Program pemeriksaan ton warna bahan kerja dengan kamera dan AI (IKS2 Shading), untuk pembuatan am
IKS2 Shading ialah program yang memeriksa ton warna bahan kerja dengan kamera. Program ini mempelajari kriteria daripada imej bahan kerja baik dan rosak, meminta AI mengelompokkan ton warna, kemudian memaparkan keputusan sebagai baik (OK) atau rosak (NG). Kami membangunkan sendiri program prototaip ini dan memaklumkan maklumat hak cipta kepada Jabatan Harta Intelek pada tahun 2018.
- Industri
- Pembuatan am
- Tahun
- 2018 (tahun pemakluman hak cipta)
- Skop pekerjaan
- Data masukan: imej bahan kerja baik dan bahan kerja rosak daripada kamera · Pemprosesan: menapis imej, menyusun nilai warna RGB mengikut histogram, mengekstrak ciri imej (Feature Extraction), mengelompokkan rona warna dengan K-means Clustering dan memilih kriteria keputusan dengan Fuzzy Logic · Paparan: baik (OK) atau rosak (NG) bersama laporan ringkasan · Perisian: bahagian pengajaran kriteria, bahagian pemeriksaan dan paparan, pangkalan data warna untuk semakan semula, dan skrin untuk menambah rona warna piawai baharu tanpa pengaturcaraan · Apa yang kami bina: program prototaip IKS2 Shading yang kami bangunkan sendiri
Ringkasan
- IKS2 Shading ialah program prototaip pemeriksaan rona warna bahan kerja dengan kamera yang kami bangunkan sendiri, dan maklumat hak ciptanya telah dimaklumkan kepada Jabatan Harta Intelek pada tahun 2018.
- Pengguna mengajar kriteria dengan imej bahan kerja baik dan bahan kerja rosak. Apabila ada rona warna piawai baharu, set imej contoh baharu boleh ditambah tanpa pengaturcaraan.
- AI berperanan mengelompokkan data warna dengan K-means Clustering, manakala Fuzzy Logic memilih kriteria keputusan, dan pengguna menentukan imej contoh yang merupakan kerja baik atau kerja rosak.
- Keputusan pemeriksaan dipaparkan sebagai kerja baik (OK) atau kerja rosak (NG) bersama laporan ringkasan, dan data warna disimpan ke dalam pangkalan data untuk semakan semula.
- IKS2 Shading ialah program prototaip yang menetapkan kriteria daripada imej contoh. Oleh itu, untuk digunakan pada mana-mana bahan kerja, kriteria perlu diajar dan diuji dengan bahan kerja serta pencahayaan di tapak tersebut.
Masalah di tapak
Banyak kilang masih mengasingkan rona warna bahan kerja dengan mata kasar. Setiap pekerja mungkin memberikan jawapan yang berbeza kepada soalan "warna bahan kerja ini lulus atau tidak", dan pengasingan oleh manusia memerlukan banyak tenaga kerja dan masa.
Apa yang kami lakukan
Kami membangunkan IKS2 Shading sebagai sistem sokongan keputusan (Decision Support System) yang menukar warna dalam imej kepada nombor, menggunakan K-means Clustering (kaedah pengelompokan data secara automatik) untuk mengasingkan kumpulan kerja baik dan kerja rosak, serta menggunakan Fuzzy Logic (logik kabur) untuk memilih kriteria keputusan. Keputusan pemeriksaan dipaparkan sebagai OK atau NG bersama laporan ringkasan, dan data warna disimpan untuk semakan semula.
- Ambil imej bahan kerja baik dan bahan kerja rosakVisi Mesin
- Susun nilai warna mengikut histogramRGB Histogram + Feature Extraction
- AI pengelompokan rona warnaK-means Clustering
- Pilih kriteria keputusanFuzzy Logic
- Keputusan OK/NG dan laporan ringkasan
Hasil ujian dengan bahan kerja sebenar
Hasilnya ialah program prototaip yang menentukan rona warna daripada nilai berangka imej dengan kriteria yang sama setiap kali, dan kami telah memaklumkan maklumat hak cipta kepada Jabatan Harta Intelek pada tahun 2018. Untuk digunakan pada mana-mana bahan kerja, kriteria perlu diajar dan diuji dengan bahan kerja serta keadaan pencahayaan di tapak tersebut.
Latar belakang masalah
Cabaran kerja ini ialah menentukan sama ada warna bahan kerja lulus atau tidak, dengan kriteria yang tidak bergantung pada pemeriksa. Banyak kilang masih mengasingkan rona warna dengan mata kasar. Setiap pekerja mungkin membuat penentuan yang berbeza bagi bahan kerja yang sama, dan pengasingan oleh manusia memerlukan banyak tenaga kerja dan masa.
Kami membangunkan sendiri IKS2 Shading sebagai program prototaip. Dokumen pembentangan kami memberikan contoh penggunaan pada pemeriksaan rona warna label, genting dan permaidani.
Keperluan dan kekangan
Program perlu menetapkan kriteria daripada imej bahan kerja sebenar dan membolehkan pengguna menambah rona warna piawai baharu sendiri. Keperluan utama prototaip adalah seperti berikut.
- Menggunakan imej bahan kerja baik dan bahan kerja rosak sebagai data untuk menetapkan kriteria
- Menambah rona warna piawai baharu dari skrin dengan melatih model menggunakan set imej contoh baharu, tanpa pengaturcaraan
- Memaparkan keputusan pemeriksaan sebagai kerja baik (OK) atau kerja rosak (NG) bersama laporan ringkasan
- Menyimpan data warna ke dalam pangkalan data untuk semakan semula dan pelarasan kriteria
Kekangan utama datang daripada imej. Nilai warna dalam imej berubah mengikut cahaya, dan kriteria yang terhasil akan sebaik imej contoh yang digunakan untuk mengajarnya. Oleh itu, imej contoh perlu merangkumi julat rona warna yang benar-benar ditemui, dan pasukan perlu bersetuju terlebih dahulu tentang jenis bahan kerja yang dikira sebagai kerja baik.
Mengapa kami memilih agar program mempelajari kriteria daripada imej bahan kerja baik dan bahan kerja rosak
Kami memilih kaedah ini kerana soalan di tapak ialah "warna lulus atau tidak", dan jawapannya terdapat pada bahan kerja contoh yang telah diasingkan oleh pasukan. Oleh itu, program menukar warna imej contoh kepada nombor, kemudian mengelompokkan kerja baik dan kerja rosak daripada nombor tersebut. Apabila ada rona warna piawai baharu, pasukan boleh menambah set imej contoh baharu tanpa perlu mengubah suai program.
AI memainkan satu peranan sahaja, iaitu mengelompokkan data warna. Pemilihan kriteria pula menggunakan Fuzzy Logic (logik kabur, iaitu kaedah penaakulan bagi nilai yang tidak terbahagi dengan jelas kepada ya atau tidak). Pengguna menentukan imej contoh kerja baik dan kerja rosak, serta menggunakan keputusan OK / NG sebagai sokongan dalam membuat keputusan. Langkah kerja adalah seperti berikut.
- 1
Ambil imej contoh kerja baik dan kerja rosak
Pengguna mengambil imej bahan kerja yang rona warnanya lulus dan tidak lulus untuk disimpan sebagai contoh. Set imej ini ialah data yang digunakan oleh program untuk menetapkan kriteria.
- 2
Tapis imej dan susun nilai warna
Program menapis imej, kemudian menyusun nilai warna merah, hijau dan biru mengikut histogram (Histogram ialah graf taburan nilai warna dalam imej) untuk memilih data warna yang penting sahaja.
- 3
Gabungkan ciri imej
Data warna bagi setiap saluran warna digabungkan menjadi satu set nombor yang menerangkan ciri imej (Feature Extraction ialah pengekstrakan ciri penting imej dalam bentuk nombor), supaya setiap imej dapat dibandingkan antara satu sama lain.
- 4
AI pengelompokan rona warna
AI mengelompokkan data secara K-means Clustering untuk mengasingkan kumpulan bahan kerja baik dan bahan kerja rosak, kemudian menyimpan nilai wakil setiap kumpulan untuk menentukan bahan kerja seterusnya.
- 5
Pilih kriteria dan keluarkan keputusan
Fuzzy Logic memilih kumpulan yang memberikan hasil statistik yang baik sebagai kriteria keputusan. Program memaparkan keputusan kerja baik (OK) atau kerja rosak (NG), mengeluarkan laporan ringkasan dan menyimpan data warna ke dalam pangkalan data.
Apakah K-means Clustering
K-means Clustering ialah kaedah pengelompokan data secara automatik. Sistem mencari titik tengah setiap kumpulan, kemudian meletakkan setiap set data ke dalam kumpulan yang paling hampir. Dalam kerja ini, datanya ialah nilai warna berangka daripada imej, maka bahan kerja yang rona warnanya hampir sama berada dalam kumpulan yang sama.
Komponen sistem
IKS2 Shading ialah perisian sistem sokongan keputusan (Decision Support System) yang menggabungkan pengajaran kriteria, pemeriksaan dan pengumpulan data dalam satu program. IKS2 Shading menentukan setiap bahan kerja kepada 2 keputusan, iaitu kerja baik (OK) atau kerja rosak (NG), dan menyimpan data warna ke dalam pangkalan data. Komponen prototaip adalah seperti berikut.
- Bahagian pengajaran kriteria: menerima imej bahan kerja baik dan bahan kerja rosak, kemudian membina kumpulan rona warna dan nilai wakil setiap kumpulan
- Bahagian pemeriksaan dan paparan: membandingkan imej bahan kerja baharu dengan kriteria, kemudian memaparkan keputusan sebagai OK atau NG
- Laporan ringkasan: merumuskan hasil pengasingan bahan kerja kepada kumpulan OK dan NG
- Pangkalan data warna: menyimpan data warna bahan kerja untuk semakan semula
- Skrin tambah rona warna piawai baharu: menambah set imej contoh dan melatih semula model tanpa pengaturcaraan
Apa yang kami bina
Kami membangunkan IKS2 Shading sebagai program prototaip (PoC ialah pembuktian konsep) yang merangkumi langkah daripada mengajar kriteria melalui imej hingga memaparkan keputusan OK / NG, dan telah memaklumkan maklumat hak cipta perisian pemeriksaan rona warna automatik (IKS2 Shading) kepada Jabatan Harta Intelek pada tahun 2018. Pemakluman hak cipta ialah rekod maklumat karya, bukan pendaftaran atau pengesahan kualiti program.
Ketepatan penentuan rona warna bergantung pada bahan kerja, pencahayaan dan set imej contoh yang digunakan untuk mengajar. Petunjuk yang digunakan untuk penilaian ialah kadar pengesanan kecacatan dan kadar penggera palsu, yang perlu diukur dengan bahan kerja dan titik pengambilan imej di setiap kilang.
Apakah yang kita pelajari
Kerja ini memberikan prinsip berikut bagi pemeriksaan rona warna dengan kamera.
- Kriteria warna bermula daripada imej contoh yang telah dipersetujui oleh pasukan. Apabila program belajar daripada imej kerja baik dan kerja rosak, kriteria yang terhasil akan sekonsisten pemilihan imej contoh itu. Oleh itu, pasukan perlu bersetuju tentang definisi kerja baik sebelum melatih model.
- Tukar warna kepada nombor sebelum AI bekerja, dan tetapkan dengan jelas bahagian yang dilakukan oleh AI. Dalam kerja ini, AI mengelompokkan data warna, Fuzzy Logic memilih kriteria dan manusia menentukan imej contoh, serta terdapat data warna dalam pangkalan data untuk semakan semula apabila kriteria perlu dikaji semula.
- Pencahayaan ialah sebahagian daripada kriteria. Nilai warna dalam imej berubah mengikut cahaya, maka kriteria yang ditetapkan di bawah satu set pencahayaan tidak boleh dipindahkan ke titik pengambilan imej yang lain sehingga diuji dengan pencahayaan di titik tersebut.
Cara menggunakan pendekatan ini di kilang anda
Jika kilang anda perlu mengasingkan rona warna bahan kerja sebelum pembungkusan atau penghantaran kepada pelanggan, anda boleh menggunakan pendekatan kes ini, iaitu mengajar kriteria daripada imej bahan kerja baik dan bahan kerja rosak, menukar warna kepada nombor, kemudian mengelompokkan untuk menentukan OK / NG. Perkara yang perlu disesuaikan ialah pencahayaan, kamera dan set imej contoh bahan kerja anda, yang perlu diuji dengan bahan kerja sebenar anda terlebih dahulu.
Bahagian yang boleh digunakan semula dan bahagian yang perlu diubah suai
| Bahagian sistem | Boleh digunakan semula | Perlu diubah suai apabila |
|---|---|---|
| Penetapan kriteria | Pengajaran kriteria daripada imej bahan kerja baik dan bahan kerja rosak | Jika bahan kerja anda mempunyai rona atau julat warna yang berbeza daripada imej contoh asal, set imej contoh baharu perlu diambil |
| Penukaran warna kepada nombor | Penyusunan nilai warna mengikut histogram dan Feature Extraction | Jika permukaan bahan kerja mempunyai corak, kilauan atau pantulan cahaya yang berbeza, perlu diuji sama ada nilai warna yang dibaca masih dapat mengasingkan kerja baik dan kerja rosak |
| Pengelompokan dan pemilihan kriteria | K-means Clustering dan Fuzzy Logic | Jika definisi kerja baik dan kerja rosak pasukan anda berbeza daripada yang asal, model perlu dilatih semula |
| Pengambilan imej | Konsep pengambilan imej bahan kerja dengan kamera di titik pemeriksaan | Jika titik pemeriksaan anda mempunyai pencahayaan yang berbeza, kamera dan lampu perlu dipilih serta pencahayaan perlu dikawal supaya kekal stabil |
| Keputusan dan data | Keputusan OK / NG, laporan ringkasan dan pangkalan data warna | Jika keputusan perlu dihantar ke sistem lain di kilang, kerja penyambungan tambahan perlu dinilai |
Baca seterusnya
- Perkhidmatan pembangunan sistem pemeriksaan dan kawalan khusus
- Perkhidmatan perundingan dan reka bentuk sistem AI / IoT (termasuk pembuatan prototaip PoC)
- Kes prototaip kamera pengasingan rona warna dan bintik hitam pada kepingan kertas kitar semula
- Kes mesin prototaip MVDeep yang membantu memilih set kamera dan lampu untuk pemeriksaan rona warna
- Kes kamera pemeriksaan retakan genting bumbung alun berganda
- Artikel: Bagaimana AI Vision Inspection berbeza daripada pemeriksaan dengan mata manusia
- Artikel: Pilih Kamera Pemeriksaan AI: Task Cam Siap Pasang atau Machine Vision Pesanan
Teknologi yang digunakan
Soalan Sering Ditanya
Adakah nilai warna piawai perlu dimasukkan sendiri sebagai nombor?
Kriteria utama IKS2 Shading diperoleh daripada pengelompokan data warna imej contoh kerja baik dan kerja rosak. Kaedah tetapan secara terperinci bergantung pada versi program dan bahan kerja yang digunakan untuk ujian.
Apakah peranan AI, dan siapakah yang menentukan keputusan?
AI berperanan mengelompokkan data warna dengan K-means Clustering untuk mengasingkan kumpulan kerja baik dan kerja rosak. Selepas itu, Fuzzy Logic memilih kriteria keputusan. Program ini direka bentuk sebagai sistem sokongan keputusan; pengguna menentukan imej contoh dan menggunakan keputusan OK / NG sebagai sokongan dalam membuat keputusan.
Bagaimanakah pencahayaan di titik pemeriksaan mempengaruhi keputusan pemeriksaan rona warna?
Nilai warna dalam imej berubah mengikut cahaya, maka kriteria yang ditetapkan di bawah satu set pencahayaan tidak boleh dipindahkan ke titik pengambilan imej yang lain sehingga diuji dengan pencahayaan di titik tersebut. Oleh itu, kamera dan lampu di titik pemeriksaan perlu dipilih dan pencahayaan perlu dikawal supaya kekal stabil sebelum imej contoh diambil untuk mengajar kriteria.
Jenis bahan kerja apakah yang boleh digunakan?
Dokumen pembentangan kami memberikan contoh kerja label, genting dan permaidani, tetapi setiap jenis bahan kerja mempunyai permukaan dan kilauan yang berbeza. Ujian dengan bahan kerja contoh kilang anda perlu dilakukan terlebih dahulu sebelum dapat disahkan.
Jika ingin menguji dengan bahan kerja kami, apakah yang perlu disediakan?
Sediakan bahan kerja contoh merangkumi kerja baik dan kerja rosak yang meliputi rona warna yang benar-benar ditemui, kriteria kerja baik yang telah dipersetujui oleh pasukan, dan maklumat titik pengambilan imej seperti keadaan pencahayaan. Tiada harga piawai. Kami menganggarkan harga dan tempoh selepas menguji dengan bahan kerja contoh.
