کنترل کیفیت با پردازش تصویر روشی است که در آن دوربین‌های صنعتی از محصول تصویر می‌گیرند و الگوریتمهای بینایی ماشین و یادگیری عمیق، عیبهای سطحی مانند آسیبدیدگی، چسب، گرد و غبار و خراش را به‌صورت خودکار تشخیص میدهند. این روش در سال‌های اخیر به‌عنوان بخشی از کنترل کیفیت محصولات صنعتی، به‌ویژه برای سطوح فلزی، توجه زیادی را به خود جلب کرده است.
در گذشته برای این کار از پردازش تصویر کلاسیک و یادگیری ماشین استفاده می‌شد، اما این روش‌ها فقط در شرایط مشخصی، یعنی نور کافی، کنتراست بالا و مقیاس ثابت، عیب را درست تشخیص می‌دادند. روش‌های یادگیری عمیق این محدودیت را ندارند و حتی در شرایط نوری و تصویری نامناسب می‌توانند عیب را با دقت بالا شناسایی کنند.
نرم افزار نظارت تصویری رایمانو را مطالعه کنید.
چرا کنترل کیفیت خودکار اهمیت دارد؟
عیوب سطحی بر کیفیت و عملکرد محصولات صنعتی اثر منفی می‌گذارند.به همین دلیل، تولیدکنندگان تلاش زیادی برای شناسایی این عیوب و کنترل کیفیت محصولات خود انجام میدهند.
بازرسی دستی معمولاً با دقت و سرعت پایین و فشار کاری بالا همراه است. در سال‌های اخیر روش‌های مبتنی بر بینایی ماشین برای یافتن نقص‌های سطحی رواج پیدا کرده‌اند و این مشکلات را ندارند. این سیستم‌ها بدون خستگی کار می‌کنند، سرعت بازرسی را بالا می‌برند و نتیجه را یکنواخت نگه می‌دارند.
کاربردهای بینایی ماشین در بازرسی سطوح
سیستم‌های مبتنی بر بینایی ماشین کاربردهای زیادی دارند، از جمله:
- بررسی نوارهای فولادی
- بازرسی صفحه‌نمایش کریستال مایع (LCD)
- کنترل کیفیت پارچه و منسوجات
- بررسی خطوط راه‌آهن
- بازرسی مواد غذایی
- بررسی قطعات فلزی در صنعت خودرو
چالش‌های بازرسی سطوح فلزی
فلزات در بسیاری از صنایع مورد استفاده قرار می‌گیرند؛ ازاین‌رو بررسی و ارزیابی کیفیت سطوح آن‌ها از اهمیت بالایی برخوردار است. سطوح فلزی در مقایسه با سطوح صاف مانند شیشه، دشوارتر مورد بازرسی قرار می‌گیرند؛ زیرا توزیع روشنایی در آن‌ها یکنواخت نیست، بازتاب نور شدیدتر مشاهده می‌شود و نویزهای بیشتری روی سطح ایجاد می‌شوند.
در تصویر زیر، یک سطح فلزی مورد استفاده در صنعت خودرو نمایش داده شده است. کادر قرمز نقاط آسیب‌دیده، کادر سبز چسب روی سطح، کادر نارنجی گرد و غبار و کادر آبی خراش را نشان می‌دهد.
- انعکاس شدید نور: نقاط دارای چسب لبه‌های نامشخص و کنتراست پایین دارند.
- تفاوت رنگ پس‌زمینه: گاهی پس‌زمینه اطراف عیب رنگی متفاوت از بقیه سطح دارد و تشخیص را سخت‌تر میکند.
- آلاینده‌های غیرصنعتی: ذرات گرد و غبار موجود در محیط کار ممکن است روی سطح قطعه رسوب کرده و با عیوب واقعی سطح اشتباه گرفته شوند.
یک سیستم عیب‌یابی پیشرفته باید هم وجود عیب را تشخیص دهد و هم نوع و اندازه آن را تعیین کند.
تشخیص عیوب سطح فلزی با شبکه‌های عصبی
سال‌های اخیر روش‌هایی که از شبکه‌های عصبی استفاده کرده‌اند، در کاربردهای بینایی ماشین مانند تشخیص چهره، ردیابی هدف و تشخیص خطا نتایج بسیار خوبی گرفته‌اند. در روش زیر از شبکه عصبی برای تشخیص عیب‌ها و خطاهای سطوح فلزی استفاده می‌شود.
این روش ابتدا عیب شناسایی و سپس در یکی از گروه‌های مربوطه دسته‌بندی می‌شود؛ مراحل کار به این شکل است:
- در مرحله تصویربرداری: دوربین صنعتی با کمک نور مناسب از سطح محصول تصویربرداری میکند.
- شناسایی محل عیب: شبکه عصبی جاهایی از تصویر را که نقص دارند پیدا میکند.
- برش نواحی معیوب: قسمت‌های دارای نقص از تصویر بریده می‌شوند.
- دسته‌بندی عیب: هر ناحیه بریده‌شده در یکی از گروه‌ها قرار می‌گیرد تا نوع نقص مشخص شود، مثلاً چسب، گرد و غبار، خراش یا آسیبدیدگی.
مقایسه روش‌های سنتی و یادگیری عمیق
| ویژگی | پردازش تصویر و یادگیری ماشین سنتی | یادگیری عمیق |
|---|---|---|
| شرایط نوری | نیازمند نور کافی | عملکرد مناسب در شرایط نوری متغیر |
| کنتراست تصویر | نیازمند کنتراست بالا | تحمل کنتراست پایین |
| مقیاس عیب | نیازمند مقیاس مشخص | تشخیص در مقیاس‌های مختلف |
| تشخیص نوع عیب | معمولاً محدود | شناسایی و دسته‌بندی هم‌زمان |
| دقت در محیط واقعی | وابسته به شرایط محیط | بالا |
جمع‌بندی
کنترل کیفیت مبتنی بر پردازش تصویر با جایگزینی بازرسی دستی، دقت و سرعت فرآیند بازرسی را افزایش می‌دهد و فشار کاری اپراتورها را کاهش می‌دهد. همچنین، شبکه‌های عصبی در بازرسی سطوح فلزی می‌توانند عیب‌ها را حتی در شرایط دشواری مانند انعکاس نور، کنتراست پایین و وجود گرد و غبار شناسایی و دسته‌بندی کنند.
سوالات متداول
در این روش خودکار بازرسی محصولات، دوربین از محصول تصویربرداری میکند و الگوریتمهای بینایی ماشین عیبهای سطحی را تشخیص میدهند.
به دلیل روشنایی غیریکنواخت، انعکاس قوی نور و نویز روی سطح، لبه و کنتراست عیب‌ها در تصویر نامشخص می‌شود.
آسیبدیدگی، چسب، گرد و غبار و خراش از نمونههای رایجاند.
با تشکر
مطلب مفیدی بود
سلام خسته نباشید برای کنترل عیوب خط تولید شیشه که بصورت پیوسته میبباشد که معمولا عیوب ظاهری در نقاظ مختلف نوار شیشه وجود دارد ایا با پردازش تصویر میتوان کنترل کرد لطفا راهنمایی لفرمایید./ با تشکر
بله امکان پذیر است
با سلام
در مورد فرایند تولید ورق کارتن هم این سیستم پاسخ گو هست ؟
سلا
بله پاسخگو هست
بله پاسخگو است