3D kamera az iparban és a logisztákban

A machine vision piacon – pont, mint a szórakoztatóiparban – a 2010-es évek elhozták a 3D technológiák forradalmát. A szenzorok egyre pontosabban pontfelhőket tudtak alkotni, a szoftveres utófeldolgozás és felhasználói felület nagyságrendekkel hatékonyabbá vált, és az eszközök ára is meredeken csökkent.

Mostanra az ipari szereplők felismerték a 3D kamerák nyújtotta lehetőségeket, és kezd letisztulni a kép, hogy milyen tipikus feladatok megoldására érdemes alkalmazni ezeket az eszközöket. Jelen írásunkban ezeket vesszük végig.

1.     Piece picking – raktár automatizáció, logisztika

A robotizált piece picking az a folyamat, mely során különböző áruk az azonosítójuk alapján (SKU, stock-keeping unit) kerülnek összeválogatásra, majd csomagokba rendezésre a vevőnek történő kiszállítás előtt. A webáruházak elterjedésével az ilyen jellegű feladatok gyakorisága meredeken növekedett az elmúlt időszakban, és előreláthatólag tovább fog nőni a következő években. A járvány következtében felpörgött online kereskedelem pedig ennek a terjedésnek újabb lendületet adott, így ma már az egyik legjellemzőbb 3D ipari felhasználási területté vált a Piece picking.

 A fejlett kamerás robotrendszerek, azon belül is a 3D kamerákat használó rendszerek népszerűsége könnyen érthető ezeknél az alkalmazásoknál.  A jó minőségű objektumdetekció elengedhetetlen a sikeres megragadás és lehelyezés elvégzéséhez.

Az ilyen feladatok hagyományos, nem robotizált elvégzése kiemelten erőforrásigényes feladatnak számít, így az automatizálási projektek megtérülése gyors. A legmodernebb érzékelőkön alapuló rendszerek beszerzése gazdaságilag is indokolt. Ezek segítségével ráadásul eddig elérhetetlen hatékonysággal és sebességgel lehet végezni az ilyen jellegű feladatokat.

De milyen lépésekből is áll egy ilyen feladat gépi látás szempontból?

Az első lépés a logisztikai menedzsment rendszer által kijelölt tárgy azonosítása a raktárban. Ehhez jellemzően 2D kódolvasó kamerákat szokás használni, amikkel beazonosítható a terméken lévő jelölés (mátrix kód, QR kód, vonalkód). Ez máris megmutatja, hogy a piece picking feladatok során nem kizárólag 3D kamerákra van szükség, hanem jó minőségű 2D képre is. Sok gyártó többek között ezért is dobott piacra olyan eszközöket, melyek a két technológiát ötvözik.

A második lépés a termék alakjának, elhelyezkedésének, orientációjának detekciója. Itt különösen az élek és oldallapok milliméterpontos azonosítására kell gondolni.

A kialakult 3D pontfelhő alapján a rendszer automatikusan megtervezi a harmadik lépést: a tárgy megragadásának módját. Ez természetesen függ az eszköz jellegétől, de összességében elmondható, hogy a sérülésmentes, stabil megfogás a cél, illetve a tárgy megragadás közbeni esetleges mozgásának a figyelése (boruló, elcsúszó tárgy). Minél pontosabb a kialakított pontfelhő, annál pontosabb lesz a megragadás.

Az utolsó lépés a termék lehelyezése egy dobozba. Ez szintén magas fokú precizitást igényel. A termékek és a csomagolás sérülésének elkerülése az elsődleges cél, azonban mindezt minél gyorsabban kell végrehajtani. A bepakolandó termékek dimenzióinak felmérése a 3D kamera feladata, ez alapján képes a rendszer az optimális elrendezés kiszámolására.

Összességében elmondható, hogy a megbízható, gyors piece picking napjainkban is komoly kihívást jelent az automatizált rendszerek, robotok számára, azonban az ehhez szükséges 3D ipari kamerák már elfogadható áron kaphatóak.

2.     Bin picking – véletlenszerűen elhelyezett tárgyak azonosítása és megragadása

A bin picking – avagy random bin picking – szintén egy tipikus, 3D kamerát igénylő ipari automatizációs probléma. Jellemzően egy adott gyártási folyamat előtt, vagy után szokott felmerülni, mikor a futószalagon véletlenszerűen elhelyezkedő, egymással átfedésben lévő objektumokat kell a robotkarnak rakodnia. Ez történhet a következő munkafolyamat betáplálása céljából, de lehet valamilyen szempont (pl méret, minőség) szerinti válogatás esetén is.

Ennél az alkalmazásnál szintén kritikus a megfelelő minőségű 3D képalkotás, enélkül a robot képtelen lenne megtalálni a megfelelő megragadási szöget, irányt (és halmozott munkadarabok esetén a megragadási sorrendet).

A korábban használatos lézeres scannerekhez képest a 3D kamerák gyorsabban, jobb minőségben tudják elvégezni a szükséges méréseket. Egy ToF (Time of Flight) kamera 300ms alatt képes erre, még akkor is, ha a tárgy felülete fényes, vagy tükröződő.

A nem matt felületű tárgyakról másként verődik vissza a fény, ami hibás mérési eredményekhez vezethet. Ezek alapján pedig a rendszer téves 3D modellt készíthet, ami jelentősen megemeli a folyamat selejtarányát. Az ilyen, hibásan mért távolságadatok kiszűrése jellemzően szoftveres képjavítással lehetséges. A 3D ToF kamerák rendelkeznek egy úgynevezett konfidencia térképpel. Ez megmutatja, hogy az egyes pixelek által mért távolságértékek mennyire tűnnek megbízhatónak. Ezt a szoftver többek között a környező pontoktól számított eltérés mértéke alapján becsüli. A megfelelő konfidencia minimum beállításával kiszűrhető a legtöbb, becsillanásból eredő hiba.

A piece pickinghez hasonlóan a bin picking is még csak a közelmúltban vált automatizálási rutinfeladattá. Még a legnagyobb gyárak körében is lassú az átállás az ilyen automatizált rendszerekre. A KKVk között pedig még gyakorlatilag el se kezdődődött ez a folyamat.

Bizonyos termékjellemzők tovább nehezítik a feladat megoldását. Bonyolult alakú, nehezen megfogható, egymásba gabalyodott tárgyak például gyakran lehetetlenné teszik a folyamat költséghatékony automatizálását. Épp ezért minden ilyen automatizálási projekt egyedi felmérést, tervezést igényel.

Az egyes tárgyakra jutó felbontás is kulcs kérdés a bin picking során. Nagy általánosságban elmondható, hogy a megbízható, stabil megragadáshoz szükséges, hogy az 5 milliméternél kisebb részletek is alaposan megfigyelhetőek legyenek a pontfelhőn. Mivel a 3D kamerák felbontása jellemzően elmarad az az azonos interfészen üzemelő 2D kamerákétól, ezért ezt a kritériumot nem is olyan egyszerű teljesíteni. Egyre elterjedtebb megoldás, hogy a kamerát egy robotkar végére szerelik, így változtatható a látószög és a tárgytávolság.

3.     Machine tending – gép betáplálás

A szerszámgépek, és CNC esztergálógépek, valamint egyéb gyártóeszközök alapanyag betáplálása szintén egy tipikus, 3D kamerát igénylő, magasfokon automatizálható feladat. Erre a feladatkörre tradicionális ipari robotkarok mellett kooperatív robotokat is használnak.

A folyamat irányítására kiválasztott 3D kamera kiválasztása alapvetően befolyásolja a detekció minőségét, illetve segíti az objektum pontos megragadását, célterületre történő pontos lehelyezését. Mindezt magas ismétlési pontossággal.

Bizonyos machine tending feladatok során nem csak a munkadarab pozíciója, hanem orientációja is kötött lehet. Ezekben az esetekben különösen előnyös egy 3D gépilátás rendszer kiépítése, hogy a minimumra csökkenthető legyen a hibaarány.

Egy ilyen esetben tardicionálasn több areascan kamerát is használtak, amik különböző szögből ellenőrizték a lehelyezést. Egy 3D kamerával ezek egyben kiválthatóak, így csökkenhet a teljes rendszer költsége. A kevesebb eszköz kevesebb kábelt és más kiegészítőt (pl. kameratartó konzolt) is jelent, ami szűkös környezet esetén további előnnyel jár.

4.     Assembly 3D – gépilátás alapú automatizált összeszerelés

Az automatizált összeszerelés általában megköveteli, hogy minden tárgy, eszköz és szerelvény fixen rögzített legyen. A 3D-s gépilátás robot-összeszerelő rendszerek ehhez képest sokkal nagyobb rugalmasságot tesznek lehetővé. A 3D kamera az iparágban eddig nem ismert pontosságot tett lehetővé, így az egyes alkatrészek nagyobb tűréssel készülhettek.

Az összeszerelés automatizálása stabilitást, megbízhatóságot és nagy sebességet igényel. Egy tipikus setup magában foglalja az alkatrészek csoportosítását, mechanikus válogatással vagy olyan mérnöki megoldással, ami biztosítja, hogy az alkatrészek pontosan és megbízhatóan kerüljenek behelyezésre a folyamat egyes lépései során.

A távolság szenzorok és a 3D gépi látás kamerák bevezetésekor a cél az, hogy csökkenjen a speciális gépek, vagy egyedi alkatrészek iránti igény, mindeközben növekedjen a rugalmasság az összeszerelési szakaszban. Az ilyen, 3D-s gépi látás vezérelt robot-összeszerelő gyártósorok képesek a különféle összefonódó, egymást átfedő és véletlenszerűen elhelyezett objektumok megbízható felismerését. A gépi látás rendszernek megbízhatóan kell detektálnia a csillogó és fényvisszaverő alkatrészeket az egyes munkafolyamatok során.

Time of Flight kamerák tipikus alkalmazási esetei a robotikában és a logisztikában II. – Térfogatmérés

Aki már adott fel, illetve kapott csomagot az tudja, hogy a küldemények térfogatának megadása szükséges a szállítási költségek meghatározásához. A szállítási költségeket gyakran egyszerű becslések és / vagy a feladó által szolgáltatott információk alapján határozzák meg, ezért azok pontatlanok lehetnek. A ToF kamerák segítségével lehetséges gyorsan, mozgás közben megmérni a csomagolt egységek térfogatát, bármilyen alakúak is legyenek azok. Ezután a szállítási költségek kalkulációja már mért adatok alapján történhet. Továbbá a 3D adatokon alapuló térfogatmérés és helymeghatározás segítségével megvalósítható az automatizált raktárkezelés, a konténerek és szállítóeszközök hatékony feltöltése. A teljes folyamat automatizálása és optimalizálása együttesen jelentős megtakarítást tesz lehetővé a logisztikai iparág szereplői számára.

Egy automatizált csomagelosztó üzem bemutatása (ahol az automatizált feladatoknak csupán egy része a térfogatmérés és helymeghatározás):

 

Time of Flight kamerák tipikus alkalmazásai a robotikában és a logisztikában I.

Ha összehasonlítjuk a Time-of-flight (ToF) kamerákat más 3D-kamerákkal (sztereó kamerák, vetített mintás kamerák, lézeres scannerek) három jelentős különbséget kell kiemelni azokhoz képest: A ToF-kamerák

• olcsóbbak,
• egyszerűen integrálhatóak
• kevésbé körülményes a használatuk.

Egyszerűen felhasználhatóak arra, hogy tárgyak méreteit vegyük le, illetve elválasszuk őket egymástól. Ehhez a ToF kamera nem igényel kontrasztos színeket, jól látható sarkokat vagy éleket, és képes mozgás közben is elvégezni a feladatokat.

A Time-of-flight kamerák olyan alkalmazásokhoz a legmegfelelőbbek, melyek nagy tárgytávolságot, nagy sebességet és alacsony komplexitást igényelnek. Ha ezek a kritériumok lényegesek az elvégzendő feladat szempontjából, és az alacsony költségkeret fontosabb, mint a milliméteres pontosság, akkor megfelelő választás a Time-of-flight.

A ToF kamerák ideálisak például logisztikai mérések, bepakolási és kipakolási feladatatok megtervezésére, illetve önvezető gépjárművek vezérlésére. Ezeket a jellemző alkalmazási területeket mutatjuk be most induló cikksorozatunkkal.

• Logisztikai mérések
• Palettázó tevékenységek
• Önvezető gépjárművek

Új lehetőségek a kis tételek számára

Az Ipar 4.0 egyik fontos hatása az, hogy az automatikus vezérlésének köszönhetően sok munkaeszköz költséghatékonyan, nemcsak nagy mennyiségben, hanem sokkal kisebb tételekben is előállítható. Ennek egyik példája a már korábbi cikkünkben említett textilgyártás; a másik pedig az egyedi tervezésű fémdarabok gyártása a vásárlói specifikációhoz, például postafiókokhoz vagy korlátokhoz.

De hogyan tudják támogatni a precíz ipari kamerarendszereket ebben az erőfeszítésben?

Elképzelhető például, hogy ez a fajta rendszer használható az újonnan előállított fém alkatrészek bevonására. Az automatikus fúvókák általában előprogramozott festési mozgások alapján működnek. Az ilyen előre programozott mozgásokat nehéz előre tervezni az egyéni munkához. Elvileg lehetőség nyílik a tervezési adatok meghatározására. Az utolsó permetképzési minta kiszámítása azonban igen összetett és pontatlan. Az ipari kamerák ezzel ellentétben a komponens pontos mérését végezhetik a helyszínen, meghatározva annak egyedi alakját és pozícióját, és ennek megfelelően a permetező karokat. Ugyanakkor a festési eredmények optikailag is vezérelhetők, akár a színezéssel, akár a bevonat bonyolultabb fényvisszaverő tulajdonságainak mérésével. Ez a vezérlési adat valós időben áramolhat a vezérlőegységbe. Ilyen módon az automatikus bevonatú rendszer önálló tanulássá válhat. Az új, de hasonló komponenseket az előző tapasztalatok alapján hatékonyabban lehet feldolgozni.

Hogyan képesek az ipari kamerarendszerek megvalósítani a futurisztikus gyártási folyamatok jövőképét?

Az ipari kamerák köré épített képfeldolgozó rendszerek már az automatizált gyártás alapvető elemei. A gyártás minden szakaszában, a nyersanyagok ellenőrzésétől és a gyártásellenőrzéstől (azaz hibakijelzéstől) a végső ellenőrzésig és minőségbiztosításig nélkülözhetetlen részét képezik a magas hatékonysági és minőségi szabványok elérésének.

Az Ipar 4.0 kifejezés az új folyamati formákat és az ipari termelés megszervezését jelenti. A központi elem a hálózatépítés és a kiterjedt adatkommunikáció. A cél az önszerveződő, erőteljesebben testre szabott és hatékony gyártás, amely átfogó adatgyűjtésen és hatékony információcserén alapul.

Itt a képfeldolgozás meghatározó szerepet játszhat a konkrét információk meghatározásában. Fontos szempont, hogy a kamerák továbbra is kisebbek és olcsóbbak lesznek a teljesítmény javulása mellett.

Ahol egykor összetettebb rendszerekre volt szükség, ott ugyanúgy alkalmazhatók a mai kicsi, hatékony rendszerek, hiszen ugyanazokat az eredményeket vagy még jobbakat produkálnak. Ez a technológiai haladás az egyre bővülő hálózatépítés lehetőségeivel együtt új lehetőségeket nyit meg az Ipar 4.0-ban.

A laborautomatizálás alkalmazási területei

Az előző cikkünk folytatásaként most bemutatunk néhány példát az automatizált, kamerákon alapuló laboralkalmazásokra.

1. Folyamat automatizálása

Ez magában foglalja az általános kamera alkalmazásokat, amelyek képalkotást és adatokat generálnak, nem pusztán analitikus, hanem folyamat támogató célokra is, pl. vonalkód / mátrix kód olvasásra. Ez magában foglalhatja a páciens minta ampullájának egyszerű azonosítását vagy a használt reagensből származó adatok továbbítását, amelyre a készüléknek szüksége van az elemzések elvégzéséhez. Egy központosított laboratóriumi információs rendszerrel történő munka során a megfelelő eredményeket automatikusan az adott páciens minta készletéhez rendelik és digitálisan kezelik.

Számos laboratóriumi eszköz folyékony vizsgálati anyaggal működik. Az alkalmazási területtől függően ebben az úgynevezett folyadékkezelési folyamatban különböző paramétereket kell meghatározni és/vagy ellenőrizni. Ez lehet pl. a folyadék állapota, az injekciós üveg típusa, a fedelet színe a tesztanyag belsejében (pl. szérum vagy vérrel telt injekciós üveg), vagy színtulajdonságok/rétegek vagy szabálytalanságok (buborékok, hab) a folyadékban. A kamerák előnyökkel járhatnak, hiszen alkalmazásuknál nem szükséges kapcsolatba lépni a mintával és eltávolítani a fedelet, ellentétben más módszerekkel, mint például a folyadék állapotának kapacitív meghatározásánál. Ez megelőzi a szennyeződést és lehetővé teszi a nagyobb áramlási sebességet.

2. Automatizált mikroszkópia

Az automatizált mikroszkópia magában foglalja az in vitro diagnosztikában (IVD) használt fény- és fluoreszcens mikroszkóp alkalmazásokat, az élettudományokat, a gyógyszerészeti kutatásokat és a digitális patológiát.

A különböző gyártók a kamerarendszereket használják az autoimmun betegségek diagnosztizálására, vagy a hematológiában ezzel diagnosztizálják a vér és vérképző szervek betegségeit, akárcsak a digitális patológiában. A patológusok szöveti szakaszokat vagy sejtmintákat vizsgálnak patológiai változásokra. Így mikroszkóppal megvizsgálható diákat készítenek a betegségekre vonatkozó következtetések levonására, és értékes információkat szolgáltatnak a diagnózis és a terápiás opciók számára, amelyek más eszközökkel, például a radiológiában nem feltétlenül észlelhetők.

Különböző célokra további automatikus mikroszkóp rendszerek állnak rendelkezésre. A kis eszköztől, amelyet az egyszerű sejtszámláláshoz használnak, egészen az olyan rendszerekig, amelyeket közvetlenül az inkubátorokban használnak, és manuális beavatkozás nélkül lehetővé teszik az időfüggő életcélképalkotást akár a nagyfelbontású szűrőrendszerekig.

Automatizálás a laboratóriumokban

A technika és az orvostudomány fejlődésnek köszönhetően az elmúlt évtizedekben az emberek várható élettartama jelentősen megnőtt. A nagyméretű kórházakban és laboratóriumokban használt egyre fejlettebb berendezések számos értékelési és elemzési feladatban nyújtanak támogatást.

A machine vision alkalmazása a laboratóriumokban

A laboratóriumi automatizálás koncepciója sokféleképpen értelmezhető, és különböző feladatokat foglal magában: egyszerű alkalmazásoktól, mint például a mérés, egészen a komplex robot- és analitikai rendszerekig. Ez számos orvosi, tudományos, gyógyszerészeti és analitikai területen eredményezi a kamerarendszerek alkalmazását. Az ilyen alkalmazások közül némelyik nyilvánvalóan felismerhető, míg mások a háttérben futnak, és információt nyújtanak a kapott diagnózisról. Mások viszont olyan eszközöket támogatnak, amelyek az eszközökön belül vannak, és nem közvetlenül kapcsolódnak a tényleges észlelési folyamathoz. Ezek az alkalmazások a vonalkód egyszerű beolvasásától a lézeres technológiák támogatásán át, a sejttechnológiás komplex folyamatokig terjednek, amelyek lehetővé teszik a tudósok számára a betegségek eredetének megismerését. Ezáltal lehetőség nyílik új, korszerű diagnosztikai eljárások, és terápiák kifejlesztésére.

A kórházi és kutatólaboratóriumok egyre inkább követik az automatizálás trendjét. Az alábbiakban ennek a fejlődésnek az alapvető mozgatórugóit szedtük össze.

1. Fokozódó költségnyomás:

Az egészségügyi rendszerek és a kutatóintézetek az egyre növekvő gazdasági feszültséget szolgáltatásaik költségcsökkentésével próbálják meg ellensúlyozni. A korszerű, olcsó rendszerösszetevőkön alapuló automatizálás lehetővé teszi a laboratóriumi berendezések költségeinek csökkentését, az emberi munkaerő felszabadítását.

2. Nagy sebesség:

Az elemzések gyorsabb feldolgozásának hála a laboratóriumok adott idő alatt több elemzést képesek elvégezni. Az ügyfelek gyorsabb kiszolgálása versenyelőnyt jelent a konkurensekkel szemben. Emellett az automatizálás felgyorsítja a kutatást is, így lerövidíti a projekteket, hamarabb elérhetővé válnak az új fejlesztések, technológiák.

3. Jobb minőségirányítás és szabványosítás

A laboratóriumokban sok kézzel is végrehajtható vizsgálatot egyre gyakrabban gépek végeznek el. Technikai jellemzőikből kifolyólag lehetővé teszik a feladatok pontosabb elvégzését és magasabb fokú reprodukálhatóságát. A rögzített képadatok egyszerűbbé teszik a dokumentációt és az archiválást, mely feladatok a minőségirányítási rendszerek alapkövei.

4. Tágabb elérhetőség:

A laborok magas fokú automatizáltsága biztosítja az új technológiák széles körű elérhetőségét. Ez sok felhasználó számára teszi lehetővé a bonyolultabb problémák távolról, akár más laborokból vagy országokból történő megoldását is. A könnyen használható és olcsó eszközök lehetővé teszik a diagnosztikát még a gazdasági és infrastrukturális kihívásokkal küzdő régiókban is. Ez azt jelenti, hogy a járvánnyal fertőzött térségekben az orvosi ellátás javítható. Az ilyen területeken dolgozó személyzet gyakran kevésbé képzett, a laboratóriumi berendezések általánosságban alacsonyabb színvonalat képviselnek, és az érintett betegek pénzügyi eszközei alacsonyak. Itt számíthatunk az egyre növekvő mennyiségű úgynevezett POC rendszerekre (POC = point of care) és a labor-on-a-chip technológiákra.

A laborautomatizálás mellett szintén aktuális téma, hogy pontosan milyen területen milyen kamerákat lehet alkalmazni. Erről részletesen következő cikkünkben lesz szó.

 

Az adat az új gázolaj

 

Az Intel (www.intel.com) és a BlackBerry (www.blackberry.com) is jelentős beruházásokat jelentett be az önvezető járműtechnológiák iparába.

Brian Krzanich, az Intel elnök-vezérigazgatója az LA Auto Show AutoMobility konferencián jelentette be, hogy az Intel Capital több mint 250 millió dollárt tervez befektetni az elkövetkező két évben, mellyel céljuk a teljesen automatikus vezetés megvalósítása.

“Elkötelezettek vagyunk, hogy olyan end-to-end megoldásokat készítsünk, amelyek értéket teremtenek az adatokból” – mondta Krzanich egy blogbejegyzésben. Emellett szót ejtett még arról is, hogy a világ az automatizált vezetés felé mozdul el, ami növelni fogja a biztonságot, és az utazás hatékonyságát, illetve környezetkímélőbbé teszi az autózást.

Ezek a rendszerek óriási terhet képesek majd levenni a sofőrök válláról. Egy ilyen gépjárműben a sofőr utassá válik, így hasznosan töltheti el az idejét az utazás alatt: dolgozhat, olvashat vagy akár aludhat is az út végéig. Az önvezető autókkal kapcsolatos kérdések jelenleg megosztják a társadalmat, de a jelenlegi trendek alapján 2030-ra a közlekedés nagy részét ezek az autók fogják uralni.

Krzanich beszédében elmondta, hogy az autóipar történelmi fordulópontnál tart. Most olyan új technológiák kerülnek az autókba, mint a szonár, a LIDAR és a gépi látás. Rávilágít arra, hogy az iparágnak fel kell készülnie, hogy az önvezető autók vezérléséhez naponta több mint 4000 GB adat valósidejű feldolgozására lesz szükség, ami rendkívüli számítási kapacitást igényel. Nem csak a járművek, de még a kereszteződések is szenzorokkal lesznek ellátva, így érzékelhető lesz többek között a gyalogos forgalom, megkönnyítve ezzel a városi közlekedést.

A BlackBerry továbbá bejelentette a BlackBerry QNX Autonomous Vehicle Innovation Center (AVIC) megnyitását Ottawában. Itt kerül sor a legújabb önvezető autók, és az ezeket kiszolgáló szoftverek fejlesztésére.

A BlackBerry célja, hogy piac kész szoftvereit a magán- és a közszférában működő partnereivel együttműködve fejlessze. A kezdeményezés részeként a BlackBerry QNX a helyi feltörekvő szoftvermérnököket veszi fel, hogy összekapcsolt és önvezető autókkal kapcsolatos projekteken dolgozzanak. Az Ontariói Közlekedési Minisztérium a közelmúltban jóváhagyta a BlackBerry QNX számára, hogy kísérleti program keretében tesztelje az önvezető járműveket az Ontario-utakon. Ezt a kísérletet és a BlackBerry QNX munkáját támogatni fogja, a Waterloo Egyetem, a PolySync (Portland) és a Renesas Electronics (Tokyo). Az egyik első cél egy koncepcióautó elkészítése.

Minderről tovább olvashat az AVIC honlapján:                                                    http://www.qnx.com/content/qnx/en/blackberry-qnx-autonomous-vehicle-innovation-centre.html

Képfeldolgozás a termelésben – robotok és emberek kéz a kézben dolgoznak együtt

Immár nem csak a termelőiparnak, hanem az ott dolgozó alkalmazottaknak is segítséget nyújtanak a gépilátás kamerák. Azonban az automatizálás előrehaladtával még mindig elkerülhetetlen az ipari termelési feladatok során az emberek jelenléte. De ez nem azt jelenti, hogy az általuk végzett munkafolyamatok nem változnának meg az ipar 4.0 korában.

Az emberi hatékonyság növelhető a különböző munkaeszközökbe integrált intelligens gépi látásrendszerek segítségével. Ez ma már könnyen kivitelezhető, mivel a kamerák egyre kisebbek és könnyebbek lesznek: a nagy pontosságú ipari kamerák már bélyeg méretűek, súlyuk 30 g-nál is kevesebb, beleértve az optikát és a burkolatot is.

Ezek a kamerarendszerek rögzítik a tevékenységet, ellenőrzik az eredményeket, azonosítják a munkafolyamatokat, méréseket végeznek. A kapott információkat továbbítják a munkásoknak, például az általuk viselt kiterjesztett valóság szemüvegekre. Ezek a funkciók nagyban növelik a termelékenységet és a munkabiztonságot, valamint részletes, élő betekintést biztosítanak a menedzserek, gyártásvezetők számára.

Bagett vs Gige

Vajon hogyan tudják garantálni a modern ipari pékségek, hogy csak tökéletes kenyereket szállítsanak a megrendelőiknek? A hollandiai Niverplast csomagolástechnikai vállalatnál (Nijverdal, Hollandia, www.niverplast.com) komolyan vették ezt a kérdést, és a Stemmer Imaging (Puchheim, Németország, www.stemmerimaging.com) céggel közösen egy különleges selejtfelismerő rendszert dolgoztak ki, mely lehetővé teszi a hibás termékek felismerését.

A pékárut a fagyasztóból egyenesen az első vizsgálóponthoz viszik egy szállítószalag segítségével. Először egy fémdetektort használnak, mely a gyártás során esetlegesen a termékbe került fémdarabokat szűri ki.

A következő lépésben a pékáru már kamerás vizsgálaton esik át: itt a termékek geometriájában keresnek eltéréseket. Ennek része a hosszúság, szélesség, és magasság vizsgálata így kiszűrhetőek a méretbeli hibák, illetve a törött darabok. Ez a képfeldolgozási feladat különösen nagy kihívást jelentett a mérnökök számára, mivel egyféle termékből sem készül soha két pontosan ugyanolyan példány. Ennélfogva egy automata rendszer számára nehéz definiálni egy ilyen feladatot. A rendszernek el kell, például fel kell ismernie, hogy egy mélyedés a termék felületen egy kezdődő törés jele, vagy egy szándékos bevágás, ahova később a töltelék kerül.

Ezen kívül vizsgálják a tészták színét, a feltétek jelenlétét, és a körvonalak megfelelő ívét is. Ezeket a paramétereket ráadásul gyorsan, és egyszerűen át kell tudni állítania a kezelőnek, hiszen általában egy gyártósoron több különböző termék is csomagolásra kerül egy műszak alatt.

Ezekhez a feladatokhoz szoftveres oldalról a Common Vision Blox képfeldolgozó függvénykönyvtárat használták, mivel ezzel volt a legkönnyebb megvalósítani a tervezett funkcionalitást. Hardver tekintetében az egyik feltétel a Gige interfész használata volt. Ez azért volt fontos, mivel a feldolgozás és a mérés helye ebben a felhasználási helyzetben egymástól relatíve nagy távolságra helyezkednek el. A Gige által biztosított maximum 100 méteres kábelhossz ezt lehetővé teszi, valamint a PoE (Power over Ethernet) megoldás miatt tápellátás kérdése is egyszerűen megoldható volt.

A kamera, és optika kiválasztásához több tesztkörre volt szükség. Végül a futószalag szélességétől függően egy, vagy két linescan kamera felszerelése mellett döntöttek, a hozzájuk tartozó optikákkal, és megvilágítással.

A rendszerhez tartozó egyéb eszközöket, mint a PC, illetve a kábelek a Stemmer Imaging szállította, a Niverplast pedig egy egyedi GUI-t fejlesztett a megoldás mellé. Ezen a gépkezelők gyorsan át tudják állítani, hogy éppen milyen termékek kerülnek majd vizsgálatra. Ezen kívül új termékek definiálására is lehetősége van, a kalibráció során az egyes paraméterek normál, minimum, és maximum értéke könnyen megadható.

A darab-számolási pontosság növelése érdekében a számláló állomáson az operátorok egyszerű szegmentációs eszközöket használnak, amivel taníthatják a rendszert, hogy a kameraképek alapján hogyan tudja elkülöníteni az egyes termékdarabokat. A rendszerbe építette távoli support elérési lehetőség lehetővé teszi az esetlegesen felmerülő problémák gyors elhárítását.

A darab-számolási lépés után a termékek tovább haladnak a csomagolási fázis felé, ahol a tökéletes minőségű péksütemények, pontosan a kívánt mennyiségben kerülnek dobozolásra, vagy zacskózásra.

 

Forrás: http://www.vision-systems.com/articles/print/volume-22/issue-1/departments/technology-trends/food-inspection-vision-system-inspects-counts-bakery-products.html