اجزای یک سیستم بینایی ماشین – دوربین‌ها، لنزها، نورپردازی

هر روز، فناوری‌های جدید زنجیره تأمین و انبارداری، امکانات هیجان‌انگیزی را ارائه می‌دهند: شانس بهره‌وری بیشتر، ایمنی بهبود یافته و کنترل کیفیت استثنایی – و این تنها آغاز است. در حال حاضر، بسیاری از تأثیرگذارترین راه‌حل‌های خودکار توسط یک فناوری مهم برجسته می‌شوند: بینایی ماشین.

بینایی ماشین (MV) با اعطای قدرت بینایی به سیستم‌های کامپیوتری، کاربردهای فراوانی در انبارهای مدرن و فراتر از آن دارد. این راهکارها به سیستم‌های رباتیک اجازه می‌دهند تا محیط اطراف خود را با ظرفیتی مشابه انسان حس و درک کنند و در صورت ادغام صحیح، می‌توانند نقش قدرتمندی در پیشبرد راهکارهای خودکار مبتنی بر هوش مصنوعی ایفا کنند. اگر قصد خرید با بهترین قیمت دوربین پردازش تصویر ، قیمت دوربین صنعتی ، قیمت دوربین بینایی ماشین و سنسور پردازش تصویر را دارید کافیست به فروشگاه ایمیجین سورس مراجعه کنید.

این فناوری پیشرفته مزایای قدرتمندی را در صنایع متعدد ایجاد می‌کند. این مزایا به ویژه در انبارها و مراکز توزیع قابل توجه است، زیرا بینایی ماشین فرصت‌های ردیابی چشمگیر و بررسی‌های کنترل کیفیت را برای اقلامی که در خطوط نقاله پرسرعت حرکت می‌کنند، فراهم می‌کند. بسیاری از انبارهای خودکار و نیمه خودکار نیز از بینایی ماشین برای تأیید نقطه برداشت استفاده می‌کنند یا سیستم‌های MV را با راه‌حل‌های برداشت رباتیک ادغام می‌کنند.

سیستم‌های بینایی ماشین همچنین به طور گسترده در تولید مورد استفاده قرار می‌گیرند، و با تأیید مونتاژ و بازرسی‌های سطحی، بهبودهایی در کارایی و کنترل کیفیت ایجاد می‌کنند. این سیستم‌ها همچنین در لجستیک و حمل و نقل نقش دارند و ردیابی مؤثرتر دارایی‌ها را همراه با فرصت‌های نظارتی قدرتمند ارائه می‌دهند.

نمی‌توان ارزش بینایی ماشین را در محیط‌های خودکار امروزی انکار کرد ، اما باید چند نکته را در نظر گرفت: پیاده‌سازی این سیستم‌ها می‌تواند پرهزینه باشد و ادغام آنها بدون تخصص مناسب تا حدودی دشوار است. به همین دلیل، درک این موضوع که بینایی ماشین شامل چه مواردی می‌شود و چه زمانی بالاترین بازده سرمایه‌گذاری را به همراه دارد، مهم است. در ادامه به این جزئیات خواهیم پرداخت و اجزای حیاتی و فرصت‌های ادغام را در این مسیر برجسته خواهیم کرد.

اجزای بینایی ماشین

سیستم‌های بینایی ماشین، مانند چشم انسان که به دنبال تقلید از آن هستند، بسیار پیچیده هستند. آن‌ها دارای اجزای متنوعی هستند که به دقت یکپارچه شده‌اند و به آن‌ها امکان می‌دهند ورودی بصری دقیقی را دریافت کرده و آن را به طور مؤثر تجزیه و تحلیل کنند. مهم‌ترین اجزا در زیر برجسته شده‌اند: 

۱. دوربین‌های بینایی ماشین

سیستم‌های بینایی ماشین برای ثبت تصاویر دیجیتال به دوربین‌های تخصصی متکی هستند. عوامل مختلفی در انتخاب دوربین نقش دارند، از جمله انواع مختلفی از حسگرهای تصویر که برای تولید تصاویر با کیفیت بالا استفاده می‌شوند. مثال‌ها عبارتند از:

• CCD (دستگاه جفت‌شده با بار) . CCDها به عنوان دستگاه‌های نیمه‌هادی پیچیده، قادر به تبدیل نور به سیگنال‌های الکتریکی هستند. این امر به نوبه خود، ایجاد تصاویر دیجیتال را آسان‌تر می‌کند. مزایای CCD شامل تصاویر با وضوح بالا و حساسیت استثنایی به نور است، اگرچه این موارد با چند نکته منفی قابل توجه همراه هستند: مصرف برق بیش از حد و سرعت خواندن کندتر از حد انتظار. علاوه بر این، پیاده‌سازی راه‌حل‌های CCD اغلب گران‌تر است.
• CMOS (نیمه هادی اکسید فلزی مکمل) . CMOS یک جایگزین رایج برای CCDها است که به دلیل مصرف برق محدود و ماهیت کلی مقرون به صرفه خود مورد توجه قرار گرفته است. عملکرد آنها مشابه است: سنسورهای CMOS به نور اجازه می‌دهند تا به سیگنال‌های الکتریکی تبدیل شده و تصاویر را تولید کنند. اما CMOS رویکردی منحصر به فرد برای خواندن سیگنال‌ها اتخاذ می‌کند و در نتیجه سرعت خواندن بسیار بالاتری دارد.

دوربین‌های MV همچنین ممکن است بر اساس نحوه ضبط تصاویر طبقه‌بندی شوند: در یک فریم یا یک خط در یک زمان:

• دوربین‌های اسکن منطقه‌ای . سیستم‌های اسکن منطقه‌ای که گاهی اوقات به عنوان دوربین‌های MV دوبعدی شناخته می‌شوند، می‌توانند از حسگرهای CCD یا CMOS برای ثبت تصاویر با وضوح پایین و بالا استفاده کنند. این دوربین‌ها به رویکرد تک فریم متکی هستند، اما همچنان بسیار متنوع هستند و گزینه‌های نصب متنوعی دارند. تحت این رویکرد، میدان دید و درک عمق گاهی محدود می‌شود و جزئیات نیز در نواحی با کنتراست بالا از بین می‌روند.
• دوربین‌های اسکن خطی . دوربین‌های اسکن خطی با ارائه راه‌حل‌های متوالی برای ضبط تصاویر، زمانی که به تصاویر با وضوح بالا نیاز است، ترجیح داده می‌شوند. در همین حال، سرعت بالای خط، ضبط تصاویر با جزئیات عالی را هنگام حرکت اشیاء ممکن می‌سازد. با این حال، این دوربین‌ها به اندازه همتایان اسکن منطقه‌ای خود همه‌کاره نیستند و اغلب گران‌تر نیز می‌باشند.
• دوربین‌های هوشمند . دوربین‌های هوشمند که قادر به ادغام دوربین، پردازش و عملکردهای ارتباطی هستند، اغلب در کاربردهایی که سادگی و جمع‌وجور بودن کلید اصلی هستند، مورد توجه قرار می‌گیرند. در حالی که برخی از مدل‌ها ممکن است با بالاترین وضوح یا قابلیت‌های تخصصی سیستم‌های اسکن منطقه‌ای یا خطی مطابقت نداشته باشند، پیشرفت‌های مداوم همچنان به بهبود عملکرد و تطبیق‌پذیری آنها کمک می‌کند.

۲. لنزهای دوربین

لنز دوربین نقش مهمی در تعیین کیفیت تصاویر تولید شده توسط سیستم‌های MV ایفا می‌کند. به همین دلیل، لنزها باید در انتخاب دوربین‌ها در اولویت قرار گیرند.

وظیفه اصلی لنز، متمرکز کردن نور بر روی حسگر است و از این طریق، تصویری واضح از شیء مورد نظر برای ثبت، تضمین می‌شود. لنز تعیین می‌کند که چه مقدار نور واقعاً به حسگر می‌رسد و همچنین می‌تواند بر این موارد ضروری تأثیر بگذارد:

• فاصله کانونی . به عنوان یکی از مهمترین مشخصات لنز، فاصله کانونی فاصله بین مرکز نوری لنز و محل دقیقی است که در آن پرتوهای نور برای تولید تصویر به هم می‌رسند. این می‌تواند تأثیر زیادی بر بزرگنمایی و میدان دید داشته باشد.
• بزرگنمایی . بزرگنمایی که به عنوان مقایسه ظاهر یک شیء (درون تصویر) در مقابل اندازه واقعی آن عمل می‌کند، به اندازه حسگرها و فاصله کانونی بستگی دارد. بزرگنمایی بیشتر می‌تواند در مواقعی که تصاویر با جزئیات مورد نیاز است، مفید باشد.
• میدان دید . میدان دید (FOV) میزان دید یک فضای قابل مشاهده از طریق لنز دوربین را تعیین می‌کند. فاصله کانونی نقش مهمی در شکل‌دهی به میدان دید دارد، به طوری که فواصل کانونی بلند، میدان دید باریکی را ارائه می‌دهند در حالی که فواصل کانونی کوتاه‌تر قادر به ایجاد میدان دید وسیع هستند.

سیستم‌های MV معمولاً به یکی از دو نوع اصلی لنزهای کانونی متکی هستند: ثابت یا متغیر.

• ثابت . لنزهای ثابت که به دلیل فاصله کانونی ثابتشان به این نام شناخته می‌شوند، قادر به زوم نیستند اما می‌توانند برای میدان‌های دید خاص بهینه شوند. این لنزها که مقرون به صرفه و نصب آسانی دارند، در مکان‌های جمع و جور به خوبی کار می‌کنند.
• متغیر . لنزهای متغیر با فراهم کردن امکان تنظیم فاصله کانونی، تطبیق‌پذیری بیشتری دارند، به خصوص زمانی که به میدان دیدهای مختلف نیاز باشد. با این حال، این لنزها پیچیده‌تر و اغلب گران‌تر از لنزهای ثابت هستند. 

اجزای یک سیستم بینایی ماشین

۳. تکنیک‌های نورپردازی

صرف نظر از انتخاب لنز، نورپردازی مناسب برای ایجاد کنتراست قوی و افزایش کیفیت تصویر مهم است. این موضوع به ویژه زمانی اهمیت پیدا می‌کند که به تصاویر با جزئیات بالا نیاز باشد، زیرا نورپردازی ضعیف می‌تواند کارایی دوربین‌ها یا لنزهای با کیفیت بالا را به خطر بیندازد.

استراتژی‌های ارزشمند نورپردازی عبارتند از:

• نورپردازی از پشت . نورپردازی از پشت با استفاده از یک نور روشن در پشت جسم، یکی از ساده‌ترین راه‌حل‌ها را برای بهبود کنتراست و به خصوص برای نمایان‌تر کردن لبه‌های جسم (یا نقص‌های احتمالی) فراهم می‌کند.
• نورپردازی پراکنده . با پراکندگی نور، می‌توان رویکردی ملایم‌تر به روشنایی ایجاد کرد. این امر سایه را محدود می‌کند، تصاویر ثابتی ایجاد می‌کند و تضمین می‌کند که سیستم‌های MV قادر به تشخیص دقیق عیوب هستند.
• نورپردازی ساختاریافته . الگوها می‌توانند به گونه‌ای طراحی شوند که به طور هدفمند اعوجاج ایجاد کنند، که در واقع بینش ارزشمندی از شکل یا سطح یک شیء مشخص ارائه می‌دهد. این یک استراتژی به طور فزاینده‌ای برجسته برای تجزیه و تحلیل سه‌بعدی است. 

۴. نرم‌افزار پردازش تصویر و بینایی

اگرچه قطعاً ثبت تصاویر با کیفیت بالا مهم است، پردازش نیز اهمیت دارد. این امر تضمین می‌کند که سیستم‌های بینایی ماشین آنچه را که «می‌بینند» به درستی تفسیر می‌کنند. پیشرفته‌ترین راه‌حل‌های امروزی قابلیت‌های پردازش چشمگیری را ارائه می‌دهند:

• تشخیص نوری کاراکتر (OCR) . برای راهکارهای MV این امکان وجود دارد که به طور خودکار متن را از بارکدها یا برچسب‌ها تشخیص داده و حتی تفسیر کنند. این به نوبه خود، ردیابی اقلام را هنگام حرکت در محیط انبار آسان‌تر می‌کند. OCR همچنین می‌تواند برای اهداف کراس داکینگ مفید باشد و یک استراتژی رو به رشد برای بهبود کنترل کیفیت است.
• هوش مصنوعی . سیستم‌های MV امروزی به طور فزاینده‌ای از هوش مصنوعی بهره می‌برند، زیرا این امر امکان راه‌حل‌های خودکار مانند تشخیص اشیا و تشخیص الگو را فراهم می‌کند. این امر نویدبخش حرکت فراتر از استراتژی‌های بینایی ماشین مبتنی بر قوانین است که زمانی بر محیط انبار حاکم بودند.
• یادگیری عمیق . یادگیری عمیق با الهام از شبکه‌های عصبی، نوع خاصی از یادگیری ماشینی است که فرآیندهای انسانی را برای تصمیم‌گیری‌های پیچیده تقلید می‌کند. مدل‌هایی مانند شبکه‌های عصبی کانولوشن (CNN) می‌توانند برای طبقه‌بندی تصویر مفید باشند. این امر بدیهی است که برای مرتب‌سازی محصولات مفید است، اما ممکن است به سیستم‌های بینایی ماشین نیز اجازه دهد تا نقص‌ها را راحت‌تر شناسایی کنند. مسائلی مانند بسته‌بندی آسیب‌دیده نیز می‌توانند از طریق قابلیت تشخیص ناهنجاری شناسایی شوند. 

۵. ادغام با سیستم‌های اتوماسیون

بینایی ماشین نمی‌تواند به پتانسیل کامل خود برسد، مگر اینکه به درستی با سایر سیستم‌های انبارداری یا تولید، از جمله راهکارهای خودکارسازی‌شده، ادغام شود. پروتکل‌های ارتباطی نقش مهمی در این امر دارند، زیرا امکان تبادل کارآمد اطلاعات بین دوربین‌ها و سایر دستگاه‌ها را فراهم می‌کنند. پروتکل‌های ارتباطی، قابلیت همکاری بین اجزای سیستم MV را ارتقا می‌دهند. پروتکل‌های اترنت/IP به ویژه رایج هستند، اما پروتکل‌های سیگنال ورودی/خروجی (I/O) نوید افزایش همگام‌سازی را می‌دهند.

کنترل‌کننده‌های منطقی قابل برنامه‌ریزی (PLC) اغلب در کنار MV برای تقویت اتوماسیون برای ابتکارات مبتنی بر بینایی استفاده می‌شوند. این‌ها می‌توانند به عنوان واحدهای کنترل مرکزی عمل کنند و از طریق سیگنال‌های ورودی/خروجی و پروتکل‌های اترنت با اجزای ضروری ارتباط برقرار کنند. 

کاربردهای رایج سیستم‌های بینایی ماشین

سیستم‌های MV به طور فزاینده‌ای متنوع هستند و می‌توانند برای انواع مختلف عملکردهای مهم انبارداری، تولید و زنجیره تأمین مورد استفاده قرار گیرند. به طور کلی، این سیستم‌ها اتوماسیون را هدایت می‌کنند و به نوبه خود، پیشرفت‌های چشمگیری در بهره‌وری ایجاد می‌کنند. نمونه‌های خاص عبارتند از:

• اسکن پالت . مکان‌ها و محتویات پالت را می‌توان با استفاده از سیستم‌های پیشرفته MV که قادر به اندازه‌گیری ابعاد پالت، تشخیص نقص و بازرسی برچسب هستند، تأیید کرد.
• جمع‌آوری و بسته‌بندی . اگرچه سیستم‌های جمع‌آوری و بسته‌بندی خودکار از قبل کارآمد هستند، اما با استفاده از راهکارهای MV می‌توانند پیشرفت‌های چشمگیری داشته باشند. این رویکرد امکان بهینه‌سازی جمع‌آوری را فراهم می‌کند و سیستم‌های MV به شناسایی بهترین استراتژی‌ها بر اساس اندازه و مکان اقلام مختلف کمک می‌کنند.
• مدیریت موجودی . بینایی ماشین می‌تواند در تلاش‌های مداوم برای جلوگیری از کمبود یا موجودی بیش از حد مفید باشد. با گرفتن تصاویر از محصولات در حین ذخیره یا در حال حمل و نقل، MV می‌تواند این موارد را به صورت بلادرنگ شمارش کند تا سوابق موجودی را به‌روز نگه دارد. 

فناوری‌های نوظهور و روندهای آینده بینایی ماشین

پیشرفت‌ها در هوش مصنوعی و یادگیری ماشینی نویدبخش تغییر نحوه‌ی استفاده از بینایی ماشین، به ویژه در این دوره از ذخیره‌سازی داده محور هستند. تشخیص تصویر مبتنی بر هوش مصنوعی یکی از هیجان‌انگیزترین نوآوری‌ها را نشان می‌دهد، و یادگیری عمیق نویدبخش بهبود بیشتر مرتب‌سازی و تشخیص نقص است. در آینده، گیرنده‌های فریم نیز رایج‌تر خواهند شد و انتقال سریع‌تر داده‌ها را همراه با انعطاف‌پذیری بیشتر با ادغام بینایی ماشین فراهم می‌کنند.