Публикация пресс-релизов Поиск по компании
Решения, технологии, стандарты Рынок, отрасль, люди Основы
Отменить подписку Подписка
Производители Системные интеграторы Дистрибьюторы
Продукты месяца Поиск по категории Добавить продукт
Добавить мероприятие
Добавить вакансию Специалисты по АСУ ТП, КИП Специалисты по электротехнике, энергетике Главные инженеры, технологи, электрики Менеджеры по продажам, консультанты, другое
Технические требования Публикация статей Публикация пресс-релизов Media Kit 2014
 


 

Рынок, отрасль, люди - в интервью и репортажах Ua.Automation.com

Машинное зрение и промышленная автоматизация: эффективная комбинация

Машинное зрение и промышленная автоматизация: эффективная комбинация

Брайан Диперт для InTech

Для того, чтобы производственные роботы и другие системы автоматизации производства могли целенаправленно взаимодействовать с объектами, а также аккуратно перемещаться в пространстве, окружающем производственные линии, они должны обладать способностью видеть и анализировать окружающую обстановку.
 
Эффективные и доступные по цене процессоры для обработки видеоинформации, видеосенсоры с функцией различения глубины, а также отработанные программные алгоритмы полным ходом претворяют давишние мечты промышленной автоматизации в реальность.
 
Автоматизированные системы в производственной среде могут работать неутомимо, точно и быстро – особенно, по сравнению с людьми. Однако, их эффективность традиционно зависит от поступления деталей с фиксированной ориентацией в пространстве и на фиксированных местах – а это сильно усложняет сложность сборочного процесса.
 
Любое отклонение в расположении детали может привести к проблемам со сборокой. Люди, обладающие зрением и другими каналами восприятия, а также высокоразвитым мозгом, эффективно взаимодействуют с окружающим миром. Роботы, и другие системы промышленной автоматизации, должны быть способны делать то же самое. В этом как раз и должны помочь системы машинного зрения.
 
Исторически, подобные системы автоматизированного зрения встречались лишь в малом числе очень дорогих систем. Однако, стоимость, производительность и потребление энергии в системах электроники, достигнутые уже сегодня, проложили путь к широкому распространению машинного зрения в различных отраслях. Конечно, их внедрение по-прежнему является непростой задачей, но она уже стала намного проще – и дешевле, чем когда-либо. Одним из ключевых факторов успеха стал промышленный союз, собравший ведущих производителей и интеграторов.
 
Управление запасами
 
 
Фармацевтическая упаковочная линия. Роботы с функцией машинного зрения быстро упаковывают шприцы.
 
Инновации машинного зрения позволяют повысить контроль за изделиями, сырьем, а также, их хранением. Штрих-коды и RFID-метки также могут помочь следить за продукцией и направлять ее в нужные локации, однако, их нельзя использовать для обнаружения поврежденных или некачественных изделий. Интеллектуальный контроль за материалами и продуктами в эру машинного зрения станет основой для систем управления запасами следующего поколения, особенно по мере дальнейшего совершенствования технологий видеосенсоров и других компонентов. Камеры высокого разрешения уже могут обеспечивать детальные изображения сырья, а также этикеток и т.д., однако требуется сложное, работающее в режиме реального времени ПО, для анализа изображений, идентификации объектов в них, идентификации этикеток, связанных с этими объектами, и проверок качества.
 
Словосочетание «в режиме реального времени» потенциально может подразумевать быструю оценку десятков объектов в течение одной секунды. Для того, чтобы требования приложений режима реального времени выполнялись, требуется параллельное выполнение множества задач. Проверки качества «на лету» могут использоваться для обнаружения негодного материала и автоматического обновления баз данных по запасам информацией по каждому объекту и конкретными деталями каждой проблемы по качеству. Системы машинного зрения для слежения за запасами и управления могут обеспечивать очень ценные возможности без сверхвысоких затрат на инфраструктуру – благодаря эффективной видео-аналитике, добытой из единственного потока видео.
 
Автоматизированная сборка
 
Машинное видение – ключевая технология уровня цеха в таких областях, как работа с сырьем и сборка. Камеры используются, к примеру в получении изображений деталей или направлений. Обработка изображений дает данные, направляемые роботу, который, благодаря им, может поднять и поместить в нужное место нужный компонент. Мы уже говорили, что роботы очень хороши в обеспечении повторяемости и масштабируемости действий. Машинное зрение добавляет в этот “коктейль” гибкость. Один и тот же робот может использоваться с различными компонентами, так как он их теперь видит, и может к ним адаптироваться.
 
На фабриках может использоваться машинное зрение в тех приложениях, которые требуют высокоточной сборки. Камеры могут «фиксировать» компоненты после того, как их поднимают, и роботы благодаря этому могут делать небольшие изменения в положении компонентов, для того, чтобы компенсировать механические повреждения, к примеру. Также становится возможным доставать компоненты из различных емкостей. Камера позволяет найти компонент с расположением, которое подходит манипулятору робота, среди нагромождения других компонентов.
 
Различающее глубину зрение в формате 3-D – растущий тренд, который позволяет роботам еще лучше ориентироваться в своем окружении. Доступные решения такого класса сейчас все шире используются в различных приложениях – от обычной упаковки до высокоточной производственной метрологии.
 
Процессоры последнего поколения для обработки видео прекрасно справляются с огромными объемами данных и сложными алгоритмами, необходимыми для анализа «глубины» и быстрого принятия решений. Трехмерные изображения позволяют решать задачи, ранее недоступные при использовании двухмерного видения. К примеру, роботы теперь могут доставать детали из контейнеров, даже если они там лежат в беспорядке. 
 
Автоматизированный контроль
 
 
 
Трехмерные изображения используются для определения размера печенья и исследования его на предмет дефектов.
 
Еще одним преимуществом использования зрения для управления роботами заключается в том, что одни и те же изображения можно также использовать для анализа компонентов, с которыми идет работа. Таким образом, роботы не только становятся более гибкими в использовании, но они и обеспечивают результаты более высокого качества. Более того, повышение качества достигается при понижении затрат, так как системы зрения могут обнаруживать, предсказывать и предотвращать различные нежелательные ситуации на конвейере («пробки», «зажевывания» и т.д.). Если требуется более высокая точность в движениях робота, можно использовать технику, называемую «визуальный серво-контроль». Камера прикрепляется рядом, или непосредственно на роботе, и дает постоянную обратную связь (а не только одно изображение в начале выполнения задачи), что позволяет контроллеру робота постоянно исправлять мелкие ошибки в движениях.
 
Помимо робототехники, машинное зрение имеет множество других применений. В частности, оно обеспечивает множество преимущств в автоматизированном контроле: проверка наличия компонентов, чтение текста и штрих-кодов, измерение размеров и расположения объектов, обнаружение дефектов и т.д. Исторически контроль качества осуществлялся на основе случайно отобранных образцов и проверки вручную, а затем, использования статистического анализа для экстраполяции результатов на крупную партию. Это всегда оставляет недопустимую вероятность пропуска дефективных деталей, приводящих к нарушениям производственной цепочки далее на линии, или отгрузки некачественной продукции. Автоматизированный контроль, с другой стороны, обеспечивает 100% гарантию. И недавние достижения в эффективности обработки видео гарантируют, что визуальный контроль не станет препятствием на пути к максимальной производительности.
 
 
Производственные и сборочные приложения, такие как на этой винодельне, должны синхронизировать системы сортировки с процессом визуального контроля.
 
Система машинного зрения – всего лишь один из элементов “сложного узора”. Она должна синхронизироваться с другим оборудованием и протоколами ввода/вывода, для эффективной работы в приложении. Обычный сценарий проверки предполагает отделение некачественных изделий от качественных, по мере их продвижения по производственной линии. Эти компоненты движутся вдоль конвейера, на известном расстоянии от камеры и устройства для удаления некачественных изделий. По мере продвижения компонентов, их индвидуальные расположения должны отслеживаться и коррелироваться с результами анализа изображений, для обеспечения правильной работы “отсева”.
 
Часть II
 
Существуют многочисленные методы для синхронизации процесса сортировки с системами машинного зрения, например, метки времени с известными задержками и сенсоры приближения, которые также следят за количеством запчастей, по мере того, как они перемещаются мимо них. Однако, самый распространенный метод основывается на энкодерах. Когда деталь перемещается мимо точки инспекции, датчик приближения определяет ее присутствие и включает камеру. После известного количества оборотов энкодера, устройство для удаления некачественных изделий “отсеет” деталь, основываясь на результатах анализа изображения.
 
Основной проблемой с этим подходом является то, системный процессор должен постоянно следить за показаниями энкодера и датчиков присутствия при параллельной работе алгоритмов обработки изображений, для того, чтобы классифицировать детали и отсеивать некачественные. Такой мультифункциональный коктейль может привести к усложению программной архитектуры, добавить существенное количество задержек и сбоев, повысить риск ошибкок и, соответственно, уменьшить производительность. Высокопроизводительные вычислители, в т.ч., программируемые в полевых условиях, используются в настоящее время для решения этой проблемы, в частности, путем жесткой аппаратной синхронизации входов и выходов с результатами визуального контроля.

Вариации задержек “отправлено-получено” коррелируют с расстоянием от датчика до объекта
 
Безопасность рабочих мест
 
Люди по-прежнему остаются главным элементом современной среды промышленной автоматизации, «гибкость» которого позволяет вносить изменения в процессы «на лету». Людям нужно сотрудничать с роботами, которые больше не окружены барьерами безопасности, а работают «бок о бок» со своими коллегами-людьми. Промышленная безопасность в этом контексте является большим вызовов, поскольку цели повышенной гибкости и безопасности могут противоречить друг другу. Система, внедренная в среде, разделяемой роботами и людьми, нуждается в более высоком уровне восприятия окружающих объектов, таких, как другие роботы, изделия, люди.
 
Трехмерные камеры позволяют создавать надежные “карты” пространства, окружающего роботов. Эта функция обеспечивает надежное обнаружение людей в зонах безопасности или повышенного внимания, ведущее к изменению или адпатации траекторий и скорости движения для безопасного взаимодействия и гарантированного избегания столкновений. Системы безопасности, основанные на машинном зрении, уже широко используются в автомобилестроении, и первые схожие системы для промышленной автоматизации уже появляются на рынке. Они обеспечивают гибкий подход к безопасности, необходимый для промышленной автоматизации нового типа.
 
Восприятие глубины
 
Как мы уже упоминали, 3-D камеры обеспечивают серьезные преимущества по сравнению с своими двухмерными предшественниками в производственной среде. Существует несколько альтернатив технологий восприятия глубины, каждая со своими сильными и слабыми сторонами, а также, обычными сценариями использования.
 
Стереоскопическое зрение, основанное на использовании двух двухмерных сенсоров, на сегодня, является самым распространенным способом обеспечения 3-D зрения. Пассивное (основывающееся только на отраженном свете) определение дистанции с помощью стереоскопического зрения использует разницу в перспективах двух практически идентичных камер для определения расстояния до интересующего объекта. 
 
Игровое устройство Kinect от Microsoft – самый известный на сегодня 3-D сенсор, основанный на структурированном свете. Структурированный свет, как и техника основанная на времени распространения сигнала, является примером активного сканера, так как здесь генерируется собственное электромагнитное излучение, и анализируется его отражение от объекта, получаемое специальной матрицей. Подобно техникам стереоскопического видения, этот подход использует преимущества известного разделения камеры и проектора, для определения конкретной точки между ними и определения расстояния с помощью алгоритмов триангуляции. Таким образом, обработка изображений и алгоритмы триангуляции превращают искажения порций излучения, вызванные неровностями отражающей поверхности, в 3-D информацию.
 
Системы, основанные на измерении времени распространения оптического модулированного сигнала, как правило, используют около-инфракрасный диапазон, для того, чтобы не вызывать дискомфорта для человека. Матрица, измеряющая время распространения сигнала, является матрицей пикселей, каждый из которых способен определять расстояние до объекта. Каждый из них измеряет задержку отраженного сигнала, по отношению к сигналу посланному. Для каждого пикселя осуществляется корреляция, за которой следуют усреднение или интеграция. Результирующая величина корреляции представляет время распространения сигнала – или задержку. Поскольку все пиксели генерируют это значение одновременно – становится возможным получение моментального 3-D снимка.
 
Обработка видео
 
Алгоритмы обработки видеоинформации, как правило, требуют больших вычислительных мощностей. В отличие от большинства других приложений, где общие стандарты означают, что существует сильная схожесть среди алгоритмов, используемых конструкторами различных производителей, такой схожести нет в приложениях обработки видео. Напротив, для решения каждой конкретной задачи в области обработки видео существует, как правило, много решений. Таким образом, алгоритмы обработки видео очень разнообразны и быстро меняются. А от систем промышленной автоматизации всегда требуется находится в жестких ценовых рамках и жестких границах энергопотребления. 
 
Достижение комбинации высокой производительности, низкой стоимости, низкого энергопотребления и способности к программированию очень непростая задача. Специальное аппаратное обеспечение, как правило, реализует высокую производительность и при низкой стоимости, однако, возможности программирования невысоки. Процессоры общего назначения обеспечивают широкие возможности программирования, однако, за счет невысокой производительности, высокой стоимости или низкой энергоэффективности. Требовательные приложения обработки видеоинформации, обычно, используют комбинацию средств обработки, включающую, как правило:
  • общецелевой процессор для эвристического принятия сложных решений, доступа к сети, пользовательского интерфейса и общего управления.
  • высокопроизводительный цифровой процессор для задач обработки средней сложности в режиме реального времени (с использованием алгоритмов средней сложности)
  • один или несколько процессоров для обработки с помощью простых алгоритмов
В теории, любой процессор может быть использован для обработки видеоинформации, и лучше всего использовать следующие варианты:
  • высокопроизводительный процессор
  • устройство обработки графической информации со встроенным процессором
  • устройство обработки цифровых сигналов с ускорителем и процессором
  • программируемые пользователем вентильные матрицы (field programmable gate arrays) с процессором
Альянс Машинного Зрения – Embedded Vision Alliance
 
Быстрое распространение технологий машинного зрения в промышленной автоматизации – часть намного большего тренда. От потребительской электроники до систем автомобильной безопасности мы видим, как технологии видения делают известные продукты более разумными и интерактивными, чем прежде, - а значит, более полезными для пользователей.
 
Машинное зрение добавляет ценные возможности существующим продуктам. Embedded Vision Alliance – Альянс Машинного Зрения – работает над тем, чтобы помочь инженерам и конструкторам воплощать возможности в реальность. Aptina Imaging, Bluetechnix, National Instruments, SoftKinetic, Texas Instruments и Xilinx являются членами Embedded Vision Alliance.
 
Миссия Альянса заключается в обеспечении инженеров практическим образованием, информацией, идеями для того, чтобы дополнять машинным зрением новые и существующие продукты. Для реализации миссии Альянс поддерживает вебсайт (www.embedded-vision.com) с обучающими статьями, видео, ПО, форумами, в работе которых участвуют эксперты. Зарегистрированные пользователи вебсайта (www.embeddedvisioninsights.com), также получают электронный дайджест Альянса, выходящий раз в 2 месяца, среди других преимуществ.