Banyak proses produksi yang beroperasi menggunakan peralatan otomatis tetap atau keras yang menjalankan tugas produksi dengan masukan sensorik terbatas. Untuk aplikasi yang lebih kompleks, kamera atau sensor sederhana dapat mendeteksi keberadaan, posisi, ukuran, atau ketebalan suatu objek. Jika objek lebih kompleks, memiliki lebih sedikit kendala, atau perlu dievaluasi penampilannya, solusi visi mesin dapat diterapkan. Artikel blog ini akan mengulas tiga aplikasi untuk mendapatkan wawasan tentang peran visi mesin dalam otomatisasi tingkat lanjut.
Dalam banyak proses produksi, penghitungan objek atau fitur sering kali penting untuk memastikan kualitas komponen atau mengelola inventaris. Meskipun ini mungkin terdengar sepele, ini bukanlah tugas praktis bagi manusia ketika melibatkan sejumlah besar data. Agar tugas tersebut dapat diotomatisasi melalui visi mesin, segmentasi objek merupakan langkah pertama, dan ini dapat difasilitasi oleh penerapan teknik pencahayaan dan pencitraan yang tepat.
Tujuan akuisisi gambar adalah untuk menerangi dan menangkap gambar objek dengan cara yang meningkatkan kontras antara fitur yang akan dideteksi dan latar belakang. Perangkat lunak visi mesin kemudian digunakan untuk melakukan segmentasi dan mendeteksi fitur atau objek yang diinginkan. Atribut terukur dari setiap objek yang terdeteksi kemudian dapat digunakan untuk menentukan kualitas atau identitasnya.
Mengkarakterisasi porositas las
Ambil contoh deteksi dan evaluasi porositas las. Bentuk komponen, kontur saluran las yang bervariasi, dan permukaan logam yang memantulkan cahaya membuat pencahayaan yang seragam menjadi tantangan. Untungnya, pori-pori tidak banyak memantulkan cahaya - pori-pori tersebut tampak gelap.
Lasan memiliki berbagai area gelap yang dapat disegmentasi dengan penglihatan mesin. Pori-pori pada las memiliki rentang ukuran dan bentuk karakteristik yang dapat digunakan untuk mengabaikan area gelap yang tidak sesuai dengan karakteristik pori-pori. Setelah porositas terdeteksi, jumlah dan kepadatan pori-pori (jumlah per inci) pada las dapat digunakan untuk menunjukkan apakah proses pengelasan dapat diterima atau apakah diperlukan intervensi operator atau sistem kontrol.
Tabung Penghitung
Contoh terkait adalah menghitung jumlah tabung dalam gambar yang diambil dari ujung peti; pengendalian inventaris memerlukan penghitungan yang akurat. Tantangannya meliputi pencahayaan yang bervariasi dan perspektif ujung tabung yang bervariasi dalam gambar. Ujung tabung dicirikan oleh bagian dalamnya yang gelap dikelilingi oleh permukaan melingkar yang terang dari dinding tabung.
Membagi area gelap dengan lingkaran dengan diameter yang diharapkan akan mendeteksi sebagian besar tabung. Namun, perhatikan pantulan terang dari beberapa bagian dalam tabung di dekat bagian bawah peti - operasi pemrosesan gambar dapat menggabungkan fitur-fitur kecil ini dengan bagian dalam tabung untuk deteksi dan penghitungan yang kuat.
Mendeteksi Kerusakan Bentuk Kompleks
Pertimbangkan untuk mendeteksi kerusakan permukaan pada bilah baling-baling. Kerusakan dapat berkisar dari goresan kecil hingga titik keausan besar; tidak ada standar untuk mengkarakterisasi ukuran atau bentuk area yang rusak. Selain itu, bentuk bilah baling-baling yang rumit menghadirkan tantangan pada pencahayaan optimal yang digunakan untuk meningkatkan kontras kerusakan.
Dalam konfigurasi pencahayaan yang digunakan untuk gambar paling kiri (paling gelap), kerusakan hampir tidak terlihat. Dua arah pencahayaan bergantian memberikan kontras yang baik antara area bilah yang rusak dan tidak rusak, tetapi kontrasnya terbalik antara kedua konfigurasi. Karena permukaan yang terlokalisasi dan arah kerusakan relatif terhadap sistem pencitraan, berbagai area bilah baling-baling akan menunjukkan respons yang berbeda seperti yang ditunjukkan - artinya tidak ada konfigurasi pencahayaan optimal tunggal.
Tingkat variabilitas yang tinggi antara bentuk, ukuran, dan kontras kerusakan membuat deteksi otomatis menggunakan metode terprogram menjadi sulit, seperti yang digunakan dalam contoh porositas las dan penghitungan tabung. Institut mengembangkan sistem inspeksi menggunakan teknik pembelajaran mesin. Jaringan saraf konvolusional (CNN) mengenali area yang berpotensi rusak dalam suatu gambar. Jaringan saraf dalam sekunder mengklasifikasikan gambar sebagai mengandung (atau tidak mengandung) kerusakan berdasarkan nilai eigen yang dihasilkan oleh CNN. Jaringan ini dilatih menggunakan sejumlah besar gambar di mana area yang rusak telah diidentifikasi secara manual.
Melampaui Visi Monokrom
Ketiga contoh di atas menggambarkan beberapa aplikasi visi mesin monokrom. Hal-hal menjadi lebih menarik saat menggunakan kontras warna atau menggunakan bagian spektrum yang tidak terlihat. Misalnya, kamera monokrom peka terhadap panjang gelombang inframerah dekat (NIR), yang memungkinkan fitur yang biasanya tidak terlihat atau mengganggu dapat dimanfaatkan atau dihilangkan dengan menggunakan atau menolak pita tersebut dengan filter spektral.
Kamera warna standar menggunakan filter pita lebar merah, hijau, dan biru yang tumpang tindih; penggunaan iluminator LED RGB pita sempit sebagai pengganti iluminasi pita lebar putih meningkatkan diskriminasi warna. Kamera multispektral menawarkan diskriminasi warna yang sangat sensitif dibandingkan dengan kamera warna dan dapat mencakup pita NIR. Sifat fluoresensi dari tinta, pewarna, dan perekat tertentu dapat dimanfaatkan dengan menggunakan iradiasi UV dengan filter spektral yang sesuai. Dan jangan lupakan polarisasi! Pencitraan inframerah (gelombang panjang, gelombang menengah, gelombang pendek) dapat digunakan untuk mengukur suhu permukaan, mendeteksi fitur/cacat bawah permukaan, mendeteksi gas hidrokarbon, dan banyak lagi.