Visi mesin

Demonstrasi sistem penglihatan mesin Automatix awal "Autovision II" di sebuah pertunjukan perniagaan pada 1983. Kamera di atas tripod menjalankan penyarian tompok dengan bantuan cahaya belakang.

Visi mesin atau penglihatan mesin (bahasa Inggeris: machine vision, MV) ialah teknologi dan kaedah yang digunakan untuk menerapkan penglihatan komputer bagi penggunaan seperti pemeriksaan automatik, kawalan proses, dan panduan robot dalam industri.[1][2] Ruang lingkup MV luas.[2][3][4]

MV berkait dengan, namun berbeza daripada, penglihatan komputer.[2] Penglihatan komputer lebih terfokus kepada pemprosesan imej berasaskan mesin manakala penglihatan mesin sering memerlukan peranti input/output digital dan rangkaian komputer untuk mengawal alat perlengkapan pembuatan seperti lengan robot. Penglihatan mesin (dan penglihatan komputer) boleh juga dianggap sebagai subbidang antara disiplin kejuruteraan dan sains komputer[5] yang merangkumi kejuruteraan mekanik dan elektrik, optik dan automasi industri.

Penggunaan

Penggunaan utama visi mesin ialah pemeriksaan automatik dan panduan robot perindustrian.[6] MV lazim digunakan dalam jaminan mutu, pengisihan, pengendalian bahan, panduan robot, dan tolokan optik.[4] Sebagai contoh, dalam pembikinan peranti semikonduktor, sistem MV memeriksa wafer silikon, cip pemproses, dan subkomponen seperti perintang dan kapasitor.[7]

Sama seperti pemeriksa manusia yang memeriksa kualiti buatan dengan melihat di barisan pemasangan, sistem visi mesin menggunakan kamera digital/kamera pintar dan perisian pemprosesan imej untuk membuat pemeriksaan yang sama. Pengilang menyukai sistem penglihatan mesin untuk pemeriksaan penglihatan yang memerlukan operasi berterusan 24-jam, kelajuan dan/atau kuasa pembesaran tinggi serta pengukuran yang berulang-ulang. Kerap kali tugas-tugas ini dipanjangkan ke peranan yang secara tradisionalnya dilakukan oleh manusia, yang darjah kegagalannya agak tinggi disebabkan gangguan, penyakit dan keadaan, walaupun manusia mungkin mempamerkan cerapan yang lebih baik dalam tempoh masa pendek, kefleksibilan yang lebih dalam pengelasan dan penyesuaian yang pantas terhadap kecacatan atau polisi jaminan kualiti baru.[8]

Kaedah

Komputer tidak 'melihat' dengan cara yang sama dengan manusia. Kamera tidak setara dengan optik manusia. Sementara manusia boleh bergantung pada sistem inferens dan anggapan, peranti komputeran perlu 'melihat' dengan memeriksa dan memproses setiap piksel dalam imej, dan kemudian cuba membuat kesimpulan dengan bantuan pangkalan pengetahuan dan ciri-ciri pemprosesan imej.[9]

Kaedah penglihatan mesin ditakrifkan sebagai kedua-dua proses mendefinisi dan mencipta penyelesaian MV,[10][11] dan sebagai proses teknikal yang terjadi semasa perjalanan penyelesaian tersebut. Di sini fokus diberikan terhadap proses teknikal yang dilaksanakan. Setakat 2006, terdapat kekurangan pemiawaian dalam pengantaramukaan dan tatarajah yang digunakan dalam MV. Ini termasuklah antara muka pengguna, antara muka penyepaduan sistem multi-komponen dan pertukaran data berautomat.[12] Walau bagaimanapun, langkah pertama dalam mana-mana urutan operasi MV ialah pemerolehan imej, biasanya menggunakan kamera, kanta, dan pencahayaan yang telah dirancang bagi menonjolkan perbezaan yang diperlukan oleh pemprosesan lanjut.[13][14] Pakej perisian MV kemudian menggunakan berbagai-bagai teknik pemprosesan imej digital untuk menyari maklumat yang dikehendaki, dan kerap kali membuat keputusan (seperti lulus/gagal) berdasarkan maklumat yang diperolehi.[15]

Walaupun sebahagian besar aplikasi visi mesin masih diselesaikan dengan menggunakan pengimejan dua dimensi, aplikasi penglihatan mesin yang menggunakan pengimejan 3D merupakan satu nic yang sedang berkembang dalam industri ini.[16][17]

Pengimejan

Sementara pengimejan konvensional (cahaya nampak 2D) digunakan secara meluas dalam MV, terdapat pilihan lain seperti pengimejan pelbagai jalur inframerah,[18] pengimejan imbas garisan, pengimejan permukaan 3D dan pengimejan sinar-X.[6] Pembahagian utama dalam pengimejan cahaya nampak 2D MV ialah monokromatik lwn warna, resolusi, dan sama ada proses pengimejan itu serentak ke atas keseluruhan imej, menjadikannya sesuai untuk proses bergerak.[19] Kaedah yang paling biasa digunakan bagi pengimejan 3D ialah penyegitigaan berasaskan imbasan. Kaedah 3D lain yang digunakan bagi visi mesin ialah masa terbang, berasaskan grid dan stereoskopik.[16] Sebagai contoh, sistem Kinect Microsoft ialah sejenis sistem berdasarkan tatasusunan grid menggunakan cahaya berstruktur pseudorawak.[20][21]

MV dengan DSP

Peralatan mengimej (e.g. kamera) boleh jadi terpisah dari unit pemprosesan imej utama ataupun tergabung sekali dalam satu peranti, dan dikenali sebagai kamera pintar atau pengesan pintar.[22][23] Sekiranya berasingan, sambungan boleh dibuat melalui suatu perkakasan pengantaraan khusus, sebuah penangkap bingkai piawai (seperti Camera Link dan CoaXPress) atau antara muka tersuai.[24][25][26][27] Pelaksanaan MV juga telah menggunakan kamera digital yang mampu membuat sambungan terus (tanpa penangkap bingkai) kepada sebuah komputer melalui antara muka FireWire, USB atau Gigabit Ethernet.[27][28]

Memandangkan aplikasi visi mesin bersifat automatik dan boleh dipantau dari jauh, persekitaran MV boleh direka supaya menyerlahkan ciri-ciri yang dikehendaki dan mengelamkan ciri-ciri yang mengganggu. Kanta tambahan dan sumber cahaya terkawal boleh membantu memfokus medan penglihatan yang sesuai.[29]

Pemprosesan imej

Rencana utama: Pemprosesan imej digital

Selepas sesuatu imej diperolehi ia akan diproses.[26] Kaedah pemprosesan imej visi mesin termasuklah:

  • Mengira piksel: mengira jumlah piksel cerah dan gelap.[30]
  • Pengambangan: menukar imej skala kelabu kepada cuma hitam putih atau memisahkan objek daripada latar berdasarkan suatu nilai skala kelabu.[31]
  • Pensegmenan: memetakan suatu imej digital kepada berbilang segmen bagi meringkaskan dan/atau menukar perwakilan imej tersebut kepada sesuatu yang lebih bermakna dan lebih mudah dianalisis.[32]
  • Penemuan & manipulasi tompok: memeriksa imej bagi tompok diskrit piksel bersambung (e.g. lubang hitam pada objek kelabu) sebagai tanda penting imej. Tompok-tompok ini kerap kali merupakan sasaran optik untuk pemesinan, tangkapan robot, atau kegagalan perkilangan.[33]
  • Pengecaman pola termasuk pemadanan templat. Mengesan, memadan, dan/atau mengira pola tertentu. Ini mungkin termasuk lokasi objek yang mungkin terputar, sedikit tersorok oleh objek lain, atau berbeza saiz.[34]
  • Pembacaan kod bar, Matriks Data dan "kod bar 2D".[35]
  • Pengecaman aksara optik: membaca teks secara automatik seperti nombor siri.[36]
  • Penolokan/Metrologi: mengukur dimensi objek (e.g. dalam piksel, inci atau milimeter).[37]
  • Pengesanan pinggir: mencari pinggir objek.[38]
  • Pemprosesan rangkaian neural: membuat keputusan multi-pem bolehubah berpemberat dan latihan mandiri.[39]
  • Penapisan (e.g. penapisan morfologi).[40]
  • Jahitan/Pendaftaran: menggabungkan imej 2D atau 3D bersebelahan.[41]
  • Analisis warna: mengecam bahagian, produk dan item menggunakan warna, menaksir kualiti daripada warna, dan mengasirkan sifat menggunakan warna.[40]

Output

Output MV boleh digunakan untuk mengawal robot

Output biasa bagi sistem visi mesin ialah keputusan lulus/gagal.[42] Keputusan ini mungkin pula memicu mekanisme yang menolak item gagal atau membunyikan penggera. Output biasa lain termasuklah kedudukan objek dan maklumat orientasi daripada sistem panduan robot.[6] Di samping itu, jenis output turut termasuk data pengukuran berangka, data dibaca daripada kod dan aksara, paparan proses atau keputusan, imej tersimpan, penggera daripada sistem pemantau ruang MV berautomat, dan isyarat kawalan proses.[10][14]

Pasaran

Pada 2006, seorang perunding industri melaporkan bahawa MV mewakili pasaran $1.5 bilion di Amerika Utara.[43] Akan tetapi, ketua sidang pengarang sebuah majalah perniagaan MV menekankan bahawa "visi mesin bukan sebuah industri per se" namun lebih kepada "penyepaduan teknologi dan produk yang menyediakan perkhidmatan atau aplikasi yang mendatangkan faedah kepada sebenar seperti perkilangan automotif atau barangan pengguna, pertanian, dan pertahanan."[3]

Setakat 2006, pakar menganggarkan bahawa MV telah digunakan dalam tidak sampai 20% aplikasi di mana ia berpotensi berguna.[44]

Pada 2012, MV berasaskan PC merupakan majoriti produk yang dijual, manakala MV berasaskan kamera pintar merupakan segmen pasaran visi mesin yang paling pantas berkembang. Jualan industri bertanggungjawab terhadap 75% kadar pusing ganti sistem dan kompenen MV di seluruh dunia, dan mendatangkan hasil $2,394.35 juta.[45]

Pada 2013 pula, syarikat penyelidik pasaran Yole Développement menerbitkan laporan yang, antara lain, menyebut bahawa jumlah jualan MV kepada industri pada 2012 ialah 1.2 juta kamera, dan akan bernilai $2 bilion pada 2018.[46]

Lihat juga

Rujukan

  1. ^ Steger, Carsten; Markus Ulrich; Christian Wiedemann (2018). Machine Vision Algorithms and Applications (ed. ke-2). Weinheim: Wiley-VCH. m/s. 1. ISBN 978-3-527-41365-2. Dicapai pada 2018-01-30.
  2. ^ a b c Graves, Mark & Bruce G. Batchelor (2003). Machine Vision for the Inspection of Natural Products. Springer. m/s. 5. ISBN 978-1-85233-525-0. Dicapai pada 2010-11-02.
  3. ^ a b Holton, W. Conard (October 2010). "By Any Other Name". Vision Systems Design. 15 (10). ISSN 1089-3709. Dicapai pada 2013-03-05.
  4. ^ a b Relf, Christopher G. (2004). Image Acquisition and Processing with LabVIEW. 1. CRC Press. ISBN 978-0-8493-1480-3. Dicapai pada 2010-11-02.
  5. ^ Bowyer, Kevin W.; Phillips, P. Jonathon (1998). "Overview of Work in Empirical Evaluation of Computer Vision Algorithms". Empirical Evaluation Techniques in Computer Vision. IEEE Computer Society Press: 1–11. Dicapai pada 10 Oktober 2013.
  6. ^ a b c Turek, Fred D. (Jun 2011). "Machine Vision Fundamentals, How to Make Robots See". NASA Tech Briefs. 35 (6): 60–62. Dicapai pada 2011-11-29.
  7. ^ "Machine Vision Systems". Microscan. Dicapai pada 10 Oktober 2013. Text "Machine Vision Technology" ignored (bantuan)
  8. ^ Hanief Ahmad Azam; Mohd. Zaid Abdullah (Disember 2009). "Real-Time Visual Guided Robot Featuring TMS320DM642 Digital Signal Processor". The 7th International Conference on Robotics, Vision, Signal Processing & Power Applications (ROVISP 2009). Langkawi: IEEE - Malaysia. m/s. 6. http://www.ieee.org/conferences_events/conferences/conferencedetails/index.html?Conf_ID=16220. Diperolehi Oktober 2013.
  9. ^ "Human vision vs computer power" (Flash). BBC News. 2 April 2012. Dicapai pada 10 Oktober 2013.
  10. ^ a b West, Perry A Roadmap For Building A Machine Vision System Muka surat 1-35
  11. ^ Dechow, David (Januari 2009). "Integration: Making it Work". Vision & Sensors: 16–20. Diarkibkan daripada yang asal pada 2020-03-14. Dicapai pada 2012-05-12.
  12. ^ Hornberg, Alexander (2006). Handbook of Machine Vision. Wiley-VCH. m/s. 709. ISBN 978-3-527-40584-8. Dicapai pada 2010-11-05.
  13. ^ Hornberg, Alexander (2006). Handbook of Machine Vision. Wiley-VCH. m/s. 427. ISBN 978-3-527-40584-8. Dicapai pada 2010-11-05.
  14. ^ a b Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. ISBN 3-540-66410-6.
  15. ^ Hornberg, Alexander (2006). Handbook of Machine Vision. Wiley-VCH. m/s. 429. ISBN 978-3-527-40584-8. Dicapai pada 2010-11-05.
  16. ^ a b Murray, Charles J (Februari 2012). "3D Machine Vison Comes into Focus". Design News. Diarkibkan daripada yang asal pada 2012-06-05. Dicapai pada 2012-05-12.
  17. ^ Davies, E.R. (2012). Computer and Machine Vision: Theory, Algorithms, Practicalities (ed. ke-4). Academic Press. m/s. 410–411. ISBN 9780123869081. Dicapai pada 2012-05-13.
  18. ^ Wilson, Andrew (April 2011). "The Infrared Choice". Vision Systems Design. 16 (4): 20–23. Dicapai pada 2013-03-05.
  19. ^ West, Perry High Speed, Real-Time Machine Vision CyberOptics, m/s. 1-38
  20. ^ Hybrid Structured Light for Scalable Depth Sensing Yueyi Zhang, Zhiwei Xiong, Feng Wu University of Science and Technology of China, Hefei, China Microsoft Research Asia, Beijing, China
  21. ^ R.Morano, C.Ozturk, R.Conn, S.Dubin, S.Zietz, J.Nissano (Mac 1998). "Structured light using pseudorandom codes". IEEE Transactions on Pattern Analysis and Machine Intelligence. IEEE Xplore. 20 (3): 322–327. doi:10.1109/34.667888. Dicapai pada 3 November 2013.CS1 maint: multiple names: authors list (link)
  22. ^ Belbachir, Ahmed Nabil, penyunting (2009). Smart Cameras. Springer. ISBN 978-1-4419-0952-7.
  23. ^ Dechow, David (Februari 2013). "Explore the Fundamentals of Machine Vision: Part 1". Vision Systems Design. 18 (2): 14–15. Dicapai pada 2013-03-05.
  24. ^ Wilson, Andrew (31 Mei 2011). "CoaXPress standard gets camera, frame grabber support". Vision Systems Design. Dicapai pada 2012-11-28.
  25. ^ Wilson, Dave (12 November 2012). "Cameras certified as compliant with CoaXPress standard". Vision Systems Design. Dicapai pada 2013-03-05.
  26. ^ a b Davies, E.R. (1996). Machine Vision - Theory Algorithms Practicalities (ed. ke-2). Harcourt & Company. m/s. 19. ISBN 978-0-12-206092-2.
  27. ^ a b Dinev, Petko (Mac 2008). "Digital or Analog? Selecting the Right Camera for an Application Depends on What the Machine Vision System is Trying to Achieve". Vision & Sensors: 10–14. Diarkibkan daripada yang asal pada 2020-03-14. Dicapai pada 2012-05-12.
  28. ^ Wilson, Andrew (Disember2011). "Product Focus - Looking to the Future of Vision". Vision Systems Design. 16 (12). Dicapai pada 2013-03-05. Check date values in: |date= (bantuan)
  29. ^ "Fundamentals of Imaging and Machine Vision" (PDF). Machine Vision Lighting Fundamentals. CVI Melles Griot. m/s. 6.19. Dicapai pada 17 Oktober 2013.
  30. ^ Monasse, Pascal; Guichard, Frederic (2000). "Fast computation of a contrast-invariant image representation". IEEE Transactions on Image Processing. IEEE. 9 (5): 860–872. doi:10.1109/83.841532. |access-date= requires |url= (bantuan)
  31. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 96. ISBN 3-540-66410-6.
  32. ^ Linda G. Shapiro dan George C. Stockman (2001): “Computer Vision”, m/s. 279-325, New Jersey, Prentice-Hall, ISBN 0-13-030796-3
  33. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 95. ISBN 3-540-66410-6.
  34. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 111. ISBN 3-540-66410-6.
  35. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 125. ISBN 3-540-66410-6.
  36. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 132. ISBN 3-540-66410-6.
  37. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 191. ISBN 3-540-66410-6.
  38. ^ Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. m/s. 108. ISBN 3-540-66410-6.
  39. ^ Turek, Fred D. (Mac 2007). "Introduction to Neural Net Machine Vision". Vision Systems Design. 12 (3). Dicapai pada 2013-03-05.
  40. ^ a b Gonzalez, R. C.; Woods, R. E. (2002). "Introduction". Digital Image Processing (ed. ke-2). Upper Saddle River, New Jersey: Prentice Hall. m/s. 26-27. ISBN 0-130-94650-8. |access-date= requires |url= (bantuan)
  41. ^ Szeliski, Richard. "Image Alignment and Stitching" (PDF). Dicapai pada 17/10/2013.
  42. ^ Andy Wilson (penyunting). "Machine vision--more than a pass/fail decision". Vision Systems Design. Dicapai pada 3 Oktober 2013.
  43. ^ Hapgood, Fred (15 Disember 2006/1 Januari 2007). "Factories of the Future". CIO. 20 (6): 46. ISSN 0894-9301. Dicapai pada 2010-10-28. Check date values in: |date= (bantuan)
  44. ^ Hornberg, Alexander (2006). Handbook of Machine Vision. Wiley-VCH. m/s. 694. ISBN 978-3-527-40584-8. Dicapai pada 2010-11-05.
  45. ^ "Machine Vision Systems & Components Market worth $ 5 Billion - 2018". Amsterdam: ASDReports. 19 Mac 2013. Dicapai pada 21 Oktober 2013.
  46. ^ Matthew Peach (27 Jun 2013). "Global industrial machine vision sales to hit $2bn by 2018". optics.org. Dicapai pada 21 Oktober 2013.

Bacaan lanjut

  • E. R. Davies (2004). Machine Vision : Theory, Algorithms, Practicalities. Morgan Kaufmann.
  • Batchelor B.G. dan Whelan P.F. (1997). Intelligent Vision Systems for Industry. Springer-Verlag. ISBN 3-540-19969-1. Versi PDF dalam talian [1]
  • Demant C., Streicher-Abel B. dan Waszkewitz P. (1999). Industrial Image Processing: Visual Quality Control in Manufacturing. Springer-Verlag. ISBN 3-540-66410-6.
  • Gonzales R. C. dan Wintz P. A. (2001). Digital Image Processing. Longman Higher Education. ISBN 978-0201110265.
  • Pham D.T. dan Alcock R.J. (2003). Smart Inspection Systems: Techniques and Applications of Intelligent Vision. Academic Press. ISBN 0-12-554157-0.
  • Berthold K.P. Horn (1986). Robot Vision. MIT Press. ISBN 0-262-08159-8.

Pautan luar

Strategi Solo vs Squad di Free Fire: Cara Menang Mudah!