Machine vision hay còn gọi là thị giác máy là công nghệ cho phép kiểm tra và phân tích tự động cho các ứng dụng bao gồm kiểm tra tự động, kiểm soát quá trình và hướng dẫn bằng rô bốt bằng cách sử dụng xử lý hình ảnh. Điều quan trọng cần biết là khi đề cập đến Machine vision, có thể đề cập đến nhiều công nghệ, sản phẩm phần mềm và phần cứng, hệ thống tích hợp, hành động, phương pháp và kiến thức chuyên môn.
Machine vision là một khả năng kỹ thuật được tích hợp với các công nghệ hiện có theo những cách mới và áp dụng nó với mục đích giải quyết các vấn đề trong thế giới thực.
Machine vision là một ngành kỹ thuật hệ thống và có thể được coi là khác biệt với Computer vision[thị giác máy tính], một dạng khoa học máy tính và không được thực hiện thông qua một phần cứng hữu hình như hộp thị giác hoặc máy ảnh gắn với rô bốt.
Machine vision là cơ thể của một hệ thống và Computer vision là trí thông minh của hệ thống, tương tự như cách một máy tính là khung cho những gì bên trong chẳng hạn như các chip máy tính cung cấp năng lượng cho máy tính.
Nếu không có Computer vision, Machine vision không thể hoạt động vì nó là bộ não xử lý thông tin. Điều quan trọng cần lưu ý là khi công nghệ Computer vision tiến bộ, nó sẽ làm tăng khả năng các ứng dụng tiềm năng cho Machine vision tăng lên tương ứng. Computer vision có thể xử lý hình ảnh có thể không phải là ảnh hoặc video và thay vào đó là hình ảnh từ cảm biến nhiệt hoặc hồng ngoại, máy dò chuyển động hoặc các nguồn khác.
Hệ thống Machine vision đã được đưa vào hoạt động từ những năm 1950 và từ năm 1980 đến 1990, công nghệ này thực sự bắt đầu phát triển và trở nên phổ biến.
Machine vision đang ngày càng trở nên phổ biến trong các môi trường tự động hóa công nghiệp đồng thời cũng được sử dụng thường xuyên hơn trong các ngành khác như: an ninh, xe tự hành, lắp ráp, sản xuất thực phẩm, điện tử, đóng gói và logistics đồng thời cũng được đưa vào robot và máy bay không người lái.
Machine vision có thể được tích hợp với các công nghệ như học sâu[deep learning] và học máy[machine learning] để giúp các doanh nghiệp sử dụng công nghệ này hiểu dữ liệu tốt hơn và tối ưu hóa hoạt động kinh doanh để đạt hiệu quả cao hơn, ví dụ như cách BMW sử dụng công nghệ này cùng với AI và học máy để tăng hiệu quả.
Kiểm tra và phân loại hình ảnh
Các ứng dụng chính của công nghệ là kiểm tra, phân loại và hướng dẫn tự động dựa trên hình ảnh. Công nghệ này có thể được áp dụng cho robot để nó phát hiện nơi để đồ hoặc nơi lấy đồ còn được gọi là chọn và đặt trong khi nó cũng có thể được áp dụng cho một phần của giải pháp end-to-end tại nhiều điểm của hệ thống để phát hiện, kiểm tra và phát hiện các bộ phận cần thiết trong toàn bộ hệ thống.
Công nghệ này có thể được sử dụng với một máy ảnh quang phổ giúp bổ sung màu sắc cho hình ảnh và khi các đối tượng được kiểm tra và phân loại. Tuy nhiên, phương pháp này đi kèm với sự chậm trễ vì máy sẽ mất nhiều thời gian hơn để xử lý dữ liệu do hình ảnh có độ chi tiết cao hơn.
Thật vậy, hệ thống Machine vision có thể được thiết kế và triển khai thành một hệ thống theo cách riêng để phù hợp với các yêu cầu ứng dụng. Các yêu cầu đối với hệ thống có thể sẽ khác nếu ứng dụng dành cho ngành thực phẩm và đồ uống so với nếu nó cần được sử dụng cho ngành công nghiệp ô tô.
Hệ thống thị giác máy có thể kiểm tra và phân loại một loạt các đối tượng và vật phẩm trong nhiều ngành công nghiệp bao gồm ô tô, điện tử và chất bán dẫn, thực phẩm và đồ uống, giao thông đường bộ và xe cộ hoặc hệ thống giao thông thông minh [ITS], hình ảnh y tế, đóng gói, dán nhãn và in ấn, dược phẩm, phát triển khoa học và phát sóng truyền hình.
Phương pháp và trình tự hoạt động
Đây là bước đầu tiên trong trình tự kiểm tra tự động vì máy ảnh cần nhìn thấy đối tượng hoặc mục mà nó sẽ chụp và gửi đến bộ xử lý để xử lý hình ảnh. Tùy thuộc vào mức độ chi tiết yêu cầu sẽ thay đổi loại máy ảnh cần thiết để chụp ảnh, có thể từ máy ảnh tiêu chuẩn và máy ảnh rộng đến máy ảnh 3D.
Sau đó, các gói và chương trình phần mềm Machine vision sẽ sử dụng các kỹ thuật xử lý hình ảnh kỹ thuật số khác nhau để trích xuất thông tin cần thiết và đưa ra quyết định phải làm gì với hình ảnh, thường bằng cách chuyển nó sang phần tiếp theo của quy trình, chuyển hướng nó sang một quy trình khác, hoặc loại bỏ mặt hàng đó khỏi hệ thống sản xuất hoặc phân phối.
Thiết bị machine vision
Tùy thuộc vào vai trò của Machine vision trong hệ thống và ứng dụng của công nghệ được thiết kế để trở thành một giải pháp sẽ thay đổi loại thiết bị nào mà hệ thống vision sẽ cần. Một số hệ thống sẽ chỉ cần một vài bộ phận trong khi những hệ thống khác sẽ yêu cầu nhiều bộ phận giống nhau trên toàn bộ dây chuyền xử lý hoặc hệ thống giải pháp.
Ví dụ: nếu hệ thống yêu cầu kiểm tra khi một sản phẩm được đưa vào dây chuyền xử lý, thì các nhãn khác nhau được kiểm tra trong suốt quá trình của hệ thống và khi sản phẩm đến giai đoạn cuối cùng, nó có thể cần phát hiện kỹ hơn các lỗi cụ thể, nó sẽ có nhiều chi tiết hơn so với một mặt hàng chỉ cần nhãn để được kiểm tra bằng máy ảnh tiêu chuẩn.
Tuy nhiên, hầu hết các thành phần của hệ thống phân loại và kiểm tra tự động thường sẽ bao gồm một số hình thức chiếu sáng để làm cho đối tượng rõ ràng và có thể nhìn thấy được, một camera để nhìn thấy đối tượng, một bộ xử lý, phần mềm để hiểu bộ xử lý và một thiết bị đầu ra hoặc con người. màn hình giao diện [HMI] để trực quan hóa dữ liệu.
Camera
Có nhiều loại camera khác nhau dành cho hệ thống Machine vision với các giao diện, pixel, độ phân giải và tính năng khác nhau. Máy ảnh là thiết bị chính để kiểm tra đối tượng hoặc mục trong hệ thống Machine vision.
Có thể hệ thống cần sử dụng nhiều camera cho một quá trình được gọi là camera kép. Điều này có nghĩa là có nhiều camera cho một điểm kiểm tra và kiểm tra cụ thể để đảm bảo rằng một bộ phận ẩn khác có thể được kiểm tra đúng cách.
Smart cameras – camera thông minh
Cần có một máy ảnh thông minh khi hệ thống thị giác máy cần chụp và trích xuất thông tin dành riêng cho ứng dụng từ một hình ảnh. Máy ảnh thông minh có khả năng tạo mô tả và đưa ra quyết định. Một camera thông minh thường có đầy đủ các giao diện giao tiếp cần thiết cũng như có thể kết nối với wifi hoặc máy chủ để dễ dàng truyền dữ liệu hình ảnh đã chụp.
3D camera
Máy ảnh 3D cho phép độ sâu của một mục được hiển thị trong một hình ảnh để hiển thị các góc khác nhau của hình ảnh và đưa ra ý tưởng về hình dạng của một mục. Bằng cách sử dụng máy ảnh 3D trong hệ thống Machine vision, nó sẽ cho phép các góc nhìn khác nhau và cảm nhận độ sâu.
Camera nhiệt
Máy ảnh ảnh nhiệt là một loại máy ảnh nhiệt đồ hiển thị hình ảnh thông qua bức xạ hồng ngoại cho thấy các vùng nhiệt trên hình ảnh.
Phần mềm
Hệ thống Machine vision yêu cầu phần mềm trực quan hóa dữ liệu và hiển thị những gì camera đang nhìn để người vận hành phân tích và bảo trì hệ thống cũng như lập trình các chức năng của phần cứng. Có các phần mềm có sẵn khác nhau có thể phù hợp với những gì hệ thống Machine vision cần làm và những dữ liệu nào cần được hiển thị cho người vận hành từ hệ thống.
Những hệ thống nhúng
Hệ thống nhúng cho Machine vision, còn được gọi là máy tính hình ảnh, là một máy ảnh không có vỏ hoặc khung được kết nối trực tiếp với bảng xử lý. Điều này kết hợp tất cả các bộ phận trong một máy tính bảng duy nhất. Do ngày càng có nhiều thư viện mã nguồn mở cho máy học và AI, nhiều hệ thống thị giác máy tính đang được triển khai dưới dạng hệ thống nhúng hoặc thiết bị IoT.
Đèn chiếu sáng
Những điều này bổ sung ánh sáng cho hệ thống để máy ảnh có đủ ánh sáng để chụp ảnh. Tùy thuộc vào chi tiết được yêu cầu trong hình ảnh sẽ thay đổi loại ánh sáng cần thiết để hệ thống thị giác máy xác định những gì nó cần.
Lens – Ống kính
Ống kính sẽ xác định độ phân giải mà máy ảnh và hệ thống thị giác máy có thể chụp ảnh ở độ phân giải nào. Điểm ảnh của máy ảnh càng cao thì độ phân giải của ống kính càng cao và máy ảnh sẽ có kích thước càng lớn.
Máy tính hiệu suất cao
Không phải lúc nào bạn cũng cần phải có một hệ thống máy tính hiệu suất cao. Chúng sẽ được yêu cầu khi xử lý khối lượng lớn các mặt hàng với các chi tiết khác nhau.
Những điều này cho phép hệ thống Machine vision xử lý thông tin với tốc độ nhanh hơn và thường sẽ được yêu cầu nếu hệ thống đang sử dụng một khả năng như học máy, học sâu hoặc mạng thần kinh.
Cáp
Như với tất cả các công nghệ và ứng dụng, hệ thống Machine vision yêu cầu cáp nguồn đi đến nguồn điện chính để hoạt động và cáp kết nối giữa giao diện người dùng như máy tính xách tay hoặc trung tâm dữ liệu. Tuy nhiên, các hệ thống Machine vision ngày càng có thể được sử dụng bằng cách kết nối với đám mây để di chuyển dữ liệu sang nền tảng trực quan hóa hoặc dữ liệu trong thời gian thực.
Xác minh nhãn
Tùy thuộc vào ứng dụng mà hệ thống đang được sử dụng sẽ thay đổi loại xác minh nhãn nào là cần thiết. Đối với một ngành như thực phẩm và đồ uống, sẽ có nhiều kiểm tra chi tiết hơn về bao bì, chẳng hạn như thực phẩm là gì và bán theo ngày là gì.
Đơn vị xác minh nhãn có thể gửi cảnh báo, dừng hệ thống di chuyển, xác minh một mặt hàng, từ chối các mặt hàng khỏi quy trình và đủ điều kiện các cảnh báo được đưa ra. Tùy thuộc vào mức độ chi tiết cần thiết sẽ thay đổi hệ thống xác minh nhãn nào là cần thiết. Máy ảnh có khả năng nhìn bằng máy được tích hợp vào bộ phận xác minh nhãn. Chúng phổ biến trong các dây chuyền sản xuất và hệ thống kiểm soát chất lượng.
Robots
Robot ngày càng được tích hợp Machine vision để cải thiện hiệu quả và độ chính xác. Nó cho phép rô bốt thực hiện các nhiệm vụ phức tạp hơn mà hệ thống sẽ không thể thực hiện được nếu không có hệ thống cho rô bốt biết chính xác vị trí đặt vật phẩm.
Quá trình nhận hình ảnh machine vision
Thiết bị được sử dụng để chụp ảnh [một số loại máy ảnh được thảo luận ở trên] sẽ tách biệt khỏi bộ phận xử lý hình ảnh chính hoặc kết hợp với nó sẽ là sự kết hợp của máy ảnh thông minh và cảm biến thông minh.
Khi chức năng xử lý đầy đủ xảy ra trong cùng một vỏ bọc, điều này đang sử dụng xử lý nhúng và khi nó được tách ra, nó sẽ được xử lý trong một phần cứng khác hoặc được gửi đến bộ lấy khung trong máy tính bằng công cụ trực quan hóa như: Camera Link hoặc CoaXPress để có ý nghĩa của hình ảnh.
Cũng có thể sử dụng máy ảnh kỹ thuật số có khả năng kết nối trực tiếp mà không cần bộ lấy khung hình với máy tính qua FireWire, USB hoặc Gigabit Ethernet[GigE].
Thông thường, hệ thống Machine vision sử dụng hình ảnh 2D thông thường trong các tình huống ánh sáng tiêu chuẩn. Tuy nhiên, khi một đối tượng yêu cầu ánh sáng cụ thể cần lưu ý các khiếm khuyết, ví dụ như hệ thống thị giác máy có thể sử dụng hình ảnh đa kính, hình ảnh siêu kính, dải hồng ngoại, hình ảnh quét đường, hình ảnh 3D và hình ảnh tia X.
Sự khác biệt chính là hình ảnh ánh sáng nhìn thấy 2D thông thường là đơn sắc so với ánh sáng phức tạp hơn xem xét các yếu tố như màu sắc, tốc độ khung hình, độ phân giải và liệu quá trình hình ảnh có đồng thời trên toàn bộ hình ảnh hay không, làm cho nó phù hợp với các hệ thống yêu cầu công nghệ để theo dõi các mục chuyển động cụ thể.
Quá trình xử lý hình ảnh
Sau khi hình ảnh được chụp, nó sẽ tiếp tục được xử lý thường bởi một đơn vị xử lý trung tâm thường được thực hiện bởi CPU, GPU, FPGA hoặc kết hợp cả ba. Tùy thuộc vào kích thước của hệ thống mà thiết bị Machine vision đang được sử dụng sẽ thay đổi đơn vị xử lý nào cần thiết.
Ví dụ: nếu đó là một hoạt động nhỏ chỉ cần kiểm tra hàng chục mục mỗi ngày so với một hệ thống lớn hơn cần kiểm tra hàng chục mục mỗi phút, thì đơn vị xử lý có thể sẽ khác nhau về những gì cần thiết để xử lý khối lượng dữ liệu. Nếu hệ thống Machine vision được sử dụng để triển khai đào tạo máy và học sâu, thì nó có thể đòi hỏi các yêu cầu về hiệu suất và xử lý thông số kỹ thuật cao hơn.
Xử lý hình ảnh tham gia vào một trình tự cung cấp kết quả hoàn chỉnh cho những gì mà hệ thống Machine vision đang được sử dụng để hiển thị cho người dùng cuối.
Một chuỗi điển hình thường sẽ bắt đầu bằng các công cụ như bộ lọc sửa đổi hình ảnh, sau đó các đối tượng hoặc mục sẽ được trích xuất hình dạng và chi tiết của chúng, tiếp theo là dữ liệu cụ thể cần được trích xuất từ hình dạng hoặc mục đó [ví dụ: mã vạch, phép đo, điểm đến hoặc mã bưu điện], dữ liệu này sau đó sẽ được thông báo với đơn vị xử lý để hiển thị nơi mặt hàng cần được gửi hoặc nếu mặt hàng đã qua kiểm tra / không đạt, v.v.
Có một loạt các bộ lọc cho hệ thống Machine vision sử dụng và các phương pháp xử lý hình ảnh sẽ được áp dụng. Thật vậy, tùy thuộc vào mục đích mà Machine vision đang được sử dụng sẽ ảnh hưởng đến những bộ lọc và phương pháp xử lý hình ảnh nào sẽ cần được sử dụng.
Stitching/Registration
Đây là quá trình kết hợp hình ảnh từ các camera chụp ảnh khác nhau. Trong hầu hết các trường hợp, nó sẽ là sự kết hợp của một máy ảnh 2D với một máy ảnh 3D.
Lọc
Tính năng lọc cho phép hệ thống Machine vision phân loại hình ảnh một cách thích hợp và ‘lọc’ hình ảnh thành một danh mục khớp với các thẻ phù hợp. Các vật phẩm đi qua hệ thống thị giác máy càng phức tạp, thì càng có nhiều khả năng tăng bộ lọc cho vật phẩm đó.
Các bộ lọc tương tự như đo lường hoặc đo lường theo nghĩa là các khía cạnh như hình dạng, kích thước, vật liệu và trọng lượng có thể là bộ lọc để thị giác máy kiểm tra và xem xét.
Thresholding
Quá trình này cho phép tách hình ảnh thành nhiều phần. Điều này yêu cầu hệ thống đặt giá trị màu xám cho hình ảnh để phân tách phần nào. Thresholding có thể được sử dụng để tách các phần nhất định của hình ảnh thành màu đen và trắng cần được xác định là khác với phần còn lại của hình ảnh.
Đếm Pixel
Quá trình này đếm số lượng pixel sáng hoặc tối trong ảnh và thường được thực hiện bởi các cảm biến đếm pixel. Quy trình này có thể được sử dụng trên một hệ thống đóng gói nơi các cảm biến đếm pixel có thể phát hiện nhãn chai bằng cách kết hợp các pixel để tạo thành hình ảnh chai đó là chai.
Phân đoạn
Đây là quá trình chia nhỏ hình ảnh kỹ thuật số thành nhiều phân đoạn để đơn giản hóa hoặc thay đổi hình ảnh đại diện thành một hình ảnh có ý nghĩa và dễ dàng hơn để phân tích đối tượng hoặc mục đó là đối tượng hoặc mục nào thuộc danh mục nào.
Phát hiện cạnh
Cho phép tầm nhìn của máy để xem các cạnh của các mặt hàng đang trong quá trình. Thông qua học máy, công nghệ có thể được dạy cách phát hiện các cạnh khác nhau có thể được yêu cầu để phân loại các mục hoặc đối tượng trên quy trình.
Phân tích màu sắc
Điều này cho phép hệ thống Machine vision xác định và đánh giá chất lượng của các bộ phận, sản phẩm và vật phẩm bằng cách sử dụng màu sắc. Theo cách tương tự, nó cũng có thể cô lập các tính năng, mục hoặc sản phẩm bằng cách sử dụng màu sắc để xác định lỗi, thay đổi, khác biệt hoặc các khuyết tật khác nhau.
Phát hiện và chiết xuất đốm màu
Khả năng này có thể phát hiện một hình ảnh cho các đốm màu rời rạc của các pixel được kết nối, cho phép hệ thống nhận thấy lỗi bằng cách phát hiện các khoảng trống hoặc các khoảng trống khác nhau được lấp đầy cho những gì nên có.
Machine learning, deep learning và mạng nơ-ron
Ba công nghệ có thể được sử dụng để xử lý các mục thông qua hệ thống Machine vision với tốc độ nhanh hơn là học máy, học sâu và mạng nơ-ron.
Ba công nghệ này có thể được áp dụng để mở rộng hiểu biết về Machine vision về những gì cần phát hiện, biến chúng thành tài sản quý giá đối với Machine vision nếu có các đối tượng hoặc hạng mục phức tạp và khác nhau được kiểm tra bằng Machine vision.
Nhận dạng mẫu
Bằng cách sử dụng nhận dạng mẫu, hệ thống Machine vision có thể tìm, khớp và đếm các mẫu cụ thể xuất hiện trên dây chuyền quy trình. Các mẫu khác nhau hoặc các mẫu phức tạp hơn cần chú ý có thể được dạy cho máy thông qua máy học hoặc học sâu. Ví dụ về điều này có thể là các đối tượng hoặc mục có thể được xoay, bị ẩn một phần bởi một đối tượng khác hoặc thay đổi về kích thước.
Đọc dữ liệu
Đây là khả năng đọc dữ liệu trên nhãn hoặc trên các mặt hàng thường thông qua ma trận dữ liệu [mã QR], mã vạch hoặc nhận dạng tần số vô tuyến [RFID]. Ví dụ như mã vạch cho các mặt hàng cụ thể ghi nhãn quần áo đó là quần áo gì hoặc đọc mã vạch hiển thị phần của quốc gia hoặc quốc gia mà mặt hàng cần được gửi đến để phân loại thêm.
Mức độ đọc dữ liệu của hệ thống thị giác máy có thể thay đổi và có thể trở nên phức tạp hơn, đặc biệt là khi sử dụng tính năng quét RFID do các thẻ khác nhau có thể được sử dụng cho các mục khác nhau.
Nhận dạng ký tự
Tương tự như việc đọc dữ liệu, điều này cho phép hệ thống Machine vision đọc văn bản và số như thẻ, danh mục hoặc số sê-ri. Văn bản càng trở nên phức tạp, bạn càng cần phải nâng cấp khả năng Machine vision của mình thông qua đào tạo hệ thống bằng máy hoặc học sâu.
Đo lường hoặc đánh giá
Cho phép khả năng đo kích thước các mục hoặc đối tượng trong giai đoạn xử lý hình ảnh. Điều này cho phép hệ thống thị giác hiểu được kích thước của vật thể bằng nhiều đơn vị đo lường khác nhau như pixel, inch, milimét, chiều dài, thời gian, trọng lượng, v.v.
Kết quả quyết định
Đây là những gì đối tượng hoặc vật phẩm đi qua hệ thống sẽ được đo lường để xem nó đi đến đâu trong quá trình. Ví dụ: nếu một sản phẩm không đáp ứng các tiêu chuẩn bắt buộc, sản phẩm đó sẽ bị đẩy sang một phần khác so với nếu nó vượt qua các tiêu chuẩn sẽ chuyển sang phần khác. Hoặc có thể là nếu mặt hàng đang đi đến một điểm đến nhất định, hệ thống Machine vision sẽ nhận mặt hàng đó thông qua việc đọc mã vạch và gửi nó trên tuyến đường chính xác cho mặt hàng đó.
Nó cũng có thể được sử dụng để phát hiện các khuyết tật trên các hạng mục để xác định xem nó đạt hay không đạt các yêu cầu cần thiết để chuyển sang phần tiếp theo của hệ thống. Các khiếm khuyết mà hệ thống Machine vision phải phát hiện càng phức tạp, thì hệ thống Machine vision càng có nhiều khả năng cần máy móc và học sâu để phát hiện ra các khiếm khuyết, tương tự như nhận dạng mẫu.
Kết quả đầu ra
Trong quá trình kiểm tra và phân loại có thể được thực hiện bằng Machine vision, đầu ra là phần kết thúc đưa ra quyết định về việc phải làm với mục, đối tượng hoặc sản phẩm trên hệ thống. Điều này tương tự với kết quả quyết định ngoại trừ kết quả này dành cho phần cuối của dòng hệ thống.
Các kết quả đầu ra thường kích hoạt các cơ chế từ chối các mục hoặc đối tượng không thành công trong khi các cơ chế khác có thể phát ra âm thanh cảnh báo để thu hút người vận hành đến sự cố với một sản phẩm nhất định hoặc toàn bộ hệ thống. Ví dụ: dây chuyền xử lý có thể bị đầy và gây ra tắc nghẽn làm ngừng các mặt hàng đi qua tầm nhìn của máy, điều này sẽ kích hoạt cảnh báo vì máy chưa kiểm tra một mặt hàng trong một khoảng thời gian nhất định.
Dữ liệu từ đầu ra có thể được ghi lại và giải thích cho người vận hành thông qua bảng điều khiển trực quan hoặc HMI để xác định các cơ hội và các phương pháp khả thi để tối ưu hóa một trong hai phần của hệ thống hoặc toàn bộ hệ thống. Tất nhiên, điều này làm giảm nguy cơ xảy ra các tình huống như ví dụ với tắc nghẽn xảy ra một lần nữa trên đường dây, do đó làm tăng hiệu quả.
Hướng dẫn robot với machine vision
Ngày nay, robot đang được sử dụng ngày càng nhiều trên thế giới và kết quả là Machine vision ngày càng được sử dụng nhiều hơn với robot. Khi robot được trang bị thị giác máy, nó mang lại cho chúng độ chính xác, định hướng và hiểu biết cao hơn nhiều. Nó cho phép họ nắm bắt một mục chính xác hơn, đặt một mục với độ chính xác cao hơn và thực hiện các nhiệm vụ phức tạp hơn như kiểm tra trong thời gian nhanh hơn. Khả năng này cho phép người vận hành di chuyển robot theo cách đơn giản hơn bằng cách sử dụng bộ điều khiển chuyển động 1 hoặc 2 trục.
Trong hầu hết các trường hợp, máy ảnh được gắn vào rô bốt hoặc máy ảnh hệ thống kép có thể chính xác cho các ứng dụng như phân loại sản phẩm hoặc chọn và đặt rô bốt. Tuy nhiên, quét laze cũng là một phương pháp khác có thể được sử dụng để chiếu tia sáng sọc lên bộ phận cần được kiểm tra. Chúng tương tự như cách máy ảnh 3D được sử dụng khi chúng tạo các điểm dữ liệu để tạo bản đồ 3D của mục đã chọn hoặc một phần của mục.
Các bước đối với Machine vision trong robot cũng giống như ở một vị trí cố định trên dây chuyền quy trình như đã đề cập ở trên với sự khác biệt là không tập trung vào việc cung cấp thông tin vị trí và / hoặc định hướng.
Thị trường machine vision
Markets and Markets báo cáo rằng quy mô thị trường cho thị giác máy dự kiến sẽ tăng từ 10,7 tỷ đô la vào năm 2020 lên 14,7 tỷ đô la vào năm 2025 với tốc độ tăng trưởng kép hàng năm là 6,5%.
Machine vision là một khả năng chứ không phải là một ngành cũng như các khả năng khác như tự động hóa, học máy, học sâu và mạng nơ-ron. Đó là khả năng có thể được tích hợp vào các công nghệ và quy trình khác để mang lại lợi ích cho các ngành và nâng cao hiệu quả kinh doanh.
Thị trường Machine vision đang phát triển và sẽ không chậm lại ngay khi các doanh nghiệp đang ngày càng tìm cách tự động hóa các quy trình kinh doanh thông qua việc giới thiệu các khả năng tự động hóa như Machine vision và robot. Do COVID-19, các doanh nghiệp trong lĩnh vực logistics, chăm sóc sức khỏe, sản xuất và thực phẩm và đồ uống đã bị ảnh hưởng nặng nề với các biện pháp ngăn cách xã hội được thực hiện để ngăn chặn sự lây lan của vi rút. Tự động hóa và rô bốt vì lý do này đang thực sự thể hiện sức mạnh và khả năng của mình khi các doanh nghiệp phải vật lộn để đáp ứng nhu cầu kinh doanh và tiêu dùng với lượng lao động giảm.
Nuha đơn vị triển khai các giải pháp về machine vision
Nuha là đơn vị đi đầu trong lĩnh vực machine vision – thị giác máy, tự động hóa công nghiệp. Với kinh nghiệm nhiều năm xây dựng các giải pháp về machine cho các nhà máy, đáp ứng các nhu cầu về hoạt động sản xuất tối ưu chi phí vận hành, đảm bảo độ tin cậy và độ chính xác cao trong hoạt động sản xuất. Với đội ngũ kỹ sư dày dặn kinh nghiệm hỗ trợ khách hàng 24/7 sẽ mang lại cho khách hàng sự yên tâm và hài lòng.