Машинно зрение

Идеята за машинно зрение не е от скоро. Опити за конструиране на "виждащи" машини са правени преди много години, но едва с развитието на компютърните технологии масовото им навлизане в областта на производството се превърна в реалност. Вероятно и поради тази причина терминът машинно зрение или machine vision все още се използва и в смисъла на компютърно зрение или computer vision. За разлика от компютърното зрение, което е главно ориентирано към обработката на изображения, смисълът на машинното зрение е много по-широк. Наред с обработката на изображения и прилежащото им оборудване, в по-общия смисъл системите за машинно зрение включват и устройства с цифрови входове/изходи, предназначени за управление на производствено оборудване, например манипулатори и автоматични линии.

В техническите среди у нас, наред с термина машинно зрение се използват и редица други термини, например системи за визуална идентификация и системи за разпознаване (което е превод на думата идентификация, имаща латински произход). В този и следващи редакционни материали, посветени на темата, редакцията ще използва термина машинно зрение, основно заради широкото му използване в техническите среди, но така също и поради сходството му с аналогичния английски термин machine vision.

Визуалният контрол
е важна област от автоматизацията

Без съмнение, през последните няколко години машинното зрение се наложи като едно от новаторските направления в областта на индустриалната автоматизацията. В огромната си част системите за машинно зрение с твърдо заложен алгоритъм вече се възприемат от специалистите по автоматизация като остарели. Компютърно базираните системи все повече се налагат поради софтуерните преимущества, които предлагат като усъвършенствания графичен интерфейс, и лесното им и удобно приложение от инженерите, занимаващи се управление.

Техническото развитие на системите за машинно зрение е пряко свързано с тенденциите в електрониката, а именно все по-голяма степен на миниатюризация при все по-голяма функционалност. Например, разработването на визуалните сензори става възможно след интегрирането на визуален процесор в корпуса на камера. Компактността на системите за визулен контрол ги превръщат в удобно техническо средство за автоматизация.

Съвременните системи за машинно зрение са модерно направление от техниката, което съдържа елементи от компютърните технологии, оптиката, механичните системи и промишлената автоматизация. Едно от най-често срещаните приложения на машинното зрение е качественият контрол на готови или в процес на производство изделия в широко разнообразие от дейности, като производство на интегрални схеми, електронни изделия, автомобили, храни, фармацевтични продукти и много други. Съвременните системи за машинно зрение изключват субективния човешки фактор, оценявайки качеството на готовите елементи, използвайки цифрови интелигентни камери и софтуер за обработка на изображения.

Области на приложение на машинното зрение

Трудно е да се изброят всички възможни приложения на системите за машинно зрение в техническия свят. В следващите редове ще изброим част от производствените области, в които решенията за визуална идентификация са се превърнали в утвърден метод за контрол.

Системите с машинно зрение намират голямо приложение при производството на полупроводникови елементи. Всъщност, ако не се използва машинно зрение, печалбите от производството на електронни изделия ще бъдат значително по-малки. С помощта на автоматични "виждащи" системи се инспектира почти целият производствен цикъл - от изработването на силициевите пластини до наситените с елементи печатни платки.

Много широко е приложението на системите с машинно зрение в автомобилната индустрия. С помощта им се координира преместването по различните оси на промишлените роботи, определя се годността на щампованите метални детайли, следи се за дефекти повърхността на боядисаните автомобили.

Въпреки че повечето системи за машинно зрение са разработени за работа във видимата част на спектъра, съществуват и технологии, които използват други области на спектъра, като инфрачервена, например.

Други области на приложение на системите за машинно зрение са едросерийните производства, системите за сигурност в промишлена среда, управлението на складови запаси и наличности, управлението на автоматизирани превозни средства. Извън промишлеността машинното зрение също намира голямо приложение - в селското стопанство за осъществяване на контрол на готовата продукция, в медицината, като например интервентна радиология и дистанционно провеждане на изследвания и процедури, в търговията с цел автоматизиране продажбите на дребно и много други.

Осигуряват висока скорост на наблюдение

Системите за машинно зрение се програмират с оглед изпълнението на точно определени задачи като броене на обекти върху конвейер, четене на серийни номера и откриване на повърхностни дефекти. Производителите използват подобни системи, когато е необходима визуална инспекция, при необходимост от висока скорост на наблюдение, голяма степен на оптично увеличение, 24-часова непрекъсната работа и висока повторяемост на измерванията. Все по-често за тези задачи, традиционно изпълнявани от хора, се използват системи за машинно зрение. Сред най-подходящите са производства, при които процентът на неточности или дори аварии като правило е голям, вследствие на човешки грешки. На днешния етап от развитието на техниката, човекът все още превъзхожда машините във възможностите за по-детайлно възприемане на информация за кратък период от време. Също така, човешкото зрение се отличава с по-голяма гъвкавост в класификацията и адаптацията към търсене на нови дефекти или при промяна на нормите за осигуряване на качество.

Човешкото око все още е по-съвършено

Компютрите не "виждат" по аналогичен за човешките същества начин. Камерите не са еквивалентни на човешките очи. Докато хората могат да се осланят на подразбиращи се системи и допускания, то компютърните устройства трябва да "виждат" чрез изследване на отделните точки от изображението, да обработват получената информация и да разработват заключения с помощта на запаметени бази от познания и характеристики. Все по-актуални стават т.нар. машини за разпознаване на образци (pattern recognition), което е подразделение в нова област на науката, наричана "машинно обучение" или самообучаващи се системи. Тя се занимава с разработването на методи и алгоритми, които да позволят на компютрите да "учат". Най-общо казано, съществуват два типа "машинно обучение" - индуктивно и дедуктивно. Индуктивните методи за машинно учене извличат правилата и примерите (образците) от огромни масиви от данни. Дедуктивните методи се основават на подхода от общите принципи и условия, за да се установява специфичната (частната) информация.

Въпреки че някои алгоритми за машинно зрение са разработени да имитират човешката визуална перцепция, значителният дял от съществуващите методи за разпознаване са развити на базата на концепцията за обработване на изображенията. Известно е, че латинската дума перцепция, която означава възприемане, в областта на биологията и медицината представлява свойството на човека да възприема заобикалящия го свят. По-висшето ниво на перцепцията се нарича аперцепция и включва елементи на осмисляне на възприятието или, казано по друг начин, аперцепцията е способността за получаване на нови познания във връзка с получени познания (опит).

Съвременните системи за машинно зрение обикновено поддържат възможности за обработка на изображения, докато компютърно базираните системи за разпознаване на образи обикновено са проектирани да изпълняват единични, повтарящи се задачи. Въпреки значителното разширяване на функционалността и възможностите им, все още отсъстват системи за компютърно или машинно зрение, които да могат да съчетаят възможностите на човешкото зрение в смисъла на образно осмисляне, гъвкавост по отношение промените в осветяването (и от това последващото намаляване яснотата на образа), промяна в съставните елементи на изображението и др.

Основни елементи на системите за машинно зрение

Системите за машинно зрение включват комплекс от елементи. Основен възел в структурата им е една или няколко цифрови или аналогови камери (черно-бяла или цветна) с подходяща оптика за възприемане на изображения. Системите поддържат интерфейс на камерата за цифровизиране на образите, известен като "кадров уловител", или Frame grabber. Функцията му е да превърне аналоговите видеосигнали в цифров протокол, т.е. обратното на това, което прави графичният адаптер. Важен структурен елемент е и специализиран процесор - персонален компютър или вграден DSP (цифров сигнален процесор). Повече информация относно приложението и функциите на DSP бихте могли да намерите в брой 5/2007 г. на сп. Инженеринг ревю.

Когато се говори за структурата на една система за машинно зрение, не бива да се забравя входно/изходният хардуер, например цифрови входове/изходи или комуникационни връзки (мрежова връзка, RS-232 или др.) за предаване на резултатите. Системите включват още лещи за фокусиране на желаното поле от образа върху сензора за изображение, както и подходящи, много често специализирани източници на светлина - светодиодни (LED) излъчватели, флуоресцентни или халогенни лампи и др. Част от структурата са и програма за обработка на изображението и за откриване на съответните характеристики; синхронизиращ сензор за откриване обекта за проверка (много често това е оптичен или магнитен сензор), който превключва между получаване на изображението и обработката му; както и различни видове изпълнителни механизми, използвани да сортират или бракуват дефектните изделия от поточната линия.

Как работят системите за инспекция?

Функцията на синхронизиращия сензор е да определи кога обектът за наблюдение, обикновено движещ се върху конвейер, е в подходяща за контрол позиция. Сензорът включва камерата, за да направи снимка на изделието. Обикновено сензорът е вграден в самата камера и често синхронизира моментите на излъчване на светлинния импулс с оптималната контролна позиция на детайла за получаване на ясно изображение. Осветяването на елемента се прави с оглед подчертаване на особеностите на детайла, които представляват интерес за изследването, от една страна, и от друга, да се прикрият и намалят тези, които не са съществени за него, например отражения или сенки. За тази цел най-често се използват светодиодни панели с подходяща големина и разположение.

Изображението, заснето от камерата, се поема от уловителя на кадъра. Той представлява цифрово устройство, което би могло да бъде вградено в интелигентна камера или да бъде отделна карта за компютър. Кадровият уловител на изображението има за задача да преобразува изходният сигнал от камерата в цифров формат. Резултатът обикновено представлява двумерен масив от числа, отговарящ на нивото на светлинната интензивност на съответните точки от зрителното поле, наричани още пиксели. Другата важна задача, изпълнявана от уловителя, е да запише в компютърната памет така получените данни за изображението, за да могат те да се обработят от софтуера за машинно зрение.

Етапи на обработване на изображението

Като правило, полученият образ се обработва от софтуера в няколко последователни етапа. Най-често първият представлява манипулация, намаляваща шумовете или преобразуваща част от нюансите на сивото, в обикновена комбинация на черно и бяло (или т.нар. бинаризация). След това първоначално опростяване, софтуерът започва да брои, измерва и/или идентифицира обекти, размери, дефекти или други характеристики на изображението. Последният стадий в работата на програмното осигуряване е да вземе решение, съобразно заложените критерии, дали да пропусне или да отдели за брак разглеждания обект. При необходимост от бракуване, софтуерът ще изработи подходящи сигнали към механичното устройство, изпълняващо тази задача. Другата възможност е системата да спре производствената линия и да предупреди с определена аларма оператора, че трябва да определи проблема, предизвикал несъответствието.

Интелигентните камери се използват все по-широко

Доскоро повечето системи за машинно зрение бяха базирани на черно-бели камери, но днес използването на цветни камери непрекъснато се увеличава. Подобна е и тенденцията при цифровите камери, пазарният дял от които става все по-преобладаващ. Чрез тях се осигурява директно свързване на камерата, вместо да се използва отделен уловител на кадъра и по този начин се намалява деградацията на полезния сигнал.

Интелигентните камери с вграден процесор също се превръщат във все по-пазарно атрактивни. Използването на подобен процесор, който в повечето случаи е специално оптимизиран за този тип приложения, елиминира необходимостта от уловител на кадъра или външна карта с компютър. Чрез осигуряване на необходимата за приложението изчислителна мощност на всяка камера се намаляват цената и сложността, а често и енергоемкостта на системата. Днес се предлагат внедрени процесори, които притежават съпоставими или дори по-високи изчислителни възможности от PC-базираните системи.

Броене на пиксели и откриване на очертания

Програмното осигуряване на системите за машинно зрение, което се предлага на пазара, обикновено включва различни техники за обработка на изображения, някои от които са сравнително елементарни, а други се базират на много сложни алгоритми.

Броенето на пиксели е сред използваните техники. Представлява определяне на количеството светли и тъмни точки в изображението. Праговото преобразуване включва вече описаната преработка на сивите тонове в опростени черни и бели. Сегментацията се използва за локализиране и/или броене на цели елементи (изделия).

Откриването на очертания и манипулацията с тях е техника за обработка, която представлява проверка на изображението за наличие на отделни петна от свързани пиксели, например черни "вдлъбнатини" по сив обект. Изпълнението на техниката се състои в категоризиране на пикселите като принадлежащи към един от различни дискретни пикселови региони. Получените очертания могат да бъдат броени, филтрирани и проследени. След това те се маркират като трасиращи знаци на изображението. Очертанията обикновено представят оптичните цели за инструментална обработка, за манипулатори на роботи или за идентифициране на производствени дефекти.

Разпознаването по компоненти

е друг метод за обработка на изображения. Същността му се състои в извличането на геоните от оптичния вход. Терминът геони е производна на аgeons, което е съкратена форма на geometric icons или геометрични изоблажения. Геоните представляват елементарни, триизмерни тела, като сфери, цилиндри, кубове, конуси или клинове. Сред често използваните теории при обектно разпознаване е теорията на Бидерман за разпознаване по компоненти (Biederman’s recognition-by-components (RBC) theory), според която зрителният "вход" е подобие на структурни представяния на обекти в мозъка. Тези структурни представяния съдържат геони и техните взаимовръзки, например сладолед, който ще падне на земята, когато имаме представяне във вид на сфера, захлупена от конус, т.е. обърнат с основата си към нея. Геоните могат да се използват за представяне на огромен брой възможни обекти само с няколко компонента, например 24 геона могат да бъдат комбинирани така, че да създадат над 10 милиона различни обекта, състоящи се от 2 геона.

Разпознаване на образци, метод на оразмеряване

Друга техника за обработка на изображения е т.нар. твърдо разпознаване на образец (pattern recognition). Представлява локализация на обект, който може да бъде завъртян, частично закрит от друг обект или да бъде с променлива големина. Основният принцип, върху който се базира този метод, е възприемане на необработени данни и провеждане на действие, базирано върху раздел или категория от данни. Целта при разпознаването на образец е класифициране на данни, т.е. на образци, основано или на априорни познания за дадения обект, или на статистическа информация, извлечена от образците. Тези, които ще бъдат класифицирани, обикновено представляват групи от измервания и наблюдения, дефинирайки точки в подходящо, многомерно пространство.

Сред много разпространените методи за обработка е прочитането на лентов код (barcode). Включва декодиране на едномерни или двумерни кодове, които са специално проектирани да бъдат четени или сканирани от машини.

Друга техника е оптичното разпознаване на символи (optical character recognition). Представлява автоматично прочитане на текст, като например серийни номера.

Оразмеряването (gauging) е стар метод, който се използва и днес. Определянето на размерите на обекта понякога е много полезно при обработката на полученото изображение. Подобна на тази техника е методът за откриването на ръбовете на обекта. Друга традиционна техника е съответствието на шаблон (template matching). Състои се в търсене и проверка за съответствие на специфични шаблони.

Във функцията им на ключов елемент от системите за машинно зрение, цифровите камери ще бъдат детайлно разгледани в следващи броеве на сп. Инженеринг ревю.