IMPLEMENTACIÓN DE VISIÓN MÁQUINA PARA LA INSPECCIÓN Y CLASIFICACIÓN DE PIEZAS DE AUTOMOCIÓN
Sistemas de visión artificial Han trabajado durante mucho tiempo en la industria automotriz en casi todos los aspectos del proceso de producción, mejorando el control de calidad y racionalizando los procesos de fabricación. Debido a la naturaleza extremadamente personalizada de la fabricación de automóviles, los sistemas de inspección por visión artificial deben diseñarse para descubrir varios tipos diferentes de defectos dentro de un solo subconjunto.
La tecnología de visión artificial ofrece ventajas convincentes sobre la inspección humana, especialmente cuando se debe garantizar la calidad dentro del proceso general de inspección de fabricación de automóviles. Emparejamiento cámaras de visión artificial y las tecnologías con robots crean un sistema capaz de clasificar e inspeccionar componentes en presencia de incertidumbre posicional y fondos confusos. Un ejemplo de ello, que funciona especialmente bien para componentes pequeños, es una estación de inspección con múltiples cámaras y múltiples posiciones en un proceso de recolección de piezas guiado por visión desde un alimentador flexible con inspección de corto alcance en una plataforma dedicada.
Aplicaciones
INSPECCIÓN AUTOMATIZADA > INSPECCIÓN MANUAL
Comencemos con una pieza de automóvil simple y única que se inspeccionará automáticamente para detectar defectos en la superficie: la lente del faro del automóvil.1. En muchas instalaciones de fabricación, los faros están sujetos a una inspección manual por parte de un operador que los examina en condiciones especiales de iluminación, en busca de defectos superiores a 0.5 mm.
Los defectos que tengan las mismas propiedades ópticas que una superficie impecable de la lente serán más difíciles de detectar.
Esta imagen muestra algunas lentes de faros defectuosas (Imagen cortesía de Referencia 1)
Los principales inconvenientes de un proceso de inspección manual son el mayor tiempo invertido y la necesidad de trabajar con una amplia gama de modelos de lentes. Para ser más eficiente en un entorno de producción industrial real, un fabricante necesita:
- Detección fiable de defectos
- Inspección en tiempo real dentro de un período de tiempo específico
- Un sistema adaptable a la inspección de diferentes modelos de lentes
INSPECCIÓN POR VISIÓN MÁQUINA DE COMPONENTES AUTOMOTRICES MÁS PEQUEÑOS
Para garantizar la inspección de toda la lente del faro, teniendo en cuenta el tamaño más pequeño del defecto y también el tiempo del ciclo, el sistema de visión artificial debe emplear varias cámaras. Por ejemplo, el sistema de inspección resaltado en la Referencia 1 tiene nueve cámaras de visión artificial con la capacidad de cambiar la postura de las lentes con respecto a esas cámaras.
Los sistemas robóticos guiados por visión para artículos pequeños, especialmente aquellos con una superficie reflectante metálica, presentarán una tarea de control de calidad desafiante. Un ejemplo clave de pequeños componentes automotrices es KArtridge.TM Acoplamientos de frenos de aire. Estos acoplamientos conectan tubos dentro del sistema de frenado del vehículo. Kongsberg Automotive AS tiene un acoplamiento de producto multimaterial hecho de compuesto, metal y caucho. Un componente muy importante en estos acoplamientos es la arandela de estrella, que es una pieza metálica de uso general que asegura el agarre entre un acoplamiento y su carcasa.
muestra excelentes ejemplos de arandelas en estrella buenas y defectuosas.
Esta imagen muestra una arandela de estrella en buen estado (a la izquierda) y una arandela de estrella defectuosa (a la derecha) con varios defectos en la geometría de los dientes. (Imagen cortesía de Referencia 2)
Los sistemas de visión artificial enfrentarán desafíos debido a la reflectividad natural de la superficie metálica de las arandelas en estrella, junto con la variabilidad del color de un lote a otro. El pequeño tamaño de este tipo de componentes dificultará la inspección de piezas de las cámaras y la configuración de iluminación.
Las tareas impulsadas por máquina serán:
- Identificación de arandelas de estrella en el mecanismo de alimentación.
- Clasificación de la orientación de la arandela en estrella.
- Segmentación de los dientes de la arandela en estrella para inspección a corta distancia.
CÁMARAS DE INSPECCIÓN AUTOMOTRIZ
Emergent Vision Technologies tiene una amplia gama de opciones de cámaras para inspección y clasificación automatizadas, que incluyen 10GigE, 25 Gigas, y cámaras 100GigE desde 0.5 MP hasta 100 MP+. Todas estas cámaras tienen una variedad de velocidades de cuadro de hasta 3462 fps con una resolución completa de 2.5 MP para satisfacer diversas necesidades de imágenes.
Ciertas cámaras de visión artificial, como las cámaras de acceso remoto directo a memoria (RDMA), son bastante adecuadas para la inspección de piezas de automóviles. Esta tecnología permite el movimiento de datos entre dispositivos en una red sin participación de la CPU por paquete. Aprovechamiento de cámaras Tecnología GPUDirect También permite la transferencia de imágenes directamente a la memoria de la GPU, lo que se puede hacer usando Software emergente eCapture Pro. La implementación de esta tecnología ofrece cero utilización de CPU y cero imágenes de ancho de banda de memoria con cero pérdida de datos.
ARQUITECTURA CELULAR DEL SISTEMA DE VISIÓN MÁQUINA
Esta imagen muestra la arquitectura de comunicación de la celda demostradora con un controlador de robot Adept Viper s850 (Imagen cortesía de Referencia 2)
Para la recogida y manipulación de piezas, un Robot experto Viper s850 fue seleccionado para el sistema que se muestra en la Figura 3. La interfaz con el controlador del robot y la programación del robot se logra a través de un entorno de escritorio separado, con Adept Desktop versión 4.2.2.8, que se puede instalar en una PC dedicada. La programación se logra utilizando el lenguaje propietario V+.
La alimentación parcial se realizó utilizando un Cualquier alimentación SX240 alimentador flexible. Este alimentador está diseñado para la alimentación aleatoria de las piezas y se puede acoplar con un sistema de visión para la estimación de la pose (un visión de computadora tarea donde el objetivo es detectar la posición y orientación de una persona o, en este caso, de un objeto). El alimentador puede comunicarse con sistemas externos mediante una interfaz de comunicación RS-232. La superficie de recogida del alimentador también tiene retroiluminación, lo que simplificará aún más el procesamiento de imágenes y la identificación de piezas.
GPUDIRECT: IMAGEN SIN PÉRDIDA DE DATOS
En lugar de aprovechar interfaces patentadas o punto a punto y tableros de adquisición de imágenes, Emergent utiliza el GigE Vision estándar y la omnipresente infraestructura Ethernet para una adquisición y transferencia de datos confiable y sólida, con el mejor rendimiento de su clase. Emergent implementa una implementación GigE Vision optimizada y, con soporte para tecnologías de transferencia directa como NVIDIA GPUDirect, que permite la transferencia de imágenes directamente a la memoria de la GPU. La tecnología mitiga el impacto de grandes transferencias de datos en la CPU y la memoria del sistema y, en su lugar, utiliza una capacidad de GPU más potente para el procesamiento de datos, al tiempo que mantiene la compatibilidad con el estándar GigE Vision y la interoperabilidad con software y periféricos compatibles.
LA COINCIDENCIA DE PATRONES
El siguiente vídeo muestra con qué facilidad se puede crear y crear un prototipo de un algoritmo para realizar una coincidencia de patrones de alta calidad mientras solo se escribe el código Cuda de GPU personalizado.
INFERENCIA
El siguiente vídeo muestra con qué facilidad uno puede agregar y probar su propio modelo de inferencia entrenado para realizar la detección y clasificación de objetos arbitrarios. Simplemente entrene su modelo con PyTorch o TensorFlow y agréguelo a su propio complemento eCapture Pro. Luego cree una instancia del complemento, conéctese a la cámara que desee y haga clic en ejecutar; no hay nada más fácil que esto.
Con modelos bien entrenados, las aplicaciones de inferencia se pueden desarrollar e implementar con muchos Cámaras emergentes en una sola PC con un par de GPU que utilizan la funcionalidad GPUDirect de Emergent; nadie ejecuta aplicaciones de rendimiento como Emergent.
Fig 4: Siguiendo el modelo del cerebro humano, las redes neuronales son un subconjunto del aprendizaje automático en el corazón de los algoritmos de aprendizaje profundo que permiten que una computadora aprenda a realizar tareas específicas basadas en ejemplos de entrenamiento.
POLARIZACIÓN
Fig 5: En los sensores polarizados CMOS PolarSens de Sony, pequeños polarizadores de rejilla de alambre sobre cada lente tienen ángulos de polarización de 0°, 45°, 90° y 135° en grupos de cuatro píxeles.
CÁMARAS DE VISIÓN EMERGENTES GIGE PARA APLICACIONES DE INSPECCIÓN DE PIEZAS
Modelo | Chroma | Resolución | Cuadros por segundo | Interfaz | Nombre del sensor | Pixel Tamaño | |
---|---|---|---|---|---|---|---|
HR-5000-SM | Mono | 5MP | 163fps | SFP+ de 10 Gigas | Sony IMX250LLR | 3.45 × 3.45 µm | |
HR-5000-SC | Color | 5MP | 163fps | SFP+ de 10 Gigas | Sony IMX250LQR | 3.45 × 3.45 µm | |
HR-25000-SB-M | Mono | 24.47MP | 51fps | SFP+ de 10 Gigas | Sony IMX530 | 2.74 × 2.74 μm | |
HR-25000-SB-C | Color | 24.47MP | 51fps | SFP+ de 10 Gigas | Sony IMX530 | 2.74 × 2.74 μm | |
HB-65000-GM | Mono | 65MP | 35fps | SFP25 de 28 gigas | Gpíxel GMAX3265 | 3.2 × 3.2 µm | |
HB-65000-GC | Color | 65MP | 35fps | SFP25 de 28 gigas | Gpíxel GMAX3265 | 3.2 × 3.2 µm |
Para opciones de cámara adicionales, consulte nuestra herramienta de diseño de sistemas interactivos.