Каждый год требования по соблюдению качества производства усложняются, поэтому заводам необходимо проводить модернизацию систем, чтобы им соответствовать. Невозможно проверить соответствие стандартам своей продукции без соответствующих приборов контроля качества. Поднятие технологической планки способствует поиску и разработке новых технологических решений, в частности установка системы машинного зрения, которая при правильной настройке и выборе сможет значительно более точно снимать показания и анализировать деталь на предмет дефектов.
Машинное зрение – это применение на производстве набора методов, позволяющих компьютеру распознавать и идентифицировать объект в 2D и 3D изображениях. Данное понятие основывается на нескольких разделах инженерии: оптика, вычислительная техника, промышленная автоматизация и машиностроение.
После первых же успешных шагов в данном направлении технология была внедрена в сотни различных производств на различные стадии технологического процесса. Однако основное свое применение она нашла в контроле качества.
Применение машинного зрения в контроле качества продукции позволяет исключить человеческий фактор, проводить значительно более точный анализ объекта, различая даже микроскопические дефекты структуры, снизить издержки производства, а так же автоматизировать процесс контроля качества.
Однако система не лишена недостатков. Первые трудности возникают уже на этапе выбора и установки средства получения изображения. Существуют сотни различных видов камер, однако для установки на конкретное производство необходимо подобрать такое сочетание камеры и объектива, с помощью которого можно получить изображение, которое будет максимально удобным для последующей обработки. В случае ошибки на данной стадии анализ полученных данных может быть затруднен, что скажется на качестве проводимого контроля, а так же на сложности алгоритмов, по которым проводится обработка изображения.
У камер, используемых в машинном зрении, есть ряд особенностей и параметров, которые отличают их от сетевых. Изображение, получаемое на промышленных камерах, не сжимается, это необходимо для корректного анализа, однако как результат изображение весит значительно больше. Промышленные камеры могут быть линейными и матричными, в зависимости от установленного сенсора. Для контроля качества зачастую применяются первые так, как они способны получать изображение каждой единицы продукции, проходящей по конвейеру. В контроле качества чаще всего применяют монохромные камеры так, как они обладают более высокой чувствительностью, однако этот параметр зависит от особенностей производства, так при производстве печатной продукции используются цветные камеры. Следующим важным параметром является выбор типа сенсора: CCD (ПЗС) или CMOS (КМОП). Их отличия заключаются в архитектуре, в отличие от ПЗС на поверхность КМОП сенсора интегрируются электронные схемы, что позволяет быстрее считывать данные изображения, такое преимущество может хорошо себя показать на производствах, в которых конвейерная лента движется на высокой скорости. Ранее КМОП был менее распространен в промышленной сфере, однако из-за значительных изменений технологии в последние годы сейчас вытесняет ПЗС из этой области. Помимо всего вышеперечисленного при выборе камеры следует учесть такие параметры как: разрешение, сенсор и размер пикселя.
Отсюда можно сделать вывод, что при выборе камеры уже необходима консультация со специалистом так, как не существует универсального решения и для каждого производства необходим очень тщательный подбор компонентов системы.
А второй составляющей системы является программная часть, отвечающая непосредственно за анализ полученного изображения и выполнение алгоритмов по отбраковке продукции. Выбор программного обеспечения для системы машинного зрения очень широк, поэтому разберем достаточно распространенные программные обеспечения.
Система должна быть работоспособна в условиях предприятия, т.е. алгоритм должен учитывать помехи, «шум», световые блики, тени и многое другое. Во многом эту проблему может снизить правильно подобранная аппаратная часть, однако не все помехи и недочеты можно убрать хорошо выбранной камерой. Поэтому составленный алгоритм должен учитывать возможные изменения во внешней среде. После работоспособности следует отметить точность измерений. Именно этот параметр и является одной из причин установки систем машинного зрения, поэтому алгоритм анализа изображения должен с необходимой точностью определять исследуемый параметр. Например, дефектоскопия деталей, использующая машинное зрение имеет точность от 10 мкм.
Из-за различных условий не существует единственного регламентированного алгоритма, поэтому его структура вирируется на разных предприятиях. Но каким образом достигается анализ изображения? Хоть общего алгоритма и не существует, однако есть достаточно стандартные методы, которые используются в большинстве ПО.
Идентификация – процесс анализа объекта и его параметров, в ходе которого определяется его тип и принадлежность к какому-либо классу со схожими признаками. Системы машинного зрения способны идентифицировать предмет по десяткам различных параметров: геометрическая форма, размер, цвет, этикетка и многие другие.
Бинаризация – процесс, в ходе которого выбирается некоторый порог яркости пикселя – порог бинаризации, а затем изображение разбивается на две области, одна из которых содержит пиксели ниже порога, другая соответственно выше. Основной трудностью данного метода является автоматическое определение порога бинаризации[7].
Сегментация – процесс выделения фрагмента изображения по общему признаку. Сегмент может формироваться по яркости, цвету или текстуре. Метод получил широкое распространение, к примеру с помощью данной технологии определяются края исследуемого объекта, что очень часто используется в контроле качества.
Оптическое распознавание символов – автоматизированное чтение текста. Метод часто применяется на производстве, к примеру, в печатной промышленности.
От программы же требуется возможность реализации необходимого алгоритма, а так же простота использования. Перейдем к рассмотрению часто используемых ПО.
Первым рассмотренным ПО является IntraVisualizer. Он используется в контроле качества на производстве крышек, этикеток, бутылок, и контейнеров. Позволяет вести контроль качества по обширному спектру параметров: недолив, дефекты контрольного кольца, контроль лазерной гравировки крышек, положение, наличие, идентичность, а так же ошибки печати этикеток[8]. Отличительной особенностью данного ПО является предоставление результатов. Так представитель фирмы может в любой момент получить доступ к данным с любого устройства, используя интернет. Результаты представляются в виде графиков и диаграмм. Так же в системе применяется уникальная функция, которая использует линию тренда для того, чтобы предсказать последующий брак. Программа предоставляет удобный интуитивно понятный интерфейс пользователя, который позволяет одним кликом выбирать для просмотра измеряемые параметры и выводить статистику по ним.
Следующей разобранным ПО является AutoVISION. Данная программа предназначена для начинающих пользователей и выполнения задач базовой и средней сложности. В значительной степени специализирована на чтении символов, использует множество инструментов для распознавания трудночитаемых символов. Имеет простой интерфейс, понятный начинающему пользователю. Удобное соединение системы с ПЛК. Программа может быть обновлена до более сложной версии Visionscape, в которой возможно выполнение более сложных задач. Программа нашла свое применение в различных отраслях.
На производствах специализирующихся, на создании деталей широкое распространение получила программа Aberlink 3D. Программа имеет понятный интерфейс, позволяющий пользователю получить сведения просто нажав на интересующую его область на чертеже. Удобный вывод результатов в табличной или графической форме с возможностью конвертации в Excel. Помимо этого к Aberlink 3D добавляется модул Aberlink CAD. Данный модуль совершенствует программу и позволяет напрямую работать с 3D изображениями, что улучшает качество анализа. Для более точных измерений используется программа Aberlink Vision, а так же она позволяет измерять геометрические формы деталей, сканировать профили и осуществлять контроль резьбовых соединений.
Проанализировав три распространенные, применяющиеся на производстве программы можно сделать некоторые выводы: пользовательский интерфейс – один из важнейших параметров так, как все рассмотренные выше программы выстроены таким образом, чтобы оператор мог разобраться с ними уже при первом знакомстве. Все перечисленные ПО достаточно узконаправленны и применяются в основном для каких-то схожих задач, пусть и на разных производствах. У многих программ есть дополнительные функции, которые позволяют выгодно отличаться на рынке и активно применяются на производстве, так для IntraVisualizer таковыми дополнительными функция представления результатов и предугадывания грядущего брака на основе ранее проведенной статистике и её анализе, такая система может пригодиться при выявлении дефектного участка на производстве.
Теперь речь пойдет о более универсальной середе - LabView. Огромным плюсом данного ПО является гибкость. В любой момент времени может быть изменен способ получения и анализа данных, тип данных, внешний вид управляющей панели. Другой особенностью является обширный список инструментов, простота и удобство создания алгоритма[2]. В данной программе реализовано программирование методом блок-схемы. Простым созданием и переносом блоков функций и блоков элементов управления на рабочее пространство пишется алгоритм, по которому и будет работать система. Однако вместе с универсальными средствами применяется и специальный программный модуль, разработанный для создания система машинного зрения – Ni Vision. Отличительной особенностью данного модуля является интеграция технологии захвата изображения IMAQ (IMage AcQuision)[3]. Модуль обладает функциями высокого порядка, позволяющими решать сложные задачи по анализу изображения, однако все функции данного модуля, разумеется, поддерживают блочную систему LabView. Преимуществом данного ПО является и то, что оно может выступать в качестве единственного программного пакета при этом значительно сокращая затраты на разработку системы. ПО нашло свое применение на десятках различных производств, начиная от легкой промышленности и заканчивая металлургической не только в качестве программного обеспечения для систем машинного зрения, но и для других установок, благодаря возможности разрабатывать универсальные алгоритмы, которые после корректировки можно использовать на различных моделях[4],[5].
Подводя итоги, стоит выделить ряд серьезных недостатков систем машинного зрения, которые присутствуют на современном этапе развития данной технологии. Первый и самый значительный – отсутствие единых стандартов систем. Отсутствуют регламентированные параметры по выбору аппаратного и программного обеспечения, при этом проблема усугубляется частой несовместимостью устройств разных производителей. Большим минусом является высокая стоимость системы, а так же сложность установки и настройки под конкретный объект. Существуют отдельные оптические проблемы, связанные с изменчивыми условиями окружающего мира, например освещение, которые мешают корректному анализу, полное устранение которых на производстве на данный момент невозможно, поэтому значительно усложняется алгоритм анализа, чтобы свести подобные проблемы к минимуму[6].
Однако, несмотря на столь значительные недостатки и конкуренцию с рабочей силой у машинного зрения имеется большое количество положительных качеств. Работа в спектрах недоступных человеческому глазу. Это очень перспективный раздел машинного зрения, однако на производстве он применяется значительно в меньшей степени, ввиду гораздо более сложной настройке и дорогой технике. Скорость и точность анализа, данное преимущество особенно заметно в печатной промышленности. Внедрение технологии машинного зрения позволяет сразу проверять каждый экземпляр с одинаковой точностью на высокой скорости конвейера, что не представляется возможным с помощью человеческих усилий. Высокая стоимость установки компенсируется сокращением числа рабочих мест и брака на производстве. Значительное повышение качества анализа каждого экземпляра. Правильно настроенная система машинного зрения способна различать дефекты на микроскопическом уровне, если этого требует производство, так например системы машинного зрения успешно применяются для анализа структуры суперпроводников. Так же еще одним существенным достоинством является интеграция в АСУ ТП, что позволяет иметь единую систему автоматизации, которая будет включать, в том числе и контроль качества[1]. В отличие от большинства других проектов по модернизации предприятия, данный не занимает большое количество свободно пространства. Так, на конвейерной линии сборки Continental с помощью аппаратной и программной части AutoVISION, рассмотренной ранее, удалось переоборудовать производство под новые требования в условиях ограниченного свободного пространства.
Проанализировав преимущества и недостатки системы можно сделать вывод о том, что данное направление является крайне перспективным в ближайшем будущем. Большая часть недостатков является следствием низкого уровня технологического прогресса в этой молодой отросли и будет устранена с её дальнейшим развитием. Ведётся разработка единых стандартов для систем машинного зрения, что приведет к стабилизации рынка данной технологии и значительно увеличит продажи. Еще одной причиной является повышение стандартов качества продукции, и машинное зрение является самым перспективным вектором развития в данном направлении. Так же не стоит забывать о тенденции автоматизации предприятия, при этом полная автоматизация невозможна без интеграции машинного зрения в сфере контроля качества.
В данной статье был проведен краткий анализ текущей ситуации в области применения машинного зрения на производстве в контроле качества. Кратко разобрано устройство аппаратной части системы. На примере четырех представителей рынка данной технологии были рассмотрены, применяемые в системах машинного зрения, ПО, обладающие различными характеристиками. В результате анализа удалось выделить основные достоинства и недостатки данной системы и на основании полученной информации сделать вывод о перспективности разработок в этой сфере.