Šta je mašinska vizija
Mašinska vizija je tehnologija automatizacije vizuelnih operacija u proizvodnji, u cilju podizanja kvaliteta i efektivnosti proizvodnje. U te svrhe se koriste kamere za mašinsku viziju povezane sa računarom i ostalim komponentama proizvodne automatizacije.
Prednost upotrebe mašinske vizije u proizvodnji je smanjenje faktora ljudske greške i povećanja brzine reakcije u slučaju pojave greške.
Aplikacije mašinske vizije
Identifikacija
Jedna od primena mašinske vizije u proizvodnji je identifikacija proizvoda putem prepoznavanja serijskog broja i datuma proizvodnje u cilju klasifikacije proizvoda.
Ovi sistemi mašinske vizije oslanjaju se na softver za prepoznavanje karaktera OCR i njihovo prevođenje u računarski prepoznatljiv oblik radi dalje obrade podataka.
Merenje i provera dimenzija
Merenje i provera dimenzija je važan deo kontrole kvaliteta. Sistemi mašinske vizije našli su primenu u ovoj oblasti zbog svoje preciznosti.
Industrijska kamera je postavljena u fiksnoj poziciji u odnosu na traku sa proizvodima, prilikom prolaska proizvoda ispod kamere softver preuzima sliku sa kamere i meri rastojanje između predefinisanih tačaka i na taj način se dobija podatak o dimenziji, udaljenosti ili obliku. Na osnovu dobijenih podataka, šalje se signal na automatiku trake za izbacivanje komada koji ne prolazi kontrolu.
Otkrivanje grešaka i nedostataka
U proizvodnji se javljaju greške na proizvodima, koje je potrebno uočiti i takav proizvod ukloniti sa trake. Mašinska vizija može proveriti nedostajuće delove na proizvodima, kao što su elementi ambalaže (čepovi, poklopci i slično), neispravne lemove na PCB pločama, kao i nedostajuće elektronske komponente.
Sistemi mašinske vizije mogu biti tako projektovani da prate vizuelne karakteristike proizvoda kao što su boja i tekstura i uoče nedostatke i greške na istima (tekstil, štampa, varovi i slično). Mogu biti tako projektovani da otkrivaju različite grupe nedostataka i vrše klasifikaciju istih.
Zadaci sistema mašinske vizije
- Otkrivanje položaja dela proizvoda u odnosu na celinu, to može biti provera naleganja etikete na ambalaži, da li je neki deo proizvoda na mestu na kome je predviđeno. Takođe mašiska vizija može vršiti pozicioniranje objekta na traci u cilju vođenja robotske ruke do željenog mesta.
- Provera zatvorenosti boca i tegli, kao i naleganje nalepnica na ambalaži
- Provera popunjenosti ambalaže, kao što je nivo tečnosti u boci ili nivo praškastog materijala u vreći i slično.
- Provera kompletnosti pakovanja blistera za lekove u farmaciji
Veštačka inteligencija u mašinskoj viziji
Sistemi za mašinsku viziju, zasnovani na veštačkoj inteligenciji su najnovije dostignuće u vizuelnoj inspekciji i mašinskoj viziji. Fleksibilnost ovakvih sistema najviše se ogleda kod proizvoda sa varijabilnim izgledom ispravnog proizvoda, gde svaki proizvod svojim izgledom varira položajem, oblikom i vizuelnim karakteristikama, kao što je to slučaj u prehrambenoj industriji, voćarstvu, industriji keramike i opeke i slično.
Šta je veštačka inteligencija
Veštačka inteligencija predstavlja tehnologiju zasnovanu na imitaciji rada mozga životinja i ljudi u logičkom smislu. Konkretno u mašinskoj viziji koristi se veštačka neuralna mreža koja vrši prepoznavanje određenih vizuelnih karakteristika u cilju identifikacije i klasifikacije istih. Ovakva mreža se dobija procesom mašinskog učenja, odnosno serija slika sa željenim vizuelnim karakteristikama i detaljima, šalje se u proces “treniranja” neuralne mreže gde sistem izvlači zajedničke vizuelne karakteristike za određen vizuelni detalj i na taj način stiče sposobnost generalizacije, čime se dolazi do prepoznavanja odstupanja kod istih, ali vizuelno različitih detalja.
Sličnan je i način funkcionisanja biološkog mozga, npr. za neko drvo koje nikada nismo videli, znamo da je drvo na osnovu vizuelnih karakteristika kao što su lišće, grane, koren i sl., jer smo te vizuelne karakteristike naučili jer smo videli mnogo drveća pre toga.
Tehnološke komponente sistema veštačke inteligencije
Sistemi veštačke inteligencije sastavljeni su od tehničkih komponenata neophodnih za funkcionisanje ovakvih sistema. Te komponente su grafički procesori, koji se odlikuju paralelizmom odnosno mogućnošću obrade ogromne količine podataka paralelno.
Princip rada je da se slika razlaže na karakteristike koje su vezane za prelaze senki na svetle delove slike (gradijenti), uglove, karakteristične tačke na osnovu kojih algoritam za mašinsko učenje pravi tzv. konvolucijsku mrežu gde se sve ove karakteristike spajaju u objedinjeni brojevni rezultat koji predstavlja verovatnoću podudarnosti, na osnovu koje možemo odrediti da li se radi o objektu ili karakteristici za koju želimo da je sistem prepozna.
U namenu ovakve vrste obrade podataka najčešće se koriste grafički procesori i mikroračunari proizvođača NVidia koji predstavljaju namenske proizvode specijalno razvijene u ovu svrhu.
Vrste mašinskog učenja u sistemima veštačke inteligencije
Po vrstama mašinskog učenja sisteme veštačke inteligencije možemo razdvojiti na tri grupe:
- Sistemi sa nadziranim mašinskim učenjem
- Sistemi sa polunadziranim mašinskim učenjem
- Sistemi sa nenadziranim mašinskim učenjem
U sistemima mašinske vizije uglavnom se koriste sistemi sa nadziranim i polunadziranim učenjem. Princip rada sistema za nadzirano mašinsko učenje, zasniva se na direktnom učešću operatera u označavanju i klasifikaciji slika dobijenih sa kamere. Ovakav načih skupljanja podataka i treniranja neuralne mreže je najprecizniji, ali zahteva veliki broj unetih slika kako bi se došlo do visokog nivoa tačnosti.
Sistemi sa polunadziranim mašinskim učenjem rade na principu označavanja uzoraka u procesu treninga, sa kasnijom klasifikacijom rezultata, koje je doneo sistem na osnovu inicijalno unetih slika, na tačno predviđanje i netačno, i vraćanjem sistema u proces treninga iznova do postizanja željenog nivoa tačnosti.
Sistemi sa nenadziranim mašinskim učenjem se ređe koriste u sistemima mašinske vizije, a rade na principu “penala i nagrade”. Sistem donosi odluku o verovatnoći podudarnosti i za to dobija “penal” ili “nagradu”, ako je algoritam izvršio nagradu smatra se da je zadatak uspešno obavljen, a ako za predviđanje dobije “penal”, vraća se ponovo na početak i vrši proveru podudarnosti sa drugim parametrima. Proces se ponavlja iznova dok se ne dobije nivo željene tačnosti sistema.