การมองเห็นของเครื่องจักรเป็นระบบอัตโนมัติ

Machine Vision คือการผสมผสานของเทคโนโลยีจำนวนมากที่ช่วยให้อุปกรณ์อุตสาหกรรมหรืออุปกรณ์อัตโนมัติอื่น ๆ ได้มาจากภาพความเข้าใจขั้นสูงเกี่ยวกับสภาพแวดล้อมที่อยู่ในมือ หากไม่มีซอฟต์แวร์วิสัยทัศน์ของเครื่องภาพดิจิตอลที่มีค่าสีที่แตกต่างกันและความเข้มของวรรณยุกต์จะไม่มีอะไรมากไปกว่าการรวบรวมพิกเซลที่ไม่เชื่อมต่อกับอุปกรณ์ดังกล่าว Machine Vision อนุญาตให้คอมพิวเตอร์ (โดยปกติจะเชื่อมต่อกับตัวควบคุมเครื่อง) เพื่อตรวจจับขอบและรูปร่างในภาพดังกล่าวเพื่อให้โปรเซสเซอร์ระดับสูงกว่าสามารถรับรู้วัตถุเป้าหมายที่กำหนดไว้ล่วงหน้า รูปภาพในแง่นี้ไม่ จำกัด เฉพาะภาพภาพถ่ายในสเปกตรัมที่มองเห็นได้ พวกเขายังสามารถรวมรูปภาพที่ได้รับโดยใช้สัญญาณอินฟราเรดเลเซอร์เอ็กซ์เรย์และอัลตราโซนิก

ในสภาพแวดล้อมอุตสาหกรรมเป็นเรื่องธรรมดาสำหรับแอปพลิเคชันการมองเห็นของเครื่องจักรที่จะรับรู้ชิ้นส่วนเฉพาะจากส่วนต่าง ๆ ที่วางไว้ในถังขยะวัสดุ ที่นี่ Machine Vision ช่วยให้หุ่นยนต์เลือกและสถานที่รับชิ้นส่วนที่ถูกต้องโดยอัตโนมัติ แน่นอนว่าหากชิ้นส่วนทั้งหมดถูกจัดเรียงอย่างประณีตในทิศทางเดียวกันบนพาเลทมันจะค่อนข้างง่ายที่จะจดจำพวกเขาด้วยความคิดเห็นเกี่ยวกับการถ่ายภาพ อย่างไรก็ตามอัลกอริทึมการมองเห็นของเครื่องจักรที่ทรงพลังสามารถจดจำวัตถุที่อยู่ในระยะทางที่แตกต่างจากกล้อง (และปรากฏเป็นภาพขนาดต่าง ๆ ในเซ็นเซอร์การถ่ายภาพ) เช่นเดียวกับวัตถุที่ไม่ได้มุ่งเน้นไปในทิศทางเดียวกับกล้อง

ระบบการมองเห็นของเครื่องจักรที่ซับซ้อนที่สุดได้เปิดใช้งานการออกแบบที่เกิดขึ้นใหม่ซึ่งซับซ้อนกว่าการเลือกชิ้นส่วนจากถังขยะ ตัวอย่างเช่นอาจไม่มีการระบุตัวตนที่ซับซ้อนไปกว่ารถขับด้วยตนเอง

เทคนิคที่เกี่ยวข้องกับการมองเห็นของเครื่องจักร

คำว่าวิสัยทัศน์ของเครื่องจักรบางครั้งสงวนไว้สำหรับการอ้างอิงถึงวิธีการทางคณิตศาสตร์ที่ซับซ้อนและมีประสิทธิภาพมากขึ้นซึ่งสามารถดึงข้อมูลจากภาพได้ ในทางตรงกันข้ามคำว่าคอมพิวเตอร์วิสัยทัศน์มักจะอธิบายถึงวิธีการที่ทันสมัยมากขึ้นการคำนวณรวมถึงวิธีการของกล่องดำที่ใช้การเรียนรู้ของเครื่องจักรหรือปัญญาประดิษฐ์ (AI) อย่างไรก็ตามการมองเห็นของเครื่องยังสามารถใช้เป็นคำที่ครอบคลุมทั้งหมดซึ่งรวมถึงวิธีการทั้งหมดในการแยกข้อมูลระดับสูงจากภาพ ในกรณีนี้วิสัยทัศน์คอมพิวเตอร์อธิบายทฤษฎีการดำเนินงานพื้นฐาน

เทคนิคที่สามารถแยกความหมายระดับสูงจากภาพมากมาย ในชุมชนการวิจัยเทคนิคดังกล่าวมักถูกพิจารณาว่าแตกต่างจากการมองเห็นของเครื่องจักร อย่างไรก็ตามในความเป็นจริงพวกเขาทั้งหมดเป็นวิธีที่แตกต่างกันในการใช้วิสัยทัศน์ของเครื่องจักร ... และพวกเขาทับซ้อนกันในหลาย ๆ กรณี

การประมวลผลภาพดิจิตอลเป็นรูปแบบของการประมวลผลสัญญาณดิจิตอลที่เกี่ยวข้องกับการเพิ่มประสิทธิภาพของภาพการฟื้นฟูการเข้ารหัสและการบีบอัด ข้อดีของการประมวลผลภาพแบบอะนาล็อกเป็นการลดเสียงรบกวนและการบิดเบือนรวมถึงอัลกอริทึมที่มีอยู่มากมาย หนึ่งในประเภทแรกของการปรับปรุงภาพถูกใช้เพื่อแก้ไขภาพระยะใกล้แรกของพื้นผิวดวงจันทร์ ในกระบวนการนี้การทำแผนที่โฟโตแกรมเมทริกรวมถึงตัวกรองเสียงถูกนำมาใช้และทำการแก้ไขสำหรับการบิดเบือนทางเรขาคณิตที่เกิดจากการจัดตำแหน่งของกล้องถ่ายภาพกับพื้นผิวดวงจันทร์

การปรับปรุงภาพดิจิตอลมักจะเกี่ยวข้องกับการเพิ่มความคมชัดและการแก้ไขทางเรขาคณิตสำหรับการดูมุมและการบิดเบือนเลนส์ การบีบอัดมักจะเกิดขึ้นได้โดยการประมาณสัญญาณที่ซับซ้อนเป็นการรวมกันของฟังก์ชั่นโคไซน์-การแปลงฟูริเยร์ที่รู้จักกันในชื่อการแปลงโคไซน์แบบแยก (DCT) รูปแบบไฟล์ JPEG เป็นแอปพลิเคชันที่พบบ่อยที่สุดของ DCT การฟื้นฟูภาพยังสามารถใช้การแปลงฟูริเยร์เพื่อลบเสียงรบกวนและเบลอ

Photogrammetry ใช้การจดจำคุณสมบัติบางอย่างเพื่อแยกการวัดออกจากภาพ การวัดเหล่านี้อาจรวมถึงข้อมูล 3D เมื่อได้ภาพหลายภาพของฉากเดียวกันจากสถานที่ต่าง ๆ ระบบ photogrammetric ที่ง่ายที่สุดใช้สเกลเพื่อวัดระยะห่างระหว่างสองจุดในภาพ ในการทำเช่นนี้มักจำเป็นต้องรวมระดับการอ้างอิงที่รู้จักในภาพ

การตรวจจับคุณสมบัติช่วยให้คอมพิวเตอร์สามารถรับรู้ขอบมุมหรือจุดในภาพ นี่เป็นขั้นตอนแรกที่จำเป็นสำหรับ photogrammetry และสำหรับการจดจำวัตถุและการเคลื่อนไหวการตรวจจับ BLOB ระบุพื้นที่ที่มีขอบที่ราบรื่นเกินไปสำหรับการตรวจจับขอบหรือมุม

การจดจำรูปแบบใช้เพื่อรับรู้วัตถุเฉพาะ ในกรณีที่ง่ายที่สุดนี่อาจหมายถึงการค้นหาชิ้นส่วนกลไกเฉพาะที่กำหนดไว้อย่างดีบนสายพานลำเลียง

การฟื้นฟู 3D กำหนดรูปร่าง 3D ของวัตถุจากภาพ 2D คุณลักษณะนี้สามารถรับรู้ได้ด้วยวิธีการ photogrammetric ในกรณีนี้ความสูงของคุณสมบัติทั่วไป (พิจารณาในภาพจากจุดสังเกตที่แตกต่างกัน) จะถูกกำหนดโดยใช้การวิเคราะห์ การฟื้นฟู 3 มิติก็เป็นไปได้โดยใช้ภาพ 2D เพียงอย่างเดียว ที่นี่ซอฟต์แวร์ยังอธิบายถึงความสัมพันธ์เชิงเรขาคณิตระหว่างขอบหรือพื้นที่แรเงา

มนุษย์สามารถสร้างลูกบาศก์ใหม่ได้ง่ายๆโดยการประมวลผลในสมองของพวกเขาโดยใช้การวาดเส้น - โดยใช้วงกลมสีเทาเพื่อสร้างทรงกลมใหม่ การแรเงาแสดงความชันของพื้นผิว อย่างไรก็ตามกระบวนการที่ได้มานี้มีความซับซ้อนมากกว่าที่คิดเนื่องจากการแรเงาเป็นพารามิเตอร์หนึ่งมิติในขณะที่ความลาดชันเกิดขึ้นในกรณีสองมิติ สิ่งนี้สามารถนำไปสู่สถานการณ์ที่คลุมเครือ - ข้อเท็จจริงที่ผ่านการตรวจสอบโดยศิลปะการวาดภาพวัตถุที่เป็นไปไม่ได้ทางร่างกาย

วิธีการจัดลำดับงานการมองเห็นของเครื่องจักร

ระบบวิสัยทัศน์ของเครื่องจักรจำนวนมากรวมเทคนิคข้างต้นเพิ่มขึ้นโดยเริ่มต้นด้วยการดำเนินการระดับต่ำและจากนั้นจะดำเนินการไปสู่การดำเนินงานระดับสูง ในระดับต่ำสุดพิกเซลทั้งหมดของภาพจะถูกเก็บไว้เป็นข้อมูลแบนด์วิดท์สูง การดำเนินการแต่ละครั้งในลำดับจากนั้นจะรับรู้คุณสมบัติของภาพและแสดงถึงข้อมูลที่น่าสนใจด้วยข้อมูลจำนวนเล็กน้อย

ครั้งแรกคือการทำงานระดับต่ำของการเพิ่มประสิทธิภาพและการฟื้นฟูภาพตามด้วยการตรวจจับคุณสมบัติ ดังนั้นในกรณีของการใช้เซ็นเซอร์หลายตัวการดำเนินการระดับต่ำสามารถทำได้โดยกระบวนการกระจายที่เชี่ยวชาญสำหรับเซ็นเซอร์แต่ละตัว เมื่อตรวจพบคุณสมบัติในแต่ละภาพแล้วโฟโตแกรมเมทรีขั้นสูงสามารถทำได้เช่นเดียวกับการจดจำวัตถุหรืองานอื่น ๆ ที่ต้องอาศัยข้อมูลรวมจากภาพและเซ็นเซอร์หลายภาพ

การคำนวณโดยตรงและอัลกอริทึมการเรียนรู้

ในกรณีของการมองเห็นของเครื่องการคำนวณโดยตรงเป็นชุดของฟังก์ชั่นทางคณิตศาสตร์ที่กำหนดโดยโปรแกรมเมอร์ ฟังก์ชั่นเหล่านี้ใช้อินพุตเช่นค่าพิกเซลรูปภาพและสร้างเอาต์พุตเช่นพิกัดขอบวัตถุ ในทางตรงกันข้ามอัลกอริทึมการเรียนรู้ไม่ได้ถูกเขียนโดยตรงโดยมนุษย์ แต่ได้รับการฝึกฝนในชุดข้อมูลตัวอย่างที่สัมพันธ์กับอินพุตกับเอาต์พุตที่ต้องการ เป็นผลให้อัลกอริทึมการเรียนรู้ใช้เป็นกล่องดำ การเรียนรู้ของเครื่องจักรส่วนใหญ่ตอนนี้ใช้การเรียนรู้อย่างลึกซึ้งโดยใช้เครือข่ายประสาทเทียมสำหรับการคำนวณ

การเรียนรู้ของเครื่องจักรอย่างง่ายสำหรับแอพพลิเคชั่นอุตสาหกรรมมีแนวโน้มที่จะเชื่อถือได้มากขึ้นและเรียกร้องการคำนวณน้อยลงเมื่อขึ้นอยู่กับการคำนวณโดยตรง แน่นอนว่ามีข้อ จำกัด เกี่ยวกับสิ่งที่สามารถทำได้ผ่านการคำนวณโดยตรง ตัวอย่างเช่นเราไม่ควรหวังที่จะแสดงใบหน้าเพื่อรับรู้รูปแบบการรับรู้ขั้นสูงที่จำเป็นและโดยเฉพาะอย่างยิ่งไม่ได้มาจากวิดีโอวิดีโอในพื้นที่สาธารณะที่แออัด ในทางตรงกันข้ามการเรียนรู้ของเครื่องสามารถจัดการแอปพลิเคชันดังกล่าวได้อย่างชำนาญ ดังนั้นจึงไม่น่าแปลกใจที่การเรียนรู้ของเครื่องจะถูกปรับใช้มากขึ้นสำหรับการดำเนินการมองเห็นของเครื่องจักรระดับต่ำโดยเฉพาะการเพิ่มประสิทธิภาพของภาพการฟื้นฟูและการตรวจจับคุณลักษณะ

วิธีการสอนที่ดีขึ้น (ไม่ใช่อัลกอริทึม)

ความซับซ้อนที่เพิ่มขึ้นของเทคนิคการเรียนรู้ลึกทำให้ชัดเจนว่ามันไม่ใช่อัลกอริทึมการเรียนรู้ที่จำเป็นต้องได้รับการปรับปรุง แต่เป็นวิธีที่อัลกอริทึมได้รับการฝึกฝน ขั้นตอนการฝึกอบรมที่ได้รับการปรับปรุงอย่างหนึ่งเรียกว่าวิสัยทัศน์คอมพิวเตอร์ที่เน้นข้อมูลเป็นศูนย์กลาง ที่นี่ระบบการเรียนรู้อย่างลึกซึ้งยอมรับชุดการฝึกอบรมที่แข็งแกร่งมากซึ่งประกอบด้วยภาพหลายพันล้านหรือหลายพันล้านภาพจากนั้นบันทึกข้อมูลสังเคราะห์ที่สกัดจากแต่ละภาพด้วยอัลกอริทึมของมัน อัลกอริทึมเหล่านี้เรียนรู้ได้อย่างมีประสิทธิภาพโดยเชื่อมโยงพวกเขากับตัวอย่างที่ทำงานแล้วอ้างถึง "คำตอบหนังสือ" เพื่อตรวจสอบว่าค่าที่ถูกต้องได้รับมา

มีเรื่องเตือนแบบเก่าเกี่ยวกับการจดจำรูปแบบดิจิตอล กองทัพสหรัฐฯเคยมีจุดประสงค์เพื่อใช้วิสัยทัศน์ของเครื่องจักรเพื่อรับรู้เป้าหมายและการสาธิตของผู้รับเหมากลาโหมระบุได้อย่างน่าเชื่อถือทั้งรถถังของสหรัฐอเมริกาและรัสเซีย รถถังทุกชนิดสามารถแยกแยะได้อย่างถูกต้องหนึ่งหลังจากภาพถ่ายทางอากาศของซัพพลายเออร์ อย่างไรก็ตามเมื่อทำการทดสอบอีกครั้งด้วยห้องสมุดรูปภาพของเพนตากอนระบบจะให้คำตอบที่ไม่ถูกต้อง ปัญหาคือรูปภาพของผู้รับเหมากลาโหมทั้งหมดแสดงให้เห็นถึงรถถังอเมริกันในทะเลทรายและรถถังรัสเซียในทุ่งหญ้าสีเขียว แทนที่จะระบุถังที่แตกต่างกันระบบจะระบุพื้นหลังสีที่แตกต่างกัน เกณฑ์การรับรู้คืออะไร? อัลกอริธึมการเรียนรู้ต้องใช้ข้อมูลการฝึกอบรมอย่างรอบคอบเพื่อทำงาน

สรุป: วิสัยทัศน์ที่ปลอดภัยสำหรับงานหุ่นยนต์

การมองเห็นของเครื่องจักรไม่ใช่เทคโนโลยีเฉพาะอีกต่อไป ในไดรฟ์ปัจจุบันภาคอุตสาหกรรมเป็นพื้นที่การเติบโตที่ใหญ่ที่สุดสำหรับการปรับใช้การมองเห็นของเครื่องจักร การพัฒนาที่โดดเด่นที่สุดในพื้นที่นี้คือวิธีที่การมองเห็นของเครื่องจักรกำลังดำเนินการระบบความปลอดภัยในโรงงานอุตสาหกรรมเช่นระบบที่ส่งเสียงเตือนหรือแจ้งเตือนด้วยเสียงเมื่อคนงานเข้าสู่พื้นที่ทำงานโดยไม่มีหมวกกันน็อกหน้ากากหรืออุปกรณ์ป้องกันอื่น ๆ ที่เหมาะสม การมองเห็นของเครื่องจักรยังสามารถใช้ในระบบที่แจ้งเตือนเมื่อเคลื่อนย้ายเครื่องจักรเช่นรถยกเข้าใกล้บุคลากรมากเกินไป

ระบบการมองเห็นของเครื่องจักรเหล่านี้และที่คล้ายกันบางครั้งสามารถแทนที่มาตรการป้องกันอย่างหนักรอบหุ่นยนต์อุตสาหกรรมเพื่อให้การดำเนินงานมีประสิทธิภาพมากขึ้น ระบบการมองเห็นของเครื่องยังสามารถแทนที่หรือปรับปรุงระบบความปลอดภัยโดยใช้การป้องกันแสงที่หยุดเครื่องจักรเมื่อใดก็ตามที่ตรวจพบคนงานเข้าสู่เซลล์งาน เมื่อ Machine Vision ตรวจสอบพื้นโรงงานรอบเซลล์งานหุ่นยนต์ในเซลล์นั้นมีศักยภาพที่จะค่อยๆชะลอตัวลงเมื่อผู้คนเข้าใกล้

ในขณะที่การออกแบบสภาพแวดล้อมทางอุตสาหกรรมพัฒนาขึ้นเพื่อรองรับหุ่นยนต์ที่ทำงานร่วมกันและอุปกรณ์ทำงานอื่น ๆ ที่อนุญาตให้บุคลากรโรงงานเดินไปรอบ ๆ ได้อย่างปลอดภัย (แม้ในขณะที่อุปกรณ์กำลังทำงานอยู่) ระบบเหล่านี้และระบบการมองเห็นเครื่องจักรอื่น ๆ จะกลายเป็นส่วนหนึ่งของกระบวนการโรงงาน