes de visió de la màquina poden reconèixer objectes que es troben a diferents distàncies de la càmera (i per tant apareixen com a imatges de mida diferent al sensor d’imatge), així com objectes que no s’orienten en la mateixa direcció que la càmera.
Els sistemes de visió de màquines més sofisticats han permès dissenys emergents molt més complexos que escollir parts de les papereres; Per exemple, pot ser que no hi hagi una identificació més complexa que un cotxe auto-conduït.
Tècniques relacionades amb la visió de la màquina
El terme visió de la màquina de vegades es reserva per fer referència a mètodes matemàtics més sofisticats i eficients que poden extreure informació de les imatges. Per contra, el terme visió de l’ordinador descriu normalment sistemes més moderns i exigents, inclosos enfocaments de caixa negra que utilitzen l’aprenentatge automàtic o la intel·ligència artificial (IA). No obstant això, la visió de la màquina també es pot utilitzar com a terme que inclou tots els mètodes d’extreure informació d’alt nivell de les imatges; En aquest cas, Computer Vision descriu la seva teoria de funcionament subjacent.
Les tècniques que poden extreure significat d’alt nivell de les imatges abunden. A la comunitat de recerca, aquestes tècniques sovint es consideren diferents de la visió de la màquina. En realitat, però, totes són maneres diferents d’implementar la visió de la màquina ... i es superposen en molts casos.
El processament digital d’imatges és una forma de processament de senyal digital que implica la millora d’imatges, la restauració, la codificació i la compressió. Els avantatges respecte al processament analògic d’imatges són la minimització del soroll i la distorsió, així com la multitud d’algoritmes disponibles. Un dels primers tipus de millora d’imatges es va utilitzar per corregir les primeres imatges de primer pla de la superfície lunar. En aquest procés, es van utilitzar mapes fotogramètriques i filtres de soroll i es van fer correccions per a distorsions geomètriques causades per l’alineació de la càmera d’imatge a la superfície lunar.
La millora digital de la imatge sol implicar augment de les correccions de contrast i possiblement geomètriques per veure els angles i la distorsió de les lents. La compressió s’aconsegueix sovint aproximant els senyals complexos com a combinació de funcions cosinus: una transformació de Fourier coneguda com la discreta transformació de cosinus (DCT). El format de fitxer JPEG és l’aplicació més comuna del DCT. La restauració d'imatges també pot utilitzar la transformació de Fourier per eliminar el soroll i la difuminació.
La fotogrametria utilitza algun tipus de reconeixement de funcions per extreure les mesures de les imatges. Aquestes mesures poden incloure informació 3D quan s’adquireixen diverses imatges de la mateixa escena des de diferents llocs. Els sistemes fotogramètrics més simples utilitzen una escala per mesurar la distància entre dos punts d’una imatge. Per fer -ho, sovint cal incloure una escala de referència coneguda a la imatge.
La detecció de funcions permet a l’ordinador reconèixer les vores, les cantonades o els punts de la imatge. Aquest és el primer pas necessari per a la fotogrametria i per reconèixer objectes i moviment.Blob La detecció identifica àrees amb vores massa suaus per a la detecció de vora o cantonada.
El reconeixement de patrons s’utilitza per reconèixer objectes específics. En el cas més senzill, això pot suposar trobar una part mecànica específica ben definida en una cinta transportadora.
La reconstrucció 3D determina la forma 3D d’un objecte d’una imatge 2D. Aquesta característica es pot realitzar mitjançant mètodes fotogramètrics. En aquest cas, les altures de les característiques comunes (determinades en imatges de diferents punts d’observació) es determinen mitjançant la triangulació. La reconstrucció 3D també és possible mitjançant imatges 2D soles; Aquí, el programari també explica les relacions geomètriques entre les vores o les zones ombrejades.
Els humans podem reconstruir els cubs simplement processant -los al seu cervell mitjançant el dibuix de línies: utilitzant cercles ombrejats per reconstruir les esferes. L’ombra mostra el pendent de la superfície. Tanmateix, aquest procés de derivació és molt més complex del que es podria pensar, ja que l’ombrejat és un paràmetre unidimensional, mentre que la pendent es produeix en un cas bidimensional. Això pot conduir a situacions ambigües, un fet validat per l'art de representar objectes físicament impossibles.
Com es seqüenien les tasques de visió de la màquina
Molts sistemes de visió de màquines incorporen les tècniques anteriors de manera incremental començant per operacions de baix nivell i avancant fins a operacions de nivell superior. Al nivell més baix, tots els píxels d’una imatge s’emmagatzemen com a dades d’amplada de banda alta. A continuació, cada operació de la seqüència reconeix les característiques de la imatge i representa la informació d’interès amb una quantitat relativament petita de dades.
El primer és el funcionament de baix nivell de millora i restauració de la imatge seguida de la detecció de funcions. Així, en el cas d’utilitzar diversos sensors, les operacions de baix nivell es poden realitzar mitjançant processos distribuïts especialitzats per a sensors individuals. Un cop detectades les funcions en imatges individuals, es pot realitzar una fotogrametria més avançada, com en qualsevol reconeixement d’objectes o una altra tasca que es basa en dades combinades de diverses imatges i sensors.
Algoritmes de càlcul i aprenentatge directe
En el cas de la visió de màquina, la computació directa és un conjunt de funcions matemàtiques definides pel programador. Aquestes funcions adopten entrades com ara valors de píxels d'imatge i produeixen sortides com ara coordenades de vora d'objectes. En canvi, els algoritmes d’aprenentatge no són escrits directament pels humans, sinó que s’entrenen en conjunts de dades d’exemple que correlacionen les entrades amb les sortides desitjades. Com a resultat, els algoritmes d'aprenentatge s'utilitzen com a caixes negres. La majoria d’aprenentatge automàtic utilitza ara l’aprenentatge profund basat en xarxes neuronals artificials per a la computació.
L’aprenentatge de màquines senzill per a aplicacions industrials sol ser més fiable i menys exigent computacionalment quan es basa en la computació directa. Per descomptat, hi ha límits al que es pot aconseguir mitjançant la computació directa. Per exemple, mai no s’ha d’esperar fer cares per reconèixer els patrons de reconeixement avançats necessaris, i sobretot no de les imatges de vídeo en espais públics concorreguts. En canvi, l’aprenentatge automàtic pot gestionar hàbilment aquestes aplicacions. Per tant, no és d'estranyar que l'aprenentatge automàtic s'està desplegant cada cop més per a operacions de visió de la màquina de baix nivell, específicament la millora, la restauració i la detecció de funcions.
Mètodes d’ensenyament millorats (no algoritmes)
La sofisticació creixent de les tècniques d’aprenentatge profund ha deixat clar que no són els propis algoritmes d’aprenentatge els que cal millorar, sinó la manera en què s’entrenen els algoritmes. Un dels procediments de formació millorat es coneix com a visió informàtica centrada en les dades. Aquí, un sistema d’aprenentatge profund accepta un conjunt de formació molt robust format per milers, milions o fins i tot milers de milions d’imatges, i després estalvia la informació sintetitzada extreta de cada imatge pels seus algoritmes. Aquests algoritmes aprenen de manera eficient en vincular -los a exemples de treball i, a continuació, referir -se a un "llibre de resposta" per verificar que s'han derivat els valors correctes.
Hi ha un antic relat de precaució sobre el reconeixement de patrons digitals. Els militars nord -americans van tenir la intenció d'utilitzar la visió de la màquina per al reconeixement de l'objectiu i la demostració d'un contractista de defensa va identificar de manera fiable tant els tancs nord -americans com els russos. Els tancs de tots els diferents tipus es podrien distingir correctament, un darrere l’altre, de les fotografies aèries del proveïdor. Tanmateix, quan es torna a provar amb la pròpia biblioteca d’imatges del Pentàgon, el sistema continuava donant respostes incorrectes. El problema era que les imatges dels contractistes de defensa representaven tots els tancs nord -americans al desert i els tancs russos als camps verds. En lloc d’identificar els diferents dipòsits, el sistema va identificar els diferents fons de colors. Quins són els criteris de reconeixement? Els algoritmes d’aprenentatge requereixen que funcionin dades de formació curosament curades.
Conclusió: una visió segura per a Classo Robotic
La visió de la màquina ja no és una tecnologia de nínxol. En el disc actual, el sector industrial és l’àrea de creixement més gran dels desplegaments de visió de màquines. El desenvolupament més destacable en aquest àmbit és com la visió de màquines està completant els sistemes de seguretat a les plantes industrials, és a dir, els sistemes que semblen una alarma o donen notificacions de veu quan un treballador entra a una àrea de treball sense casc, màscara o altres equips de protecció adequats. La visió de la màquina també es pot utilitzar en sistemes que alerten quan es mouen maquinària, com ara carretons elevadors, apropar -se massa al personal.
Aquests sistemes de visió de màquines similars de vegades poden substituir mesures de protecció dures al voltant dels robots industrials per fer les operacions més eficients. Els sistemes de visió de màquines també poden substituir o millorar els sistemes de seguretat basats en la protecció lleugera que aturen la maquinària sempre que es detecti un treballador entrant a la cel·la de treball. Quan la visió de la màquina supervisa el sòl de la fàbrica al voltant d’una cel·la de treball, els robots d’aquesta cel·la tenen el potencial de frenar -se gradualment a mesura que s’acosten les persones.
A mesura que el disseny dels entorns industrials evoluciona per acollir robots col·laboratius i altres equips de treball que permeten que el personal de les plantes camini amb seguretat (fins i tot mentre s’està executant l’equip), aquests i altres sistemes basats en la visió de màquines es convertiran en una part més comuna dels processos vegetals.