为什么机器视觉优于人工检测?
当前位置:首页 > 技术分享 > 为什么机器视觉优于人工检测?

为什么机器视觉优于人工检测?

机器视觉 2022-08-31 9140 0


机器视觉技术支持自动分析和检测应用,如过程控制、机器人引导或使用图像处理的自动检测。机器视觉包含广泛的技术,包括硬件和软件产品、集成系统、方法、行动和专业知识。机器视觉是一种新技术能力,通过它现有技术可以解决许多现实世界的问题。机器视觉因其功能而在工业自动化领域变得越来越流行。使用深度学习和机器学习模型以及机器视觉,使企业能够使用技术更好地理解和优化数据,从而提高业务效率。

机器视觉有哪些应用?

物体检测:机器视觉在图像中寻找单个对象,而不是将整个图像视为一个实体。它消除了与检查无关的对象,仅关注相关对象。对象检测用于装配线、分拣、库存管理、质量管理等。

表面缺陷检测:表面缺陷检测是质量控制中必不可少的步骤。人工识别繁琐、缓慢且容易出错。机器视觉通过易于训练的模型提供表面检测的准确性和效率。表面缺陷检测可以检测轴承、金属表面或铸造部件中的缺陷。

打印缺陷检测:打印缺陷检测是指发现打印异常的过程,例如文本、颜色或图案的不一致。人工检查会存在主观性。人工智能和深度学习可以更准确、更高效地处理包装、印刷和标签。

打印字符阅读:机器视觉使用 OCR 或光学字符识别来读取打印字符。机器视觉通过打印字符读取来跟踪制造链中的各种对象。借助机器视觉中的打印字符读取来识别对象的名称标签或其他类似细节。

为什么机器视觉优于人工检测?它是如何处理小尺寸缺陷的

缺陷检测 是机器视觉最重要和最广泛的应用。机器视觉主要识别制造供应链中的缺陷。这包括处理具有人眼无法注意到但可能导致产品结构和功能问题并降低其质量的小缺陷的物体。例如,在汽车制造中,轴承和齿轮链等零件具有小而复杂的零件,需要进行彻底检查,以符合所有车辆的安全标准。

小零件缺陷检测面临的挑战

复杂几何:制造业中制造的许多零件具有多面、小细节、复杂形状和小细节。此类零件的图像采集和处理变得困难,需要多个摄像头从不同角度拍摄照片,以捕捉零件的所有复杂性。

复杂的材料处理:要检查的零件需要以这样的方式暴露在相机中,以使其整个表面可见。好的图像可以带来更好的图像处理和缺陷检测。必须正确处理零件以进行缺陷检测。并对其进行测量? 

使用具有不同分辨率和图像捕获能力的不同相机和镜头产生不同的图像。图像尺寸的测量取决于这些因素,并以像素为单位进行测量. 像素的数量是图像的充分表示。机器视觉通过获取的图像看到缺陷。这意味着机器视觉系统还可以用像素来表示和测量缺陷。

5 到 10 像素是机器视觉系统可以准确测量的最小缺陷尺寸。例如,您有一个尺寸为 5mm x 5mm 的物体,它是使用 5MP 相机拍摄的。此对象的像素尺寸将为 2500 像素 x 2500 像素。

所以,这个物体的 5 毫米代表 2500 个像素,这为您提供了 2 微米/像素的比率。如果最小像素长度被认为是 10 像素,则最小缺陷尺寸将变为 20 微米。如果将大型金属板测量为 5000 毫米 x 5000 毫米,则相同的 2500 像素 x 2500 像素现在将跨越更大的长度。

包装针孔缺陷:针孔缺陷 是包装故障,其中小缺陷或孔被引入包装中,损害了包装的密封性。它可能是由于弯曲开裂、磨损或直线刺破造成的。针孔缺陷会对项目的总体成本和速度造成重大影响。使用机器视觉技术,可以解决针孔包装缺陷,因为针孔位于机器视觉系统可以成功检测到的最小缺陷尺寸范围内。这可以防止食品包装行业的任何效率损失。

概括

因此,机器视觉系统可以处理小尺寸的缺陷识别。在检测此类缺陷期间需要解决一些挑战。许多零件具有复杂的几何形状,或者易碎零件的材料处理可能是一项挑战,并且大量的变体可能会给机器视觉系统带来艰巨的任务。在这种情况下测量的最小缺陷尺寸始终以像素为单位进行测量,并且取决于对象的大小。最小的缺陷测量范围为 5 到 10 像素,以成功识别缺陷



本文链接地址:https://www.schnoka-vts.com/post/1051.html

取消回复发表评论:


立即定制视觉方案