Фото: directindustry.com

Почему их сравнивают с детьми? Да потому, что систему машинного зрения надо учить, и учить правильно. Снабдив «ребенка» неправильной информацией, можно получить нежелательный результат.

На сайте Machinevisiononline.org недавно опубликован любопытный материал Уинна Хардина (Winn Hardin), пишущего редактора Ассоциации автоматического формирования изображения (AIA), о применении систем машинного зрения.

Чтобы разработать подобную систему, необходимо понять, как думает компьютер, и как используются системы машинного зрения. Все начинается с обучения системы тому, что нужно проверять. Потом следует программирование системы на принятие правильных решений, пишет Upakovano.ru.

Конструкторы, как правило, выбирают три пути, чтобы научить машину видеть продукцию, которую она будет инспектировать. Это электронные файлы CAD и модели, изображения «хороших» и дефектных изделий и еще так называемый «выбор характеристик». Последнее подразумевает программирование видеосистемы на обнаружение и измерение свойств (характеристик), которые важны для качества изделия.

Файлы CAD, HDL или другая инженерно-конструкторская документация, казалось бы, наилучшая стартовая точка для обучения инспекционной системы. Но при этом исключаются условия «реального мира», который вносит разнообразие в процесс. Камера видит деталь или изделие не так, как чертеж CAD. Ее видение может существенно измениться из-за освещенности, вибрации, движения, вращения и других проблем, которые влияют на то, каким предстает объект перед камерой в каждое следующее мгновение.

Бен Доусон (Ben Dawson), директор по стратегическому развитию компании Teledyne DALSA (США, Массачусетс), отмечает: «Изображение в камере отличается от модели CAD, поскольку имеются отражения, структура поверхности, текстура. Поэтому вам необходимо ввести слои текстуры и условия освещения в вашу модель или разработать умные алгоритмы для извлечения правильной информации, пренебрегающей всеми естественными и допустимыми вариациями».

Эталоны, или изображения детали, выводят процесс обучения из плоскости абстракций, приближая его к реальному миру. Вольфганг Экштайн (Wolfgang Eckstein), управляющий директор фирмы MVTec Software GmbH (Германия, Мюнхен) считает, что, используя образец, пользователь имеет преимущество в том, что ему не надо задавать и вводить геометрическое описание изделия. Ему надо определить лишь такие параметры как максимальное вращение или масштабирование. А при большом количестве образцов все другие параметры извлекаются автоматически. Экштейн отмечает, что при инспектировании печатной продукции используется много образцов изображений для автоматического определения допустимых отклонений. Вводятся также и образцы дефектной продукции для уточнения параметров. Экштайн подчеркивает: «В ближайшие годы мы увидим идею «обучения по образцам» и в других сферах. Типичный кандидат — это обнаружение дефектов. В данном случае системе предложат дефекты различных видов».

Большинство видеосистем используют метод образцов-эталонов для обнаружения изделий в поле зрения камеры. Когда изделие обнаружено, видеосистема измеряет избранные характеристики, такие как размеры и текстура, и приходит к решению о качестве данного изделия. «Выбор характеристик — сейчас наиболее популярный способ обучения видеосистемы», — отмечает Доусон.

Окончательный вердикт продукту по принципу «годится/не годится» выносится в результате двухэтапного процесса. Нужно найти и классифицировать возможный дефект, а затем принять окончательно решение на основе допусков и критериев стоимости дефекта. Методы, основанные на модели или эталонах, часто включают в себя классификатор, который изучает параметры модели. Метод выбора характеристик, по словам Доусона, дает больше измерений для использования в классификации, но при этом требует программирования этой классификации.

Обучение систем машинного зрения остается сложной технической проблемой, требующей большого опыта в сфере формирования изображений и в производстве при том, что возможности программного обеспечения по обработке изображений постоянно растут. Разработка успешной системы машинного зрения все еще требует участия большого количества специалистов по формированию изображения, конструированию продукции, инженеров, которые наставляют ее «на путь истинный».