京叶商机网

为什么图像分析可以在制造自动化领域取得突破

商机交易网 0 1

为什么图像分析可以在制造自动化领域取得突破

 IMG_0249

制造环境一直是人们经常执行乏味、重复性任务的环境。如果您向任何制造操作人员询问质量检查、分拣或分级以及将材料或组件从 A 移到 B 的单调性,您很快就会知道为什么这些任务非常适合自动化。

然而,过去这些活动没有被自动化的原因是对视力的需求——一种感官能力,直到最近才被人类和其他形式的复杂有机生命所拥有。在机器学习和其他人工智能进步的推动下,随着计算机视觉技术的成熟,这种情况正在发生变化。

例如,机器人技术商业评论报道说,为机器视觉解决方案的北美需求在2017年达到历史新高,销售额比上年同期增长14.6%,根据数据被公布协会推进自动化(A3 )。

现在让我们看看在生产车间如何满足这种需求,在那里许多配备计算机视觉的助手来重新定义制造程序。  

计算机和机器人视觉的飞跃

如果您还不熟悉计算机视觉的最新发展,您可能想知道如何将自动化系统部署到需要视觉天赋的任务上。

事实上,计算机视觉并不是全新的。自 1980 年代以来,使用相机、单板图像处理器和灰度机器视觉算法的图像分析已被用于质量保证和包装。直到最近,用于图像处理的算法还是基于严格的规则,要求开发人员对对象的形状和大小进行硬编码,以便软件能够识别它们。这种形式的图像识别效率低下——当涉及复杂的对象和形状时,这种情况令人望而却步。

随着机器学习在解决光学识别问题方面的应用取得了突破。最成功的方法是使用称为卷积神经网络 (CNN) 的深度学习模型。CNN 通过接触大量图像进行训练,从中它们学会识别视觉数据中的模式,并能够识别复杂的形状和物体结构。4B82B97D44E7D666A6F00A06DEFB50F4

计算机视觉推动了对自动化的重新关注

据市场研究公司Tractica 称,2022年,计算机视觉技术的年度市场价值将达到486 亿美元该技术已被整个制造和生产行业采用,为人类执行繁琐且昂贵的任务带来自动化及其相关好处。

让我们来看看一些制造活动,这些活动通过计算机视觉越来越自动化,使公司能够降低劳动力成本并将员工重新部署到更有益于身心的工作中。

自动视觉检测

如果您对机器人和计算机接管曾经由人类执行的任务感到不安,并且对它们如何进化以超人的效率执行这些任务感到不安,那么制造业中的第一个图像分析软件示例可能只会加剧您的不满。

另一方面,如果您的公司目前在组件检查上花费了大量资金,您可能会欢迎自动更换人工 QA 检查员的想法。

基于高级图像分析的自动光学检测 (AOI) 解决方案正在寻找进入需要详尽视觉质量检测的生产环境的方法。例如,印刷电路板 (PCB) 的制造是 AOI 尤其普遍的领域之一。IMG20161227092140

印刷电路板制造中的AOI

随着这些重要的硬件组件变得越来越小和越来越复杂,自动化光学检测在印刷电路组件的制造中变得必不可少。即使是基本的 PCB 也可能有数千个焊点,这是最有可能导致故障的原因,因此视觉质量检查至关重要。随着生产线上 PCB 的高吞吐量,手动检查不再可行——幸运的是,不再需要。

相反,图像分析系统可以安装在生产传送带上,以便在焊接过程完成后立即检查 PCB。这种放置可确保立即识别焊接故障,与在生产线上进一步发现缺陷时相比,纠正成本更低。新建文件夹IMG20160118133457

光学分选和分级

使用相机对鱼类、水果和蔬菜等产品进行光学分级和分类并不是什么新鲜事。直到最近,使用中的系统还需要相当程度的人类关注。这是因为图像分析算法的准确性取决于必须由人工操作员执行的微调。  

然而,随着深度学习技术的整合,光学分拣和分级系统可以完全自主运行,变得更快、更可靠和更一致的准确度。

这些系统适用于广泛的视觉质量检测过程,非常适合以下产品的分级和分类,仅举几个例子:

  • 水果和蔬菜

  • 种子和坚果

  • 鱼和贝类

  • 再生塑料和原生塑料

  • 木材制品

不间断、精确的分拣和分级

基于深度学习的分级分拣解决方案可以根据产品的形状、大小和颜色来区分和分析产品。他们还可以接受培训,以识别产品特征,例如木材中的木节,以及水果和蔬菜上的瘀伤、瑕疵和划痕等缺陷。这使该技术能够取代人类操作员,对他们来说,分级和分类是乏味的、重复的任务,经常存在注意力不集中和精度下降的风险。

当图像处理硬件和机器学习用于生产或包装线上时,不会发生此类失误。此外,24/7/365 连续确保精确度,而成本只是人工评分的一小部分。

具有视觉天赋的机器人

图像分析和对象跟踪的进步使机器人能够摆脱原始制导的限制。简而言之,他们终于可以看到周围的世界,并承担许多直到最近都无法实现的任务,因此需要人情味。

机器人视觉对于需要移动性和导航的任务特别有用,例如在仓库中移动材料。部署在亚马逊运营中心的系统是机器人视觉在现实世界中使用的一个典型例子。也就是说,亚马逊机器人的图像识别技术还很初级。机器人通过扫描贴在仓库地板上的条形码来导航,不过它们也使用一定程度的空间感应来计算距离。

下一代仓库机器人,例如由Vecna Robotics(一家专门从事仓库自动化的公司)开发的机器人,使用更复杂的相机硬件和机器学习软件组合,因此它们可以实际研究环境并对特征做出正确的反应以及他们遇到的事件。

看到提高制造自动化的方法

生产和制造任务以及许多其他任务都需要光学能力,这在以前使它们无法实现自动化。现在,该技术终于可供准备投资图像分析的企业使用。随着深度学习算法的不断改进,人们期望它们将刺激计算机视觉系统在制造业中的使用增长。

这种增长并不奇怪,因为先进的图像分析为制造商提供了有吸引力的好处,包括降低成本、提高效率、质量一致性以及将人类注意力转移到对公司及其客户具有更大价值的活动上的能力。