Koneen visio on useiden tekniikoiden fuusio, jonka avulla teollisuus- tai muut automatisoidut laitteet voivat johtaa kuvista edistyneen ymmärryksen käsillä olevasta ympäristöstä. Ilman konevisio -ohjelmistoa digitaaliset kuvat, joilla on vaihtelevat väriarvot ja sävyintensiteetit, olisivat vain yksinkertainen, liittämätön pikselikokoelma tällaisiin laitteisiin. Konekiso antaa tietokoneelle (yleensä kytketty koneen ohjaimeen) havaita reunoja ja muotoja tällaisissa kuvissa, jotta korkeamman tason prosessori voi tunnistaa ennalta määritetyn kohdeobjektin. Kuvat tässä mielessä eivät rajoitu valokuvien kuviin näkyvässä spektrissä; Ne voivat myös sisältää kuvat, jotka on saatu käyttämällä infrapuna-, laser-, röntgen- ja ultraäänisignaaleja.
Teollisuusympäristöissä on melko yleistä, että konevisiosovellukset tunnistavat tiettyjä osia monista osista, jotka on sijoitettu materiaaliastioiden sotkuun. Täällä Machine Vision auttaa nouto-robottia ottamaan oikeat osat automaattisesti. Tietenkin, jos osat ovat kaikki siististi järjestettyjä samaan suuntaan lavalle, olisi suhteellisen helppoa tunnistaa ne kuvantamispalautella. Tehokkaat konevisio -algoritmit voivat kuitenkin tunnistaa esineet, jotka ovat eri etäisyyksillä kamerasta (ja siksi ne näkyvät kuvantamisanturin erikokoisina kuvina) samoin kuin esineitä, jotka eivät ole suunnattu samaan suuntaan kuin kamera.
Hienostuneimmat koneiden näköjärjestelmät ovat mahdollistaneet nousevat mallit, jotka ovat paljon monimutkaisempia kuin osien poiminta roskakorista; Esimerkiksi ei ehkä ole monimutkaisempaa tunnistamista kuin itse ajavaa autoa.
Konevisioon liittyvät tekniikat
Termi koneen visio on joskus varattu viittaamaan hienostuneempiin ja tehokkaampiin matemaattisiin menetelmiin, jotka voivat purkaa tietoa kuvista. Sitä vastoin termi tietokonevisio kuvaa tyypillisesti nykyaikaisempia, laskennallisesti vaativia järjestelmiä-mukaan lukien mustan laatikon lähestymistavat, jotka käyttävät koneoppimista tai tekoälyä (AI). Konekisoa voidaan kuitenkin käyttää myös kattavana terminä, joka sisältää kaikki menetelmät korkean tason tiedon purkamiseksi kuvista; Tässä tapauksessa tietokonevisio kuvaa sen taustalla olevaa toimintateoriaa.
Tekniikat, jotka voivat poimia korkean tason merkityksen kuvista. Tutkimusyhteisössä tällaisia tekniikoita pidetään usein erillään konevisiosta. Todellisuudessa ne kaikki ovat kuitenkin erilaisia tapoja toteuttaa konevisio ... ja ne ovat monissa tapauksissa päällekkäin.
Digitaalinen kuvankäsittely on digitaalisen signaalinkäsittelyn muoto, joka sisältää kuvan parantamisen, palauttamisen, koodauksen ja pakkauksen. Analogisen kuvankäsittelyn edut ovat kohinan ja vääristymien minimointi sekä käytettävissä olevien algoritmien lukuisia. Yhtä ensimmäisistä kuvanparannustyypeistä käytettiin ensimmäisen lähikuvien korjaamiseen kuun pinnasta. Tässä prosessissa käytettiin fotogrammetrista kartoitusta ja melusuodattimia ja korjauksia tehtiin geometrisille vääristymille, jotka johtuivat kuvantamiskameran kohdistamisesta kuun pintaan.
Digitaalisen kuvan parantamiseen sisältyy yleensä kontrastin ja mahdollisesti geometristen korjausten lisääminen kulmien ja linssien vääristymisen katseluun. Kompressio saavutetaan usein lähentämällä kompleksisia signaaleja kosinifunktioiden yhdistelmänä-Fourier-muunnos, joka tunnetaan nimellä Diskreet kosinin muunnos (DCT). JPEG-tiedostomuoto on yleisin DCT: n sovellus. Kuvan palauttaminen voi myös käyttää Fourier -muunnosta melun poistamiseen ja hämärtymiseen.
Fotogrammetria käyttää jonkinlaista ominaisuuksien tunnistusta mittausten poimimiseen kuvista. Nämä mittaukset voivat sisältää 3D -tietoja, kun useita saman kohtauksen kuvia hankitaan eri paikoista. Yksinkertaisimmat fotogrammetriset järjestelmät käyttävät asteikkoa mitataksesi kuvan kahden pisteen välistä etäisyyttä. Tätä varten on usein tarpeen sisällyttää tunnettu viiteasteikko kuvaan.
Ominaisuuksien havaitsemisen avulla tietokone voi tunnistaa kuvan reunat, kulmat tai pisteet. Tämä on ensimmäinen fotogrammetriaan tarvittava vaihe ja esineiden ja liikkeen tunnistamiseksi. Blob -havaitseminen tunnistaa alueet reunoilla, jotka ovat liian sileitä reunan tai kulman havaitsemiseksi.
Kuviotunnistusta käytetään tiettyjen esineiden tunnistamiseen. Yksinkertaisimmassa tapauksessa tämä voi tarkoittaa tarkkaan määritellyn erityisen mekaanisen osan löytämistä kuljetinhihnalle.
3D -rekonstruointi määrittää objektin 3D -muodon 2D -kuvasta. Tämä ominaisuus voidaan toteuttaa valokuvausmenetelmillä. Tässä tapauksessa yleisten piirteiden korkeudet (määritetty eri havaintopisteiden kuvissa) määritetään triangulaatiolla. 3D -rekonstruointi on myös mahdollista käyttämällä pelkästään 2D -kuvia; Tässä ohjelmisto selittää myös reunojen tai varjostettujen alueiden väliset geometriset suhteet.
Ihmiset voivat rekonstruoida kuutioita yksinkertaisesti käsittelemällä niitä aivoissaan viivapiirroksella - varjostettujen ympyröiden avulla pallojen rekonstruoimiseksi. Varjostus näyttää pinnan kaltevuuden. Tämä johdannaisprosessi on kuitenkin paljon monimutkaisempi kuin voidaan ajatella, koska varjostus on yhden ulottuvuuden parametri, kun taas kaltevuus tapahtuu kaksiulotteisessa tapauksessa. Tämä voi johtaa epäselviin tilanteisiin - tosiasia, jonka on validoitu fyysisesti mahdottomien esineiden kuvaamisen taiteen avulla.
Kuinka koneen visiotehtävät sekvensoidaan
Monet koneinäköjärjestelmät sisältävät yllä olevat tekniikat asteittain aloittamalla matalan tason toiminnot ja siirtymällä sitten korkeamman tason toimintaan. Alimmalla tasolla kaikki kuvan pikselit tallennetaan korkean kaistanleveystietoina. Jokainen sekvenssin operaatio tunnistaa sitten kuvaominaisuudet ja edustaa kiinnostavia tietoja suhteellisen pienellä määrällä tietoa.
Ensimmäinen on kuvan parantamisen ja palauttamisen alhainen toiminta, jota seuraa ominaisuuksien havaitseminen. Siten useiden anturien käytön tapauksessa matalan tason toiminnot voidaan suorittaa yksittäisille antureille erikoistuneilla hajautetuilla prosesseilla. Kun ominaisuudet on havaittu yksittäisissä kuvissa, voidaan suorittaa edistyneempi fotogrammetria - kuten minkä tahansa objektin tunnistuksen tai muun tehtävän kanssa, joka perustuu useiden kuvien ja anturien yhdistettyihin tietoihin.
Suorat laskenta- ja oppimisalgoritmit
Konevisiossa suora laskenta on joukko matemaattisia funktioita, jotka ohjelmoija määrittelee. Nämä toiminnot ottavat tuloja, kuten kuvapikseliarvoja ja tuottavat lähtöjä, kuten objektin reunakoordinaatit. Sitä vastoin oppimisalgoritmeja ei kirjoita suoraan ihmiset, mutta niitä koulutetaan esimerkiksi tietojoukkoihin, jotka korreloivat tuloja haluttujen tulosten kanssa. Seurauksena on, että oppimisalgoritmeja käytetään mustina laatikoina. Suurin osa tällaisesta koneoppimisesta käyttää nyt syvällistä oppimista, jotka perustuvat keinotekoisiin hermoverkkoihin laskentaa varten.
Yksinkertainen koneoppiminen teollisiin sovelluksiin on yleensä luotettavampi ja vähemmän laskennallisesti vaativa, kun ne perustuvat suoraan laskentaan. Tietysti on rajoja siihen, mitä voidaan saavuttaa suoralla laskennalla. Esimerkiksi, ei pitäisi koskaan toivoa suorittavan kasvoja tunnistamaan vaadittavat edistyneet tunnustusmallit, etenkin videomateriaalista tungosta julkisissa tiloissa. Sitä vastoin koneoppiminen pystyy taitavasti käsittelemään tällaisia sovelluksia. Siksi ei ole yllättävää, että koneoppimista käytetään yhä enemmän matalan tason koneiden näkötoimenpiteisiin, erityisesti kuvan parantamiseen, palauttamiseen ja ominaisuuksien havaitsemiseen.
Parannettuja opetusmenetelmiä (ei algoritmeja)
Syvän oppimistekniikoiden lisääntyvä hienostuneisuus on tehnyt selväksi, että itse on parannettava oppimisalgoritmeja, vaan pikemminkin tapa, jolla algoritmit koulutetaan. Yksi parannettu koulutusmenettely tunnetaan datakeskeisenä tietokoneen visiona. Tässä syvän oppimisjärjestelmä hyväksyy erittäin vankan koulutusjoukon, joka koostuu tuhansista, miljoonista tai jopa miljardeista kuvista - ja säästää sitten jokaisesta kuvasta poimia syntetisoitua tietoa sen algoritmien avulla. Nämä algoritmit oppivat tehokkaasti linkittämällä ne toimiviin esimerkkeihin ja viittaavat sitten "vastauskirjaan" varmistaaksesi, että oikeat arvot on johdettu.
Digitaalisen kuvion tunnistamisesta on vanha varovainen tarina. Yhdysvaltain armeija aikoi kerran käyttää konevisiota kohteen tunnustamiseen, ja puolustusurakoitsijan mielenosoitus tunnisti luotettavasti sekä Yhdysvallat että Venäjän säiliöt. Kaikenlaisia erilaisia säiliöitä voitaisiin erottaa oikein peräkkäin toimittajan ilmakuvista. Kun järjestelmä kuitenkin testattiin uudelleen Pentagonin omalla kuvakirjastolla, järjestelmä antoi jatkuvasti vääriä vastauksia. Ongelmana oli, että puolustusurakoitsijoiden kuvat kaikki kuvasivat amerikkalaisia säiliöitä autiomaassa ja venäläisissä säiliöissä vihreillä kentillä. Eri säiliöiden tunnistamisen sijasta järjestelmä tunnisti eri värilliset taustat. Mitkä ovat tunnustuskriteerit? Oppimisalgoritmit vaativat huolellisesti kuratoituja koulutustietoja toimimaan.
Johtopäätös: Turvallinen visio robottityökaluista
Koneen visio ei ole enää markkinarako. Nykyisessä asemassa teollisuussektori on suurin kasvualue konevisioiden käyttöönottoille. Tällä alueella merkittävin kehitys on se, kuinka koneen visio on nyt suorittanut teollisuuslaitosten turvallisuusjärjestelmiä, ts. Järjestelmiä, jotka äänestävät hälytykseltä tai antavat ääniliitoille, kun työntekijä siirtyy työalueelle ilman kypärää, naamiota tai muita sopivia suojavarusteita. Konekisoa voidaan käyttää myös järjestelmissä, jotka hälyttävät liikuttaessa koneita, kuten trukkeja, pääsevät liian lähelle henkilöstöä.
Nämä ja samanlaiset koneiden näköjärjestelmät voivat joskus korvata kovat suojatoimenpiteet teollisuusrobotien ympärillä toiminnan tehokkaamiseksi. Koneen näköjärjestelmät voivat myös korvata tai parantaa turvajärjestelmiä, jotka perustuvat valonsuojeluun, jotka lopettavat koneet aina, kun työntekijä havaitaan saapuvan työsoluun. Kun konevisio tarkkailee tehdaslattiaa työsolun ympärillä, kyseisen solun robotit voivat hidastaa vähitellen ihmisten lähestyessä.
Teollisuusympäristöjen suunnittelulla kehittyy yhteistyörobotien ja muiden työkysymyksen laitteiden mukauttamiseksi, joiden avulla kasvien henkilöstö voi kävellä turvallisesti (jopa laitteiden ollessa käynnissä), näistä ja muista konevaikutuspohjaisista järjestelmistä tulee yleisempi osa kasvien prosesseissa.