对于严格的检查任务,机器视觉系统的优势有哪

作者:Tigervs    发布时间:2019-07-28    浏览量:

随着机电设备变得更加复杂,组件包含许多小部件和低对比度元件,这些元件难以在生产速度下精确评估和验证。如果没有被抓住,细微的缺陷 - 例如错误接线的电缆,缺少螺钉或未对准的连接器 - 可能会逃脱并最终落入客户手中。

此类事件可能导致现场潜在故障,产品退货以及品牌声誉受损。这种具有挑战性的检查问题突破了任何视觉检查方法的限制 - 人工或机器。

机电组件的质量检查方法包括机器视觉系统,人工检查和光度检测系统。基于机器视觉技术的方法可以通过应用基于人工智能(AI)的机器学习技术来增强。

通过了解人体检查,机器视觉检测和基于光度检测技术的最新进展之间的差异,开发人员可以选择最适合手头检查任务的工具。

硬检查问题

这些困难的验证问题 - 人工检查和机器视觉系统都无法提供令人满意的解决方案 - 通常属于以下一个或多个问题:

1、DUT(被测器件)的缺陷是小巧,微妙和低对比度。

2、复杂的组件,需要评估许多小部件和细节 - 特别是在检测速度快的情况下期望。

3、不可预测的缺陷,随机发生在时间和地点。

4、指示需要量化,趋势化/分析以及通过系统或过程在操作上解决的质量或过程问题的缺陷改进。

5、检验一致性和可重复性的生产重要。

6、绝对收益质量对品牌声誉/客户至关重要的生产知觉。

对精密装配验证的需求不断增长

过去十年中的产品发展增加了设备和工艺的复杂性,并增加了制造商面临的检查挑战。检查方法必须捕获并分析大量细节以发现缺陷。这种复杂性通常会迫使速度和准确度之间进行权衡。

质量检查的主要目标是在密封设备之前识别装配缺陷和故障(图1)。在功能测试之前仍然在生产线上识别有缺陷的单元可以降低返工成本,逃逸和潜在产品缺陷。

机器视觉系统检查笔记本黑色表面瑕疵

如果在客户使用中缩短设备的使用寿命,潜在故障可能会产生严重的负面后果。由于许多装配任务仍然依赖于压力越来越大的人类工作者来提高效率,因此缺陷的可能性正在持续下去。

如果在功能测试之前检测到缺陷的成本远低于仅在设备出厂后出现的潜在故障,直接和间接成本可能迅速升级,包括:

1、退货,维修和保修索赔

2、客户不满意/客户流失忠诚

3、损害品牌声誉和品牌认知度质量

对于需要精确装配检查的应用 - 从手机,建筑玻璃到医疗设备 - 人类长期以来在满足质量目标方面具有优势。对于速度优先的视觉要求较低的应用,机器视觉解决方案已被证明是一种有效的选择。

机器学习和光度学的进步现在提供适合某些类型应用的替代检查方法。虽然每种方法都有不同的优势和权衡,但产品质量,成本和市场地位的各种要求决定了给定应用的最佳选择。

机器视觉系统的优势

人工检测视觉的优与劣

人类拥有非常敏锐的视觉能力,并能够做出判断,推断出新的错误类型并评估相对严重程度的缺陷。然而,人体检查员的速度有限,成本高,轮胎容易且不一致。它们的准确性随着时间的推移而急剧下降,并且具有细节水平。

键盘和键盘框架(显示从复杂阵列到完全随机特征的视觉图案)等设备的缺陷更容易被容易疲劳的人所遗漏。然而,捕捉复杂阵列中的微小缺陷对于防止失败是至关重要的。

机器视觉:自动化的力量

机器视觉系统在速度,可重复性和一致性以及捕获数据方面具有显着优势,可用于进一步跟踪,趋势分析和分析。

然而,机器视觉方法(此处定义为由CCD或CMOS图像传感器组成的二维辐射成像仪)最适合具有视觉上明显且可预测的缺陷的应用,并且几乎没有异常超出编程点的范围在terest。

机器视觉系统牺牲了视力以提高速度,低分辨率传感器可捕获足够的图像细节以检测命名错误,但它们通常不能识别任何低对比度,细微或意外的缺陷。机器视觉系统在高重复性检测应用中最有效。

机器学习:拥有更好大脑的机器视觉

为了检测缺陷,机器视觉系统依赖于定义系统应该寻找什么的编程算法。可以基于黄金样本或预定义的规范来检查诸如零件定向,是否存在,尺寸和零件几何形状的角度的参数。相比之下,机器学习不依赖于先验知识,而是使用人工智能算法应用模式识别。

机器学习方法提供了基于机器视觉速度,可重复性,数据捕获的方法的所有相同优点 - 具有能够随时学习的附加功能。这样的系统在样本数据集上进行训练,直到它们产生所需的结果,因此机器开发了自己的识别缺陷的指导方针,使其能够识别它以前从未见过的那些类型的缺陷。

然而,机器学习仍然取决于它接收的数据的质量,这取决于机器视觉平台可以适应的图像的质量和分辨率。

光度学系统:先进的视觉

光度学系统提供速度,可靠性和数据捕获的自动化优势。然而,与标准机器视觉相机相比,基于测光的相机通常使用具有更高分辨率和动态范围的CCD传感器,使其更好地检测小的和低对比度的缺陷。

最初设计用于光测量,成像光度计捕获非常详细的图像,以允许精细测量光和颜色分布。

对于许多检测应用,成像光度计的理想CCD分辨率为16或29 MPixels,提供与人眼相当的锐度。另一方面,标准机器视觉相机的图像传感器的分辨率通常在1到5个MPixel的范围内。

机器视觉系统检测笔记本内部螺丝

成像光度计还可以捕获更宽的动态范围:可以在图像中辨别的灰度值的数量。这使得测光相机能够检测由光的阴影或反射引起的表面上的细微变化。成像光度计的设计符合人类对比度变化的视觉感知,可以极其精确地捕获和分类小的低对比度缺陷,同时保持一致的处理速度和低图像噪声。

光度成像甚至可以检测到微小的缺陷,以至于人类检查员不会注意到这些缺陷,例如,玻璃上的轻微划痕,键盘中按键之间的间隙变化,或者黑色表面没有微小的黑色螺钉。基于光度测量的系统能够一次捕获和分析整个图像,在识别随机或意外缺陷方面表现出色。

机器视觉系统(顶部)无法检测到差异并通过单元,而基于测光的系统检测到缺失的螺钉(底部),如果不进行修正则可能允许零件在运输或消费者使用过程中松动并导致故障。

结论:

对于高复杂度,高精度应用 - 最严苛的检测问题 - 光度系统比人工检测器更快,更准确,更可靠,具有更高的精度,特别是在高速和低对比度测量任务时。虽然所有自动视觉系统都可以提供速度,一致性和数据捕获的优势,但光度系统可以找到使用低分辨率机器视觉图像无法识别的细微特征。

光度成像系统还擅长检测随机和意外错误。基于机器学习的解决方案也提供此功能,但仅限于系统的图像质量允许的范围。

最重要的是,基于光度学的成像系统识别出否则会通过功能测试并可能导致潜在故障的缺陷。如果客户满意度和品牌认知度至关重要,那么绝对质量就是市场所需要的,基于光度测量的先进视觉系统可能是应用的最佳选择。

相关新闻推荐

关注官方微信

微信二维码
版权所有 深圳市如虎科技有限公司 Copyright © 2018-2019 Tigervs.Com All Rights Reserved 粤ICP备19029139号-1