많은 제조 공정은 제한된 감각 입력으로 생산 작업을 수행하는 고정 또는 하드 자동화 장비를 사용하여 운영됩니다. 더 복잡한 애플리케이션의 경우 간단한 카메라 또는 센서가 물체의 존재, 위치, 크기 또는 두께를 감지할 수 있습니다. 물체가 더 복잡하거나 제약이 적거나 외관을 평가해야 하는 경우 머신 비전 솔루션을 적용할 수 있습니다. 이 블로그 게시물에서는 고급 자동화에서 머신 비전의 역할에 대한 통찰력을 얻기 위해 세 가지 애플리케이션을 검토합니다.
많은 제조 공정에서 물체나 특징을 세는 것은 종종 부품 품질을 보장하거나 재고를 관리하는 데 중요합니다. 사소한 일처럼 들릴 수 있지만, 방대한 양의 데이터가 관련되어 있을 때 인간에게는 실용적인 작업이 아닙니다. 머신 비전을 통해 이러한 작업을 자동화하려면 물체 분할이 첫 번째 단계이며, 이는 조명 및 이미징 기술을 적절히 적용하여 용이하게 할 수 있습니다.
이미지 수집의 목표는 감지할 특징과 배경 간의 대비를 강화하는 방식으로 객체의 이미지를 조명하고 캡처하는 것입니다. 그런 다음 머신 비전 소프트웨어를 사용하여 관심 있는 특징이나 객체를 분할하고 감지합니다. 그런 다음 감지된 각 객체의 측정된 속성을 사용하여 해당 객체의 품질이나 정체성을 확인할 수 있습니다.
용접 기공 특성화
용접 기공의 탐지 및 평가를 예로 들어보겠습니다. 부품의 모양, 용접 채널의 가변적인 윤곽, 반사 금속 표면은 균일한 조명을 어렵게 만듭니다. 다행히도 기공은 빛을 많이 반사하지 않습니다. 어둡게 보입니다.
용접에는 머신 비전으로 구분할 수 있는 다양한 어두운 영역이 있습니다. 용접의 기공은 기공의 특성과 일치하지 않는 어두운 영역을 무시하는 데 사용할 수 있는 특징적인 크기 범위와 모양을 가지고 있습니다. 기공이 감지되면 용접의 기공 수와 밀도(인치당 수)를 사용하여 용접 프로세스가 허용되는지 또는 작업자 또는 제어 시스템 개입이 필요한지 여부를 나타낼 수 있습니다.
튜브 세기
관련된 예로는 상자 끝에서 촬영한 이미지에서 튜브의 수를 세는 것입니다. 재고 관리에는 정확한 계산이 필요합니다. 과제에는 가변적인 조명과 이미지에서 튜브 끝의 가변적인 관점이 포함됩니다. 튜브 끝은 튜브 벽의 밝은 원형 표면으로 둘러싸인 어두운 내부가 특징입니다.
어두운 영역을 예상 직경의 원으로 나누면 대부분의 튜브를 감지할 수 있습니다. 그러나 상자 바닥 근처의 일부 튜브 내부의 밝은 반사에 유의하세요. 이미지 처리 작업은 이러한 작은 특징을 튜브 내부 영역과 병합하여 강력한 감지 및 계산을 수행할 수 있습니다.
복잡한 모양의 손상 감지
프로펠러 블레이드의 표면 손상을 감지하는 것을 고려하세요. 손상은 좁은 긁힘에서 큰 마모 지점까지 다양할 수 있으며, 손상된 영역의 예상 크기나 모양을 특성화할 표준은 없습니다. 또한, 프로펠러 블레이드의 복잡한 모양은 손상 대비를 강화하는 데 사용되는 최적의 조명에 대한 과제를 제시합니다.
가장 왼쪽(가장 어두운) 이미지에 사용된 조명 구성에서는 손상이 거의 눈에 띄지 않았습니다. 번갈아 가며 비추는 두 방향의 조명은 손상된 블레이드 영역과 손상되지 않은 블레이드 영역 간에 좋은 대비를 제공했지만, 두 구성 간에 대비가 뒤집혔습니다. 국소화된 표면과 이미징 시스템에 대한 손상 방향으로 인해 프로펠러 블레이드의 다른 영역은 표시된 대로 다른 반응을 보입니다. 즉, 최적의 조명 구성은 단 하나만 있는 것은 아닙니다.
손상 모양, 크기 및 대비 사이의 높은 수준의 가변성으로 인해 용접 기공률 및 튜브 계수 예에서 사용된 것처럼 프로그램 프로그래밍 방식을 사용하여 자동 감지하는 것이 어렵습니다. 연구소는 기계 학습 기술을 사용하여 검사 시스템을 개발했습니다. 합성곱 신경망(CNN)은 이미지에서 잠재적으로 손상된 영역을 인식합니다. 보조 딥 신경망은 CNN에서 생성된 고유값을 기반으로 이미지에 손상이 있는지(또는 없는지) 분류합니다. 이러한 네트워크는 손상된 영역이 수동으로 식별된 많은 수의 이미지를 사용하여 훈련됩니다.
흑백 비전 너머
위의 세 가지 예는 일부 단색 머신 비전 애플리케이션을 보여줍니다. 색상 대비를 사용하거나 스펙트럼의 보이지 않는 부분을 사용하면 더욱 흥미로워집니다. 예를 들어, 단색 카메라는 근적외선(NIR) 파장에 민감하여 일반적으로 보이지 않거나 방해가 되는 기능을 스펙트럼 필터로 해당 대역을 사용하거나 거부하여 활용하거나 제거할 수 있습니다.
표준 컬러 카메라는 겹치는 광대역 적색, 녹색 및 청색 필터를 사용합니다. 광대역 백색 조명 대신 협대역 RGB LED 조명기를 사용하면 색상 구별이 향상됩니다. 다중 스펙트럼 카메라는 컬러 카메라에 비해 매우 민감한 색상 구별을 제공하며 NIR 대역을 포함할 수 있습니다. 특정 잉크, 염료 및 접착제의 형광 특성은 적절한 스펙트럼 필터와 함께 UV 조사를 사용하여 활용할 수 있습니다. 그리고 편광을 잊지 마세요! 적외선 이미징(장파, 중파, 단파)은 표면 온도 측정, 지하 특징/결함 감지, 탄화수소 가스 감지 등에 사용할 수 있습니다.