Устройство системы машинного зрения

Когда говорят про системы машинного зрения, многие сразу представляют дорогущие камеры с идеальной картинкой. А на деле-то — куча подводных камней, где даже освещение может похоронить проект. Вот на прошлой неделе как раз настраивали линию для контроля брака резиновых уплотнителей — там пришлось трижды переделывать световую схему, потому что блики смазывали контуры.

Базовые компоненты и типичные ошибки

Собрать систему — это не просто камеру воткнуть. Начинающие часто экономят на освещении, а потом месяцами debug-ят алгоритмы. У нас в Наньцзин Жуцянь был случай: заказчик купил дорогущую камеру Basler, но поставил дешёвые светодиоды — в итоге контрастность плавала при смене погоды за окном. Пришлось переделывать весь оптический тракт.

Линзы — отдельная история. Мало кто учитывает ГРИП для движущихся объектов. Как-то раз на конвейере по сборке электронных плат использовали стандартный 25mm объектив — и каждый третий компонент 'уплывал' из фокуса. Перешли на телецентрические линзы, но пришлось пересчитывать всю механику креплений.

А вот с ПО вообще парадокс: иногда проще написать кастомный модуль под конкретную задачу, чем пытаться адаптировать готовые библиотеки OpenCV. Особенно когда речь идёт о распознавании дефектов с текстурой — типа проверки литья под давлением. Там стандартные фильтры часто дают ложные срабатывания на тенях.

Интеграция в производственные линии

Наша компания ООО 'Наньцзин Жуцянь Автоматизированное Оборудование' как-то внедряла систему контроля сварных швов на автомобильном производстве. Казалось бы — тривиальная задача, но пришлось учитывать вибрации конвейера, плюс тепловое расширение корпуса камеры. В итоге разработали крепление с демпферами и термокожух.

Самое сложное — не распознавание, а синхронизация с оборудованием. Когда фотодатчик срабатывает с задержкой в 3мс — это уже критично для высокоскоростных линий. Приходится использовать внешние триггеры и буферизацию изображений. Кстати, на сайте https://www.rq-automation.ru есть кейс про интеграцию с роботами-манипуляторами — там как раз подробно разобраны временные задержки.

Помню, как на мясоперерабатывающем комбинате пришлось полностью герметизировать камеры в антивандальные корпуса — не из-за вандалов, а из-за постоянной мойки под давлением. При этом ещё и ИК-фильтры ставили, потому что пар от горячей продукции создавал артефакты.

Программная часть и алгоритмы

С Halcon работали? Отличная платформа, но для серийных решений часто перегружена функционалом. Иногда достаточно простого порогового разделения с морфологическими операциями — например, для подсчёта однотипных деталей в боксе. Хотя если нужна классификация по текстурам — без нейросетей сейчас уже сложно.

Вот недавно делали проект по сортировке пластиковых хлопьев — там пришлось комбинировать NIR-камеру с обычной RGB. Спектральный анализ показывал тип пластика, а обычная камера отслеживала геометрию. Но главная проблема оказалась в скорости — пришлось оптимизировать код под конкретный процессор VisionTech.

Кстати, про нейросети: они хоть и модные, но требуют огромных наборов данных для обучения. Мы как-то месяц собирали изображения дефектных образцов шин — и всё равно пришлось дополнять dataset синтетическими данными. Реальность часто беднее, чем хотелось бы.

Аппаратные нюансы

Разрешение камеры — не всегда главный параметр. Для измерения линейных размеров важнее калибровка и отсутствие дисторсии. Как-то сравнивали 5-мегапиксельную камеру с 12-мегапиксельной — так первая давала погрешность 0.1mm, а вторая 0.15mm из-за искажений по краям кадра.

Шум матрицы — отдельная головная боль при низкой освещённости. Приходится либо поднимать выдержку (но тогда размытие движущихся объектов), либо использовать охлаждаемые камеры. На одном фармацевтическом производстве вообще пришлось ставить Peltier-охлаждение — там требовалось распознавать микротрещины в ампулах при тусклом синем свете.

Интерфейсы подключения — тут вечная дилемма между GigE Vision и USB3 Vision. Первый надёжнее для длинных линий, второй проще в настройке. Но мы в последнее время чаще используем PoE+ — один кабель и для данных, и для питания, что упрощает разводку на протяжённых линиях.

Практические кейсы из опыта

На сайте https://www.rq-automation.ru мы не просто так акцентируем внимание на исследованиях и разработке — каждый проект уникален. Вот например система для контроля печатных плат: казалось бы, стандартная задача, но пришлось учитывать отражение от бессвинцовой пайки. Разработали поляризационный фильтр с переменным углом — теперь это базовая комплектация для таких задач.

А вот провальный опыт: пытались использовать стереокамеры для объёмного контроля литья. Технология перспективная, но на практике точность оказалась недостаточной для термоусадочных деформаций. Пришлось возвращаться к лазерным сканерам, хоть это и дороже.

Сейчас экспериментируем с мультиспектральными камерами для сельхозтехники — распознавание спелости плодов. Пока получается с переменным успехом: в пасмурную погоду спектральные характеристики 'плывут'. Возможно, придётся добавлять ИК-прожекторы с узким спектром.

Перспективы и ограничения

Современные системы машинного зрения уже способны на многое, но физику не обманешь. Дифракция, аберрации, шумы — это остаётся фундаментальными ограничениями. Иногда проще изменить технологический процесс, чем пытаться 'вытянуть' картинку софтом.

Интересно наблюдать за развитием event-камер — они регистрируют только изменения в сцене. Пробовали для контроля быстровращающихся деталей — пока сыровато, но потенциал огромный. Особенно для задач с высоким динамическим диапазоном.

В целом же устройство системы машинного зрения — это всегда компромисс между стоимостью, точностью и скоростью. И главный навык — предвидеть, какое из этих трёх 'сломается' первым в конкретных производственных условиях. Мы в Наньцзин Жуцянь как провинциальное высокотехнологичное предприятие делаем ставку на гибкие решения — не всегда идеальные, но работающие в реальных цехах с их пылью, вибрацией и перепадами напряжения.