Виявлення дефектів поверхні за допомогою анотації зображення комп’ютерного бачення
Виробнича промисловість повинна забезпечити високу якість своєї продукції. Тому їм потрібно швидко й точно виявляти дефекти. Тому контроль якості (QC) є важливим для багатьох виробничих процесів.
У минулому люди проходили контроль якості. Але це займає багато часу та потребує досвіду та навичок працівників. Вирішенням цієї проблеми є анотація зображення комп’ютерного зору. Він може бути набагато ефективнішим у виявленні дефектів, ніж люди, і більш послідовним.
Виявлення поверхневих дефектів є важливим процесом у обробній промисловості. Це допомагає компаніям гарантувати, що продукти без дефектів і готові до доставки. Поверхня багатьох деталей схильна до дефектів, які можуть призвести до поганої роботи та втрати матеріалу.
Коли мова йде про металеві поверхні, процес контролю якості може бути досить складним. У цій статті досліджується, як методи комп’ютерного зору (CV) виявляють ці дефекти на поверхнях.
Використання комп’ютерного зору для виявлення дефектів поверхні
Системи комп’ютерного зору можуть виявляти дефекти поверхні, які не видно людському оку. Наприклад, деякі можуть визначити шорсткість поверхні та пористість. Поверхневі дефекти часто важче помітити, ніж внутрішні. Вони можуть спричинити серйозні проблеми, якщо їх не помітити.
Недосконалості можуть бути на різних поверхнях і на глибині (наприклад, субконічні). Крім того, дефекти не завжди помітні зовні. Деякі з них можна виявити лише за допомогою спеціального обладнання. Щоб виявити дефекти в матеріалі, вам доведеться навчити машину їх ідентифікувати. Або потрібні такі технології, як оптична когерентна томографія (ОКТ).
Методи обробки зображень можуть виявити розташування певних дефектів поверхні деталей. Ці методи також визначають тип і тяжкість дефектів. Приклади включають лазерні тріангуляційні сканери (LTS) або проектори структурованого світла (SLP).
Як навчити системи комп'ютерного зору
Анотація зображення комп’ютерного зору є потужним інструментом контролю якості. Він може виявляти дефекти продукту та позначати зображення, як-от «подряпини» або «без подряпин». Одним із поширених способів використання комп’ютерного зору є контроль якості виробництва.
Роботи роблять ці фотографії за допомогою камер, які подорожують по заводському цеху. Вони сканують продукти на своєму шляху та фотографують кожні кілька сантиметрів. Потім ці зображення надсилаються в комп’ютерну програму. Він аналізує їх піксель за пікселем, щоб знайти подряпини, тріщини чи інші дефекти поверхні.
Навчання моделі виявляти дефекти вимагає великої кількості вибірок даних. Чим різноманітніші дані, тим кращою буде ваша модель. Ваша нейронна мережа може досягти високої точності, якщо у вас є достатньо прикладів (дефектних і недефектних).
Ви можете позначати дані вручну або автоматично залежно від типу дефекту, який ми хочемо виявити. Автоматизоване маркування робить можливим набагато швидший і дешевший підхід. Але високої точності це не забезпечить. Ручне маркування має вищу точність, але вимагає багато часу та досвіду людини.
Максимальна точність даних
Як і в будь-якому алгоритмі машинного навчання, точність залежить від ваших навчальних наборів даних. Щоб створити чудовий класифікатор, ви повинні мати сотні чи тисячі зразків у кожній категорії. Чим більше даних ви зможете зібрати та позначити, ваша модель буде краще навчена.
Це породжує іншу проблему. Якщо ваша модель спочатку не дуже точна, не буде достатньо позачених прикладів для її навчання. І якщо з часом він не покращиться він не зможе робити точні прогнози щодо нових точок даних.
Визначення конкретних типів дефектів
Першим кроком є визначення конкретних типів дефектів, які ви намагаєтеся виявити. Наприклад, якщо ви маєте справу з дефектами фарби автомобіля. Потім створіть навчальні набори даних із зображеннями цих дефектів. Тоді ваш алгоритм машинного навчання зможе навчитися їх ідентифікувати.
Хороший набір даних складається із зображення з дефектами та іншого зображення без дефектів. Програмне забезпечення має розпізнати різницю між цими зображеннями. Він повинен вміти розрізняти два типи зображень.
Використовуйте високоякісні набори даних, що представляють усі можливі дефекти, які можуть виникнути. Тоді, якщо у вас є достатньо даних про кожен тип дефекту, ви можете використовувати алгоритми комп’ютерного зору, щоб знайти їх.
Оптимізація наборів даних
Оптимальний вхід для комп'ютерного зору містить зображення різноманітних подряпин і вм'ятин. Таким чином анотація зображень комп’ютерного зору може виявляти та класифікувати типи дефектів. Оптимізуйте набори даних, використовуючи наступне:
- камера з високою роздільною здатністю
- високоякісний об'єктив
- оптимальні умови освітлення
- досить великий розмір вибірки
Ви також можете використовувати багато фотографій з різних ракурсів і з різних відстаней. Ці дані дадуть вашому алгоритму більше можливостей для роботи під час визначення наявності дефекту.
Наприклад, ви можете використовувати визначення країв, щоб шукати різкі зміни кольору або яскравості. Після цього ви можете застосувати аналіз текстури для пошуку областей з високим контрастом. Нарешті, ви можете використовувати визначення країв, щоб знайти краї, які не відповідають оточенню.
Обробка та класифікація зображень
Одним із способів класифікації зображень є нейронна мережа, різновид штучного інтелекту. Цей метод використовує алгоритм, який може вивчати дані. Потім він робить прогнози на основі шаблонів, які бачив раніше.
Потім ви передаєте ці фотографії в алгоритм згорткової нейронної мережі (CNN). Ви можете навчити його для цієї мети. CNN сканує кожне фото та порівнює його з іншими зображеннями. А потім він може дізнатися, чим відрізняється пластина без подряпин від пластини з подряпинами. Отримавши цю інформацію, він може передбачити, чи містить зображення дефект. Цей тип алгоритму використовує «навчання без нагляду».
Висновок
Виявлення поверхневих дефектів має багато застосувань у виробництві та робототехніці. Наприклад, ви можете використовувати його для перевірки якості поверхні виготовлених виробів. Або виявляти дефекти деталей конвеєра.
Анотація зображень комп’ютерного зору використовує алгоритми для аналізу зображень. Він знаходить шаблони, які вказують на дефекти або інші проблеми з продуктом. Ви можете навчити ці алгоритми шукати конкретні недоліки та недосконалості.
Анотація зображень дозволяє будь-кому легко виявляти дефекти поверхні за допомогою комп’ютерного зору. Ви можете додавати анотації до своїх зображень або доручити їх обробити нашій професійній власній групі анотацій.