कई विनिर्माण प्रक्रियाएँ स्थिर या कठोर स्वचालित उपकरणों का उपयोग करके संचालित होती हैं जो सीमित संवेदी इनपुट के साथ उत्पादन कार्य करते हैं। अधिक जटिल अनुप्रयोगों के लिए, सरल कैमरे या सेंसर किसी वस्तु की उपस्थिति, स्थिति, आकार या मोटाई का पता लगा सकते हैं। जब वस्तु अधिक जटिल होती है, उसमें कम बाधाएँ होती हैं, या उसके स्वरूप के लिए मूल्यांकन की आवश्यकता होती है, तो मशीन विज़न समाधान लागू किया जा सकता है। यह ब्लॉग पोस्ट उन्नत स्वचालन में मशीन विज़न की भूमिका के बारे में जानकारी प्राप्त करने के लिए तीन अनुप्रयोगों की समीक्षा करेगा।
कई विनिर्माण प्रक्रियाओं में, भाग की गुणवत्ता सुनिश्चित करने या इन्वेंट्री का प्रबंधन करने के लिए अक्सर वस्तुओं या विशेषताओं की गिनती करना महत्वपूर्ण होता है। हालाँकि यह मामूली लग सकता है, लेकिन जब बड़ी मात्रा में डेटा शामिल होता है तो यह मनुष्यों के लिए व्यावहारिक कार्य नहीं है। मशीन विज़न के माध्यम से ऐसे कार्यों को स्वचालित करने के लिए, ऑब्जेक्ट सेगमेंटेशन पहला कदम है, और इसे प्रकाश और इमेजिंग तकनीकों के उचित अनुप्रयोग द्वारा सुगम बनाया जा सकता है।
छवि अधिग्रहण का लक्ष्य वस्तु की छवि को इस तरह से प्रकाशित और कैप्चर करना है कि पता लगाए जाने वाले फीचर और पृष्ठभूमि के बीच कंट्रास्ट को बढ़ाया जा सके। फिर मशीन विज़न सॉफ़्टवेयर का उपयोग रुचि की विशेषताओं या वस्तुओं को विभाजित करने और उनका पता लगाने के लिए किया जाता है। फिर प्रत्येक पहचानी गई वस्तु की मापी गई विशेषताओं का उपयोग उसकी गुणवत्ता या पहचान निर्धारित करने के लिए किया जा सकता है।
वेल्ड छिद्रता की विशेषता
उदाहरण के लिए वेल्ड पोरोसिटी का पता लगाना और उसका मूल्यांकन करना। भाग का आकार, वेल्ड चैनल की परिवर्तनशील आकृतियाँ और परावर्तक धातु की सतहें एक समान रोशनी को चुनौती बना देती हैं। सौभाग्य से, छिद्र बहुत अधिक प्रकाश को परावर्तित नहीं करते - वे गहरे रंग के दिखते हैं।
वेल्ड में कई तरह के अंधेरे क्षेत्र होते हैं जिन्हें मशीन विज़न द्वारा खंडित किया जा सकता है। वेल्ड में छिद्रों की एक विशिष्ट आकार सीमा और आकृति होती है जिसका उपयोग उन अंधेरे क्षेत्रों को अनदेखा करने के लिए किया जा सकता है जो छिद्रों की विशेषताओं से मेल नहीं खाते हैं। एक बार छिद्रता का पता लगने के बाद, वेल्ड में छिद्रों की संख्या और घनत्व (प्रति इंच संख्या) का उपयोग यह इंगित करने के लिए किया जा सकता है कि वेल्डिंग प्रक्रिया स्वीकार्य है या ऑपरेटर या नियंत्रण प्रणाली के हस्तक्षेप की आवश्यकता है।
ट्यूबों की गिनती
एक संबंधित उदाहरण एक क्रेट के अंत से कैप्चर की गई छवि में ट्यूबों की संख्या की गणना करना है; इन्वेंट्री नियंत्रण के लिए सटीक गिनती की आवश्यकता होती है। चुनौतियों में छवि में ट्यूब के सिरों के परिवर्तनशील रोशनी और परिवर्तनशील परिप्रेक्ष्य शामिल हैं। ट्यूब के अंत की विशेषता इसके अंधेरे आंतरिक भाग से होती है जो ट्यूब की दीवार की चमकदार गोलाकार सतह से घिरा होता है।
अपेक्षित व्यास के एक वृत्त के साथ अंधेरे क्षेत्र को विभाजित करने से अधिकांश ट्यूबों का पता लगाया जा सकेगा। हालाँकि, क्रेट के निचले हिस्से के पास ट्यूब के कुछ अंदरूनी हिस्सों के चमकीले प्रतिबिंबों पर ध्यान दें - छवि प्रसंस्करण संचालन इन छोटी विशेषताओं को मज़बूत पहचान और गिनती के लिए ट्यूब के आंतरिक क्षेत्रों के साथ मिला सकता है।
जटिल आकार की क्षति का पता लगाना
प्रोपेलर ब्लेड की सतह पर होने वाले नुकसान का पता लगाने पर विचार करें। नुकसान संकीर्ण खरोंच से लेकर बड़े घिसाव वाले स्थानों तक हो सकता है; क्षतिग्रस्त क्षेत्र के अपेक्षित आकार या आकृति को चिह्नित करने के लिए कोई मानक नहीं हैं। इसके अलावा, प्रोपेलर ब्लेड के जटिल आकार क्षति कंट्रास्ट को बढ़ाने के लिए उपयोग की जाने वाली इष्टतम रोशनी के लिए एक चुनौती पेश करते हैं।
सबसे बाईं ओर (सबसे गहरे रंग की) छवि के लिए उपयोग किए गए प्रकाश विन्यास में, क्षति मुश्किल से दिखाई दे रही थी। दो वैकल्पिक प्रकाश दिशाओं ने क्षतिग्रस्त और बिना क्षतिग्रस्त ब्लेड क्षेत्रों के बीच अच्छा कंट्रास्ट प्रदान किया, लेकिन दो विन्यासों के बीच कंट्रास्ट उलट गया। स्थानीयकृत सतहों और इमेजिंग सिस्टम के सापेक्ष क्षति की दिशा के कारण, प्रोपेलर ब्लेड के विभिन्न क्षेत्र अलग-अलग प्रतिक्रियाएँ प्रदर्शित करेंगे जैसा कि दिखाया गया है - जिसका अर्थ है कि कोई एकल इष्टतम प्रकाश विन्यास नहीं है।
क्षति के आकार, माप और कंट्रास्ट के बीच उच्च स्तर की परिवर्तनशीलता प्रोग्राम-प्रोग्राम किए गए तरीकों का उपयोग करके स्वचालित पहचान को चुनौतीपूर्ण बनाती है, जैसा कि वेल्ड पोरोसिटी और ट्यूब काउंटिंग उदाहरणों में उपयोग किया जाता है। संस्थान ने मशीन लर्निंग तकनीकों का उपयोग करके निरीक्षण प्रणाली विकसित की। एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) एक छवि में संभावित रूप से क्षतिग्रस्त क्षेत्रों को पहचानता है। एक द्वितीयक डीप न्यूरल नेटवर्क CNN द्वारा उत्पन्न आइगेनवैल्यू के आधार पर छवि को क्षति युक्त (या न युक्त) के रूप में वर्गीकृत करता है। इन नेटवर्क को बड़ी संख्या में छवियों का उपयोग करके प्रशिक्षित किया जाता है जहाँ क्षतिग्रस्त क्षेत्रों की मैन्युअल रूप से पहचान की गई है।
मोनोक्रोम विज़न से परे
ऊपर दिए गए तीन उदाहरण कुछ मोनोक्रोम मशीन विज़न अनुप्रयोगों को दर्शाते हैं। रंग कंट्रास्ट का उपयोग करते समय या स्पेक्ट्रम के अदृश्य हिस्से का उपयोग करते समय चीजें और भी दिलचस्प हो जाती हैं। उदाहरण के लिए, मोनोक्रोम कैमरे निकट-अवरक्त (NIR) तरंगदैर्ध्य के प्रति संवेदनशील होते हैं, जिससे उन विशेषताओं को अनुमति मिलती है जो सामान्य रूप से अदृश्य या विचलित करने वाली होती हैं, उन्हें स्पेक्ट्रल फ़िल्टर के साथ उस बैंड का उपयोग करके या अस्वीकार करके शोषण या हटाया जा सकता है।
मानक रंगीन कैमरे ओवरलैपिंग ब्रॉडबैंड लाल, हरे और नीले फिल्टर का उपयोग करते हैं; ब्रॉडबैंड सफेद रोशनी के बजाय संकीर्ण बैंड आरजीबी एलईडी प्रकाशकों का उपयोग रंग भेदभाव में सुधार करता है। मल्टी-स्पेक्ट्रल कैमरे रंगीन कैमरों की तुलना में अत्यधिक संवेदनशील रंग भेदभाव प्रदान करते हैं और इसमें NIR बैंड शामिल हो सकते हैं। कुछ स्याही, रंग और चिपकने वाले पदार्थों के फ्लोरोसेंट गुणों का उपयोग उचित स्पेक्ट्रल फिल्टर के साथ यूवी विकिरण का उपयोग करके किया जा सकता है। और ध्रुवीकरण को न भूलें! इन्फ्रारेड इमेजिंग (लॉन्गवेव, मिडवेव, शॉर्टवेव) का उपयोग सतह के तापमान को मापने, उपसतह सुविधाओं/दोषों का पता लगाने, हाइड्रोकार्बन गैसों का पता लगाने और बहुत कुछ करने के लिए किया जा सकता है।