Wizja maszynowa to zaawansowana technologia, która umożliwia maszynom rejestrowanie obrazu otoczenia, jego analizę i podejmowanie decyzji w ramach kontrolowanego procesu.
Typowo jest to połączenie elementów sprzętowych ze specjalistycznym oprogramowaniem, które wykorzystuje klasyczne algorytmy przetwarzania obrazu lub zaawansowaną sztuczną inteligencję do interpretacji danych wizualnych.
Celem wizji maszynowej jest zastąpienie lub uzupełnienie ludzkiego wzroku w zadaniach takich jak kontrola jakości produktów, rozpoznawanie obiektów czy nawigacja maszyn – z większą szybkością, precyzją i niezawodnością w automatyzacji przemysłowej.
- Zastosowanie wizji maszynowej
- Wizja maszynowa a wizja komputerowa
- Jak to działa
- Komponenty
- Rodzaje systemów wizji maszynowej
- Zalety wizji maszynowej
- Na co zwrócić uwagę przy wdrożeniu
1. Zastosowanie wizji maszynowej
Wizja maszynowa znajduje zastosowanie przede wszystkim w przemyśle i logistyce. Najczęściej służy do automatycznej kontroli i wykrywania wad produktów, pomiarów i pozycjonowania elementów, identyfikacji, sortowania oraz śledzenia obiektów w trakcie produkcji. Typowe zastosowania systemów wizji maszynowej to:
- Kontrola jakości i wykrywanie wad: Kamery kontrolują produkty na linii produkcyjnej, a oprogramowanie automatycznie wykrywa defekty (np. wady powierzchniowe, brakujące elementy) i sortuje elementy na dobre i wadliwe.
- Odczyt tekstu i kodów: Zaawansowane systemy realizują optyczne rozpoznawanie znaków (OCR) oraz odczyt kodów kreskowych i kodów 2D z dużą prędkością. Automatyzują w ten sposób zbieranie danych (np. serializacja produktów, śledzenie partii, weryfikacja czytelności oznaczeń) i eliminują konieczność kontroli ręcznej.
- Pomiary wymiarów i pozycjonowanie: Systemy wizji maszynowej potrafią precyzyjnie zmierzyć wymiary produktów i zweryfikować ich poprawne złożenie w ramach ustalonych tolerancji. Prowadzą roboty podczas montażu lub operacji typu pick-and-place, gdzie kamera określa pozycję i orientację elementu do uchwycenia przez ramię robota. Często wykorzystuje się do tego skanowanie 3D (np. do bin pickingu).
- Identyfikacja i sortowanie obiektów: Wizja maszynowa rozpoznaje i klasyfikuje obiekty na podstawie kształtu, koloru lub innych cech wizualnych. Znajduje zastosowanie np. w sortowaniu produktów na linii produkcyjnej, kontroli poprawności etykietowania, a także w rolnictwie – przy sortowaniu owoców i warzyw według jakości.
- Aplikacje specjalne: W medycynie techniki wizji maszynowej są wykorzystywane do analizy obrazów medycznych (np. zdjęć rentgenowskich, MRI) jako wsparcie diagnostyki. W transporcie i systemach bezpieczeństwa kamery mogą automatycznie rozpoznawać tablice rejestracyjne pojazdów lub wykrywać naruszenia stref. Nowoczesne obrazowanie hiperspektralne znajduje zastosowanie w rolnictwie (monitorowanie upraw), przemyśle spożywczym (wykrywanie uszkodzeń lub zanieczyszczeń), a także w monitoringu środowiskowym.
2. Wizja maszynowa a wizja komputerowa
Wizja komputerowa (computer vision) to ogólniejsze pojęcie odnoszące się do dziedziny informatyki i sztucznej inteligencji zajmującej się przetwarzaniem i rozumieniem danych obrazowych. Może obejmować analizę zdjęć i nagrań wideo lub rozpoznawanie obiektów w rzeczywistym świecie. W jej zakres wchodzi szerokie spektrum zastosowań, od obrazowania medycznego, przez autonomiczne pojazdy, aż po biometryczną identyfikację twarzy.
Z kolei wizja maszynowa (machine vision) to obszar wizji komputerowej skoncentrowany na zastosowaniach przemysłowych. Oznacza gotowe rozwiązania, które integrują metody wizji komputerowej z maszynami i procesami produkcyjnymi. Wizja maszynowa zazwyczaj działa w czasie rzeczywistym na strumieniu obrazu z kamer przemysłowych i wykonuje wcześniej zdefiniowane zadania (np. kontrola produktów, prowadzenie robotów) w środowisku automatyki fabrycznej.
Historycznie te pojęcia były rozróżniane (wizja maszynowa w przemyśle vs. wizja komputerowa w środowisku akademickim), jednak wraz z rozwojem AI i Przemysłu 4.0 granice między nimi się zacierają, a zaawansowane algorytmy wizji komputerowej coraz częściej znajdują zastosowanie w rzeczywistych systemach maszynowych w nowoczesnych fabrykach.
3. Jak działa wizja maszynowa
Proces działania systemu wizji maszynowej w praktyce przebiega zazwyczaj w następujących krokach:
1. Rejestrowanie obrazu: Na początku kamera przechwytuje obraz obserwowanej sceny lub obiektu. Należy dobrać odpowiedni typ kamery i ustawić parametry przechwytywania (czas naświetlania, częstotliwość klatek itp.), aby uzyskać obraz o wysokiej jakości z odpowiednimi detalami. Kluczowe znaczenie ma optymalne oświetlenie sceny, które uwydatnia istotne cechy obrazu i redukuje zakłócenia (cienie, odblaski).
2. Wstępne przetwarzanie obrazu: Surowy obraz z kamery może zawierać szumy lub niedoskonałości utrudniające dalszą analizę. Dlatego oprogramowanie często wykonuje wstępne przetwarzanie, takie jak filtrowanie szumu, regulacja kontrastu, korekcja geometrii lub inne poprawki jakości obrazu.
3. Ekstrakcja cech: Z obrazu wyodrębniane są istotne cechy niezbędne do podejmowania decyzji. Może to być wykrywanie krawędzi obiektów, rozpoznawanie kształtów, obszarów kolorystycznych, tekstur itp. Na tym etapie system uzyskuje informacje ilościowe lub jakościowe (np. liczba i rozmiar defektów, obecność określonego kształtu).
4. Rozpoznawanie i analiza: Na podstawie wyodrębnionych cech następuje właściwa analiza, czyli porównanie z modelami lub wartościami tolerancji. System może korzystać z algorytmów rozpoznawania wzorców w celu identyfikacji obiektów lub weryfikacji zgodności obrazu z oczekiwanym wzorem (np. produkt dobry vs wadliwy). Nowoczesne systemy wizji maszynowej wykorzystują również głębokie sieci neuronowe wyszkolone do wykrywania określonych rodzajów defektów lub obiektów.
5. Podejmowanie decyzji: Na podstawie wyników analizy system podejmuje decyzję. Na przykład klasyfikuje element jako zgodny/niezgodny, odczytuje dane z kodu QR, określa pozycję obiektu do uchwycenia przez robota itp. Decyzje są podejmowane automatycznie na podstawie ustalonych kryteriów lub modelu predykcyjnego.
6. Przekazywanie wyników: Ostatnim etapem jest przesłanie wyników dalej. System zwykle wysyła sygnał do systemu sterowania linią (PLC), aby odrzucić wadliwy element, zapisuje dane w bazie danych lub przekazuje robotowi polecenie wykonania operacji. Komunikacja najczęściej odbywa się w czasie rzeczywistym, aby proces produkcyjny mógł natychmiast zareagować.
4. Komponenty systemów wizji maszynowej
Typowy system wizji maszynowej składa się z kilku podstawowych komponentów, które wspólnie umożliwiają rejestrację i przetwarzanie obrazu:
- Kamera: Podstawowy element systemu, który rejestruje obraz sceny lub obiektu. W przemyśle stosuje się różne typy kamer, np. kamery matrycowe (area-scan) rejestrują dwuwymiarowy obraz całej sceny, podczas gdy kamery liniowe (line-scan) skanują obraz linia po linii i nadają się do materiałów poruszających się w sposób ciągły. Kluczowe parametry to rozdzielczość, liczba klatek na sekundę i czułość sensora.
- Oświetlenie: Odpowiednie oświetlenie obiektów jest kluczowe dla uzyskania obrazu wysokiej jakości. Stosuje się specjalistyczne źródła światła w różnych kolorach, lasery lub najczęściej panele LED, pierścienie czy listwy rozmieszczone tak, aby uwydatnić istotne cechy obiektu (np. rysy na powierzchni, krawędzie). Wybór rodzaju oświetlenia i kąta padania światła ma istotny wpływ na jakość obrazu.
- Optyka: Obiektyw kamery odpowiada za ostrość obrazu, a także określa pole widzenia i głębię ostrości. Dobór odpowiedniego obiektywu zależy od wielkości obserwowanego obiektu oraz oczekiwanej rozdzielczości detali. W niektórych zastosowaniach wykorzystuje się również specjalne filtry (np. polaryzacyjne lub barwne) w celu eliminacji niepożądanych efektów oświetlenia.
- Jednostka obliczeniowa: Wysokowydajny komputer lub dedykowany procesor przetwarza dane obrazowe w czasie rzeczywistym. Może to być komputer przemysłowy, dedykowany kontroler wizyjny lub procesor zintegrowany z obudową smart kamery. Jednostka ta realizuje algorytmy przetwarzania obrazu (od filtracji szumu i poprawy kontrastu, po zaawansowaną analizę z wykorzystaniem uczenia maszynowego) oraz podejmuje decyzje na podstawie wyników detekcji.
- Frame grabber (karta przechwytująca): Gdy kamera dostarcza analogowy lub specjalny sygnał wideo o wysokiej szybkości, potrzebny jest dodatkowy moduł do przechwytywania i digitalizacji sygnału, tzw. frame grabber. To karta lub moduł sprzętowy, który umożliwia transmisję obrazu do jednostki obliczeniowej bez utraty jakości i przy wymaganej prędkości. W przypadku nowoczesnych kamer cyfrowych z interfejsem GigE Vision, USB3 czy CameraLink, grabber może być zintegrowany z jednostką sterującą lub nie być wcale potrzebny, ponieważ kamera przesyła dane bezpośrednio do komputera.
- Oprogramowanie: Specjalistyczne oprogramowanie do przetwarzania obrazu stanowi mózg całego systemu. Zawiera algorytmy analizy obrazu, wykrywania obiektów i podejmowania decyzji. Może wykorzystywać zarówno klasyczne metody (np. wykrywanie krawędzi, pomiar wymiarów), jak i techniki sztucznej inteligencji (sieci neuronowe do rozpoznawania wzorców). Oprogramowanie często obsługuje także komunikację z urządzeniami zewnętrznymi (PLC, robotami) i integrację systemu wizyjnego z szerszym procesem produkcyjnym.
5. Rodzaje systemów wizji maszynowej
Konkretne systemy wizji maszynowej można podzielić na kilka kategorii w zależności od konfiguracji i zastosowania:
Systemy 2D: Pracują na podstawie dwuwymiarowego obrazu. Wykorzystywane są do śledzenia obiektów, odczytu kodów kreskowych, kontroli oznaczeń czy wykrywania wad powierzchni. Sprawdzają się tam, gdzie wystarczy płaski widok na scenę. Przykładami są kontrola etykiet, wykrywanie zarysowań na płaskiej powierzchni czy sprawdzanie kompletności produktu z góry.
Systemy 3D: Oprócz obrazu 2D rejestrują także głębię (trzeci wymiar), dzięki czemu analizują trójwymiarowy kształt obiektów. Przy użyciu kamer 3D potrafią mierzyć wymiary elementów, analizować nierówności profilu powierzchni i precyzyjnie prowadzić roboty w przestrzeni. Wizja 3D znajduje zastosowanie np. w kontroli wymiarów odlewów, montażu przestrzennie złożonych podzespołów czy nawigacji autonomicznych wózków. Przykładem jest inteligentna kamera Hikrobot SC200A przeznaczona do nawigacji pojazdów robotycznych.
Kolorowe systemy wizyjne: Zaprojektowane są z myślą o analizie kolorów obserwowanych obiektów. Stosowane np. w przemyśle spożywczym lub tekstylnym, gdzie istotne jest rozpoznawanie obiektów i defektów na podstawie różnic kolorystycznych. Przykładami są sortowanie owoców według stopnia dojrzałości, kontrola właściwego odcienia lakieru lub wykrywanie kolorowych oznaczeń na produktach.
Systemy do rozpoznawania wzorców: Specjalizują się w identyfikacji określonych wzorców lub kształtów na obrazie. Obejmują m.in. technologie rozpoznawania twarzy, odczytu tablic rejestracyjnych, identyfikacji znaków (OCR) czy kontroli nadrukowanych wzorów na opakowaniach. Algorytmy te często wykorzystują uczenie maszynowe do nauki i wykrywania danego wzorca.
Systemy do analizy ruchu: Monitorują obiekty w ruchu lub zmiany zachodzące w czasie. Znajdują zastosowanie w robotyce i automatyzacji, gdzie ważne jest śledzenie trajektorii, wykrywanie nieregularności w ruchu lub synchronizacja pracy maszyn. Mogą być częścią systemów wspomagających dla robotów (np. wizja dla robotów współpracujących z człowiekiem) albo systemów kontroli płynności przepływu materiałów na linii produkcyjnej.
6. Zalety systemów wizji maszynowej
Wdrożenie systemów wizji maszynowej w porównaniu z kontrolą ręczną lub tradycyjnymi metodami przynosi wiele korzyści:
- Stała jakość kontroli: Wizja maszynowa niezawodnie wykrywa wady i odchylenia, które ludzki wzrok mógłby przeoczyć, i to w sposób niezmienny przez dowolnie długi czas. Eliminuje subiektywność ludzkiej oceny i zapewnia jednolity standard jakości każdego produktu.
- Wyższa produktywność: Automatyczna inspekcja przebiega z dużą szybkością (systemy kamerowe mogą analizować dziesiątki lub setki sztuk na minutę), często w trakcie ruchu linii produkcyjnej. Przyspiesza to proces produkcji i eliminuje wąskie gardła, w których kontrola ręczna nie nadąża.
- Mniejsze zapotrzebowanie na pracę: Systemy wizji mogą pracować bez przerwy, bez zmęczenia i w trudnych lub monotonnych warunkach. Rozwiązują problem niedoboru siły roboczej przy zadaniach rutynowych i zmniejszają liczbę błędów wynikających ze zmęczenia lub nieuwagi człowieka.
- Zbieranie danych i informacja zwrotna: W przeciwieństwie do kontroli ręcznej, systemy wizji maszynowej mogą zapisywać szczegółowe dane o każdym sprawdzonym elemencie. Informacje z kamer można analizować i wykorzystywać do statystyk jakości, identyfikowalności wadliwych partii czy optymalizacji procesu. Zapewnia to cenną informację zwrotną dla ciągłego doskonalenia produkcji.
- Większe bezpieczeństwo: W niektórych branżach, takich jak przemysł chemiczny czy hutnictwo, inspekcja wizualna może stanowić zagrożenie dla człowieka. Wdrożenie kamer i automatycznej kontroli w strefach niebezpiecznych zwiększa bezpieczeństwo pracowników.
7. Na co zwrócić uwagę przy wdrażaniu systemu wizyjnego
Choć wizja maszynowa przynosi znaczące korzyści w zakresie jakości, efektywności i automatyzacji, jej skuteczne wdrożenie wymaga przemyślanego podejścia i starannego przygotowania. Już na wczesnym etapie projektu warto rozważyć następujące aspekty:
- Początkowa inwestycja i zwrot kosztów: Zakup komponentów systemu wizyjnego, czyli kamer, optyki i oświetlenia, wiąże się z pewnym nakładem początkowym. Zwrot z inwestycji zazwyczaj następuje dopiero w dłuższej perspektywie, dzięki zmniejszeniu liczby braków, ograniczeniu pracy ręcznej i wzrostowi efektywności.
- Wymagania integracyjne i potrzeba wiedzy specjalistycznej: Skuteczna integracja systemu z istniejącą linią produkcyjną wymaga odpowiedniego know-how, prawidłowego doboru parametrów akwizycji obrazu oraz komunikacji z nadrzędnymi systemami sterowania. Współpraca ze specjalistami od automatyki lub wizji maszynowej znacznie ułatwia cały proces.
- Stabilność warunków otoczenia: Systemy wizji maszynowej działają najlepiej w stabilnym i kontrolowanym środowisku. Zmienność oświetlenia, kurz czy wibracje mogą negatywnie wpływać na jakość obrazu. Dlatego należy zadbać o odpowiedni projekt oświetlenia oraz zabezpieczenie komponentów przed zakłóceniami.
- Gotowość na zmiany produktu: W przypadku częstych zmian kształtu lub wyglądu kontrolowanych wyrobów warto rozważyć systemy wykorzystujące uczenie maszynowe, które łatwiej adaptują się do nowych wariantów produktów.