Strojové videnie je pokročilá technológia, ktorá dáva strojom schopnosť zachytávať obraz okolia, analyzovať ho a prijímať rozhodnutia v rámci riadeného procesu.
Typicky ide o spojenie hardvérových prvkov so špecializovaným softvérom, ktorý využíva klasické algoritmy spracovania obrazu alebo pokročilú umelú inteligenciu na interpretáciu vizuálnych dát.
Cieľom strojového videnia je nahradiť alebo doplniť ľudský zrak pri úlohách, ako je kontrola kvality výrobkov, rozpoznávanie objektov alebo navigácia strojov, a to s vyššou rýchlosťou, presnosťou a spoľahlivosťou v rámci priemyselnej automatizácie.
- Využitie strojového videnia
- Strojové vs. počítačové vidění
- Ako to funguje
- Komponenty
- Typy systémů strojového vidění
- Výhody strojového vidění
- Co zohlednit při implementaci
1. Využitie strojového videnia
Strojové videnie sa používa najmä v priemysle a logistike. Najčastejšie slúži na automatickú kontrolu a detekciu chýb výrobkov, na meranie a polohovanie súčiastok, na identifikáciu, triedenie a sledovanie objektov počas výroby. Typické aplikácie strojového videnia:
- Kontrola kvality a detekcia chýb: Kamery kontrolujú výrobky na výrobnej linke a softvér automaticky rozpoznáva defekty (napr. povrchové chyby, chýbajúce súčiastky) a triedi dobré a chybné kusy.
- Čítanie textu a kódov: Pokročilé systémy zvládajú optické rozpoznávanie znakov (OCR) a čítanie čiarových alebo dátových kódov vo vysokej rýchlosti. Tým automatizujú zber dát (napr. serializácia produktov, sledovanie šarží, overenie čitateľnosti značenia) a eliminujú potrebu ručnej kontroly.
- Meranie rozmerov a polohovanie: Systémy strojového videnia dokážu presne zmerať rozmery výrobkov a overiť ich správne zloženie podľa zadaných tolerancií. Navigujú roboty pri montáži alebo pri pick-and-place operáciách, keď kamera napríklad určí polohu a orientáciu dielu pre uchopenie robotickým ramenom. Často sa pri tom využíva 3D skenovanie (napr. pre bin picking).
- Identifikácia a triedenie objektov: Strojové videnie dokáže rozpoznávať a klasifikovať objekty podľa tvaru, farby alebo iných vizuálnych znakov. Využíva sa napríklad na triedenie výrobkov na linke, kontrolu správneho etiketovania alebo napríklad v poľnohospodárstve na triedenie ovocia a zeleniny podľa kvality.
- Špeciálne aplikácie: V zdravotníctve sa metódy strojového videnia využívajú pri analýze lekárskych snímok (napr. röntgeny, MRI) na podporu diagnostiky. V doprave a bezpečnosti môžu kamerové systémy automaticky rozpoznávať evidenčné čísla vozidiel alebo detekovať narušenie priestoru. Moderné hyperspektrálne zobrazovanie nachádza uplatnenie v poľnohospodárstve (monitoring plodín), potravinárstve (detekcia kazov či prímesí) aj v environmentálnom monitoringu.
2. Strojové verzus počítačové videnie
Počítačové videnie (computer vision) je všeobecnejší pojem označujúci odbor výpočtovej techniky a umelej inteligencie, ktorý sa zaoberá spracovaním a porozumením obrazových dát. Môže ísť o analýzu fotografií a videí alebo rozpoznávanie objektov v reálnom svete. Patrí sem široké spektrum aplikácií, od medicínskeho zobrazovania cez autonómne riadenie až po biometrickú identifikáciu tvárí.
Naopak, strojové videnie (machine vision) je oblasť počítačového videnia zameraná na priemyselné využitie. Ide teda o hotové riešenia, ktoré integrujú metódy počítačového videnia do strojov a výrobných procesov. Strojové videnie typicky pracuje v reálnom čase so streamom obrazu z priemyselných kamier a plní vopred definované úlohy (napr. kontrola výrobkov, navádzanie robotov) v prostredí továrenskej automatizácie.
Historicky sa tieto pojmy odlišovali (strojové videnie v priemysle verzus počítačové videnie v akademickej sfére), avšak s rozvojom umelej inteligencie a konceptu priemysel 4.0 sa ich hranice stierajú. V moderných výrobných podnikoch sa dnes bežne uplatňujú pokročilé algoritmy počítačového videnia v reálnych strojových systémoch.
3. Ako funguje strojové videnie
Proces strojového videnia v praxi prebieha typicky v týchto krokoch:
1. Snímanie obrazu: Najprv kamera sníma obraz sledovanej scény alebo objektu. Je potrebné zvoliť vhodný typ kamery a nastaviť parametre snímania (expozičný čas, frekvenciu snímok a pod.) tak, aby bol zachytený kvalitný obraz relevantných detailov. Kľúčové je optimálne osvetlenie scény, ktoré zvýrazní požadované prvky a potlačí rušivé vplyvy, ako sú tiene či odlesky.
2. Predspracovanie obrazu: Surový obraz z kamery môže obsahovať šum alebo iné nedokonalosti, ktoré by sťažili následnú analýzu. Preto softvér často vykonáva predspracovanie ako je filtrácia šumu, úprava kontrastu, geometrická korekcia či iné vylepšenia kvality obrazu..
3. Extrakcia príznakov: Z obrazu sa vyťahujú podstatné znaky potrebné na rozhodovanie. Môže ísť o detekciu hrán objektov, rozpoznanie tvarov, farebných oblastí, textúr a podobne. V tejto fáze systém získava kvantitatívne alebo kvalitatívne informácie (napr. počet a veľkosť defektov, prítomnosť určitého tvaru).
4. Rozpoznávanie a analýza: Na základe extrahovaných príznakov prebieha samotné vyhodnotenie, tj. porovnanie s modelmi alebo hranicami tolerancie. Systém môže využívať algoritmy rozpoznávania vzorov, ktoré určia, o aký objekt ide, alebo či obraz zodpovedá vzoru (napr. správny verzus chybný výrobok). Moderné systémy môžu využívať aj hlboké neurónové siete natrénované na detekciu konkrétnych typov chýb či objektov..
5. Rozhodnutie: Na základe výsledkov analýzy systém prijme rozhodnutie. Napríklad vyhodnotí diel ako vyhovujúci/nevyhovujúci, prečíta hodnotu z QR kódu, určí polohu objektu pre uchopenie robotom a pod. Rozhodovanie prebieha automaticky podľa nastavených kritérií alebo predikčného modelu.
6. Komunikácia výsledkov: Posledným krokom je odovzdanie výsledkov ďalej. Systém typicky odošle signál do riadiaceho systému linky (PLC) na vyradenie zmetku, zapíše namerané údaje do databázy, navádza robot na ďalší úkon a pod. Komunikácia prebieha často v reálnom čase, aby mohol výrobný proces okamžite reagovať.
4. Komponenty ystémov strojového videnia
Typický systém strojového videnia sa skladá z viacerých základných komponentov, ktoré spoločne umožňujú snímanie a spracovanie obrazu:
- Kamera: Základný prvok systému, ktorý sníma obraz scény alebo objektu. V priemysle sa používajú rôzne typy kamier, napríklad plošné kamery (area-scan) snímajú dvojrozmerný obraz celej scény, zatiaľ čo riadkové kamery (line-scan) snímajú obraz po riadkoch a hodia sa pre kontinuálne sa pohybujúci materiál. Dôležitými parametrami sú rozlíšenie, rýchlosť snímania (snímky za sekundu) a citlivosť senzora.
- Osvetlenie: Správne nasvietenie objektov je kľúčové pre získanie kvalitného obrazu. Používajú sa špecializované viacfarebné zdroje svetla, prípadne lasery alebo častejšie LED panely, prstence či tyče umiestnené tak, aby zvýraznili požadované znaky cieľového objektu (napr. škrabance na povrchu, obrysy hrán). Výber typu osvetlenia a uhla dopadu svetla výrazne ovplyvňuje výslednú kvalitu snímok.
- Optika: Objektív kamery zaostruje obraz a určuje zorné pole a hĺbku ostrosti. Výber vhodného objektívu závisí od veľkosti snímaného objektu a požadovaného rozlíšenia detailov. V niektorých aplikáciách sa používajú aj špeciálne filtre (napr. polarizačné alebo farebné filtre) na potlačenie nežiaducich vplyvov osvetlenia.
- Výpočtová jednotka: Vysokovýkonný počítač alebo špecializovaný procesor spracováva získané obrazové dáta v reálnom čase. Môže ísť o priemyselný PC, dedikovaný vision controller alebo procesor integrovaný v tele smartkamery. Táto jednotka vykonáva obrazové algoritmy od predspracovania (filtrovanie šumu, zvýšenie kontrastu) až po pokročilé analýzy využívajúce strojové učenie a rozhoduje na základe výsledkov detekcie..
- Frame grabber (zachytávacia karta): Ak kamera poskytuje analógový alebo špeciálny vysokorýchlostný obrazový výstup, je potrebný medzičlánok na jeho zachytenie a prevod do digitálnej podoby pre počítač. Túto úlohu plní frame grabber – hardvérová karta alebo modul, ktorý sprostredkuje prenos obrazu z kamery do výpočtovej jednotky bez straty kvality a v požadovanej rýchlosti. Pri moderných digitálnych kamerách s rozhraním ako GigE Vision, USB3 alebo CameraLink môže byť frame grabber integrovaný v riadiacej jednotke alebo úplne odpadá, pretože kamera posiela dáta priamo do počítača.
- Softvér: Špecializovaný softvér na spracovanie obrazu tvorí mozog celého systému. Obsahuje algoritmy na analýzu obrazu, detekciu objektov a rozhodovanie. Môže ísť o kombináciu klasických metód (napr. vyhodnocovanie hrán, meranie rozmerov) a metód umelej inteligencie (neurónové siete na rozpoznávanie obrazových vzorov). Softvérová časť často umožňuje aj komunikáciu s okolitými zariadeniami (PLC, robotmi) a integráciu systému videnia do širšieho výrobného procesu.
5. Typy systémov strojového videnia
Konkrétne systémy strojového videnia možno rozdeliť do viacerých kategórií podľa konfigurácie a účelu:
2D systémy videnia: Pracujú s bežným dvojrozmerným obrazom. Využívajú sa na sledovanie objektov, čítanie čiarových kódov, kontrolu značenia, kontrolu povrchových chýb a podobne. Majú zmysel tam, kde stačí plošný pohľad na scénu. Príklady zahŕňajú kontrolu etikiet, detekciu škrabancov na rovných povrchoch alebo kontrolu kompletnosti výrobku z horného pohľadu.
3D systémy videnia: Okrem 2D obrazu snímajú aj hĺbku (tretí rozmer), takže dokážu analyzovať trojrozmerný tvar objektov. Pomocou 3D kamier vedia merať rozmery objektov, skúmať profilové nerovnosti povrchu a presne navádzať roboty v priestore. 3D videnie sa využíva napríklad na kontrolu rozmerov odliatkov, montáž priestorovo zložitých zostáv alebo navigáciu autonómnych vozíkov. Príkladom je smart kamera Hikrobot SC200A určená na navigáciu robotických vozidiel.
Farebné systémy videnia: Sú navrhnuté tak, aby vyhodnocovali farbu snímaných objektov. Uplatňujú sa napríklad v potravinárstve alebo textilnom priemysle, kde je potrebné identifikovať objekty alebo chyby podľa farebných odchýlok. Príkladom môže byť triedenie ovocia podľa stupňa zrelosti, kontrola správneho odtieňa laku alebo detekcia farebných značení na produktoch..
Systémy na rozpoznávanie vzorov: Tieto systémy sú špecializované na identifikáciu špecifických vzorov alebo tvarov v obraze. Patrí sem napríklad technológia na rozpoznávanie tvárí, čítanie evidenčných čísel vozidiel, identifikáciu znakov (OCR) alebo kontrolu tlačených vzorov na obaloch. Algoritmy často využívajú strojové učenie na naučenie a detekciu daných vzorov.
Systémy na analýzu pohybu: Sledujú pohybujúce sa objekty alebo zmeny v čase. Uplatňujú sa v robotike a automatizácii, kde je potrebné monitorovať trajektórie objektov, detegovať nepravidelnosti pohybu alebo synchronizovať činnosť strojov. Môžu byť súčasťou asistenčných systémov pre roboty (napr. videnie pre roboty spolupracujúce s človekom) alebo systémov na kontrolu plynulosti toku materiálu na linke.
6. Výhody strojového videnia
Nasadenie systémov strojového videnia prináša v porovnaní s ľudskou obsluhou či tradičnými metódami množstvo výhod:
- Konzistentná úroveň kontroly: Strojové videnie dokáže spoľahlivo odhaliť chyby a odchýlky, ktoré by ľudské oko mohlo prehliadnuť, a to konzistentne a nepretržite. Eliminuje subjektivitu ľudskej kontroly a zabezpečuje jednotný štandard kvality každého výrobku.
- Vyššia produktivita: Automatická inšpekcia prebieha vo vysokej rýchlosti (kamerové systémy dokážu spracovať desiatky až stovky kusov za minútu) a často priamo počas pohybu výrobnej linky. Tým sa urýchľuje výroba a odstraňujú úzke miesta, kde by ručná kontrola nestíhala.
- Nižšie nároky na prácu: Systémy videnia môžu fungovať nepretržite, bez únavy a v nebezpečných či monotónnych prevádzkach. Riešia tak problém nedostatku pracovnej sily pri rutinných úlohách a znižujú chybovosť spôsobenú ľudskou únavou alebo nepozornosťou.
- Zber dát a spätná väzba: Na rozdiel od ľudskej kontroly môže strojové videnie ukladať podrobné informácie o každom skontrolovanom kuse. Dáta z kamier možno analyzovať a využiť na štatistiky kvality, sledovanie chybných šarží, optimalizáciu procesov a pod. Poskytuje tak cennú spätnú väzbu pre zlepšovanie výroby.
- Vyššia bezpečnosť: V niektorých odvetviach ako chemický priemysel, hutníctvo a pod. môže vizuálna kontrola predstavovať riziko pre človeka. Nasadenie kamier a automatickej kontroly v nebezpečných zónach zvyšuje bezpečnosť pracovníkov.
7. Čo zohľadniť pri implementácii strojového videnia
Hoci strojové videnie prináša významné prínosy v oblasti kvality, efektivity a automatizácie, úspešné nasadenie tejto technológie si vyžaduje premyslený návrh a dôkladnú prípravu. Nasledujúce aspekty je vhodné zvážiť už v ranej fáze projektu:
- Počiatočná investícia a návratnosť: Zaobstaranie komponentov strojového videnia, teda kamier, optiky a osvetlenia, predstavuje určitú vstupnú investíciu. Návratnosť sa zvyčajne prejaví až v dlhodobejšom horizonte – v podobe nižšej zmetkovitosti, obmedzenia ručnej práce a zvýšenej efektivity.
- Nároky na integráciu a odborné nastavenie: Úspešné začlenenie systému do existujúcej linky si vyžaduje technické know-how, správnu voľbu parametrov snímania aj komunikáciu s nadriadenými riadiacimi systémami. Spolupráca s odborníkmi na automatizáciu alebo strojové videnie výrazne zjednodušuje celý proces.
- Stabilita prostredia: Systémy strojového videnia fungujú najlepšie v stabilných a kontrolovaných podmienkach. Premenlivé osvetlenie, prach alebo vibrácie môžu ovplyvniť kvalitu snímok. Preto je dôležité venovať dostatočnú pozornosť návrhu osvetlenia a ochrane komponentov.
- Pripravenosť na zmeny produktu: Ak sa očakáva častá zmena tvaru alebo vzhľadu kontrolovaných výrobkov, je vhodné zvoliť systémy využívajúce strojové učenie, ktoré sa jednoduchšie prispôsobujú novým variantom.