بینایی ماشین چیست؟ کاربردها، اجزا، نحوه عملکرد و مزایا

در یک خط تولید، بررسی مداوم محصولات برای پیدا کردن عیب، کنترل ابعاد یا تشخیص درست بودن مونتاژ، کار ساده‌ای نیست. هرچه سرعت تولید بالاتر برود، انجام این بررسی‌ها با نیروی انسانی می‌تواند زمان‌بر و وابسته به دقت فرد باشد. بینایی ماشین کمک می‌کند این فرایندها با تکیه بر اطلاعات تصویری و به‌صورت خودکار انجام شوند.

بینایی ماشین فناوری‌ای است که به ماشین‌ها و سیستم‌های کامپیوتری امکان می‌دهد اطلاعات بصری را دریافت و تحلیل کنند و از نتیجه آن برای تصمیم‌گیری و کنترل فرایند استفاده کنند. در ادامه می‌بینیم بینایی ماشین دقیقاً چیست، چگونه کار می‌کند و در چه بخش‌هایی از فرایندهای صنعتی به کار می‌آید.

بینایی ماشین چیست؟

بینایی ماشین یا Machine Vision به فناوری‌ای گفته می‌شود که به ماشین‌ها امکان می‌دهد اطلاعات بصری محیط یا یک جسم را دریافت و از آن برای تصمیم‌گیری و انجام یک فرایند مشخص استفاده کنند. به زبان ساده، بینایی ماشین یعنی ماشین بتواند از روی تصویر، اطلاعاتی را که برای انجام یک کار لازم است تشخیص دهد. هدف فقط ثبت تصویر نیست؛ سیستم باید بتواند از محتوای تصویر اطلاعات قابل استفاده استخراج کند.

بینایی ماشین در عمل میان «تصویر» و «اقدام» قرار می‌گیرد. سیستم اطلاعات بصری را بررسی می‌کند، ویژگی‌های مرتبط با مسئله را پیدا می‌کند و نتیجه را در اختیار فرایند مربوط قرار می‌دهد. برای مثال، اگر در یک فرایند لازم باشد وضعیت یک قطعه بررسی شود، سیستم می‌تواند اطلاعات تصویری آن را با معیارهای تعیین‌شده مقایسه کند و مشخص کند آیا شرایط موردنظر برقرار است یا خیر. بنابراین، مسئله‌ای که بینایی ماشین حل می‌کند، تبدیل اطلاعات بصری به داده‌ای قابل استفاده برای یک تصمیم یا فرایند تکرارشونده است.

در صنعت، این قابلیت اهمیت بیشتری پیدا می‌کند؛ چون بسیاری از فرایندهای تولید به بررسی مداوم و یکسان محصولات و قطعات نیاز دارند. بینایی ماشین می‌تواند بخشی از این بررسی‌ها را به شکل خودکار و قابل تکرار انجام دهد و نتیجه را در اختیار فرایند تولید یا سیستم کنترل قرار دهد. این موضوع به سازمان کمک می‌کند بررسی‌های بصری را با سرعت و معیار مشخص‌تری انجام دهد و وابستگی فرایند به مشاهده مستقیم انسان را کاهش دهد.

در نتیجه، بینایی ماشین را نباید صرفاً جایگزین چشم انسان دانست. این فناوری برای حل مسائل مشخصی طراحی می‌شود که در آن‌ها اطلاعات بصری باید به یک نتیجه قابل استفاده برای فرایند تبدیل شود.

بینایی ماشین چگونه کار می‌کند؟

عملکرد بینایی ماشین را می‌توان یک زنجیره ساده در نظر گرفت: سیستم ابتدا تصویر را دریافت می‌کند، سپس آن را برای تحلیل آماده می‌کند، اطلاعات موردنیاز را از تصویر استخراج می‌کند و در نهایت بر اساس نتیجه تحلیل، یک تصمیم یا اقدام مشخص انجام می‌دهد. این فرایند زمانی ارزش واقعی خود را نشان می‌دهد که خروجی تحلیل تصویر به یک فرایند دیگر، مانند سیستم کنترل یا تجهیزات اتوماسیون، متصل شود.

دریافت تصویر از محیط

اولین مرحله، دریافت تصویر از شیء یا محیطی است که باید بررسی شود. سیستم باید تصویر مناسبی از موضوع موردنظر داشته باشد تا بتواند ویژگی‌های لازم را از آن استخراج کند. در یک فرایند صنعتی، این تصویر معمولاً در نقطه‌ای مشخص از خط تولید و در زمان مناسب ثبت می‌شود تا بررسی محصول با جریان کار هماهنگ باشد.

کیفیت و شرایط تصویر اهمیت زیادی دارد، چون هرچه اطلاعات بصری دقیق‌تر و قابل تشخیص‌تر باشند، تحلیل مراحل بعدی نیز قابل اتکاتر خواهد بود.

آماده‌سازی و پردازش تصویر

تصویر دریافت‌شده معمولاً مستقیماً برای تصمیم‌گیری استفاده نمی‌شود. ابتدا داده تصویری آماده می‌شود تا ویژگی‌های مهم آن واضح‌تر و بررسی آن ساده‌تر شود. هدف این مرحله، حذف یا کاهش عواملی است که می‌توانند تحلیل تصویر را دشوار کنند و آماده‌کردن تصویر برای مرحله بعد است.

نوع این پردازش به مسئله‌ای که سیستم باید حل کند بستگی دارد. برای یک کاربرد، ممکن است برجسته‌کردن یک ویژگی تصویری کافی باشد و برای کاربردی دیگر، آماده‌سازی متفاوتی لازم باشد.

تحلیل و استخراج اطلاعات

پس از آماده‌سازی تصویر، سیستم به دنبال اطلاعات مرتبط با مسئله می‌گردد. در این مرحله مشخص می‌شود چه ویژگی‌هایی در تصویر اهمیت دارند و چه اطلاعاتی باید از آن استخراج شوند.

برای مثال، سیستم ممکن است موقعیت، شکل، اندازه یا الگوی یک جسم را بررسی کند. نتیجه این مرحله دیگر صرفاً یک تصویر نیست، بلکه اطلاعاتی است که می‌توان از آن برای مرحله تصمیم‌گیری استفاده کرد.

تشخیص، اندازه‌گیری یا طبقه‌بندی

در این مرحله اطلاعات استخراج‌شده به یک نتیجه مشخص تبدیل می‌شود. بسته به هدف سیستم، نتیجه می‌تواند تشخیص یک ویژگی، اندازه‌گیری یک مقدار، شناسایی یک شیء یا قرار دادن آن در یک دسته مشخص باشد.

نکته مهم این است که معیار بررسی از قبل با توجه به نیاز فرایند تعریف می‌شود. سیستم بر اساس همان معیار مشخص می‌کند نتیجه موردنظر به دست آمده است یا خیر.

تصمیم‌گیری و اجرای عملیات

آخرین مرحله زمانی شکل می‌گیرد که نتیجه تحلیل تصویر باید وارد فرایند اجرایی شود. سیستم می‌تواند نتیجه را به یک سیستم کنترل یا بخش دیگری از فرایند ارسال کند تا اقدام مناسب انجام شود.

اینجاست که ارتباط بینایی ماشین با اتوماسیون صنعتی روشن می‌شود. بینایی ماشین اطلاعات لازم برای تصمیم‌گیری را از تصویر استخراج می‌کند و سیستم اتوماسیون می‌تواند بر اساس آن نتیجه، یک عملیات مشخص را اجرا کند.

یک مثال ساده از عملکرد بینایی ماشین

فرض کنید در یک خط تولید، محصولات باید از نظر وجود نقص بررسی شوند. سیستم ابتدا تصویر محصول را دریافت می‌کند، تصویر را برای تحلیل آماده می‌کند و سپس آن را بررسی می‌کند. اگر نقص موردنظر شناسایی شود، نتیجه به سیستم کنترل ارسال می‌شود و سیستم کنترل محصول را از مسیر اصلی جدا می‌کند.

دوربین ← تصویر محصول ← پردازش ← تشخیص نقص ← ارسال نتیجه به سیستم کنترل ← جداسازی محصول

در این مثال، بینایی ماشین وظیفه مشاهده و تحلیل را بر عهده دارد و اتوماسیون صنعتی از نتیجه این تحلیل برای اجرای عملیات استفاده می‌کند. به همین دلیل، ارزش بینایی ماشین در محیط صنعتی فقط به توانایی تحلیل تصویر محدود نمی‌شود؛ اتصال نتیجه تحلیل به یک فرایند اجرایی، آن را به بخشی از یک سیستم خودکار تبدیل می‌کند.

اجزای اصلی سیستم بینایی ماشین چیست؟

یک سیستم بینایی ماشین از چند بخش تشکیل می‌شود که در کنار یکدیگر، تصویر را دریافت و تحلیل می‌کنند و نتیجه را در اختیار فرایند موردنظر قرار می‌دهند. انتخاب این اجزا به نوع کاربرد، سرعت خط تولید، دقت موردنیاز و شرایط محیطی بستگی دارد.

دوربین‌های صنعتی

دوربین صنعتی وظیفه دریافت تصویر از محصول، قطعه یا محیط را بر عهده دارد. تفاوت دوربین‌های صنعتی با دوربین‌های معمولی بیشتر به نیازهای کاربردی محیط‌های تخصصی مربوط می‌شود، مانند سرعت تصویربرداری، دقت، پایداری و امکان هماهنگی با تجهیزات دیگر. نوع دوربین باید متناسب با سرعت حرکت محصول و جزئیاتی که قرار است بررسی شوند انتخاب شود.

در دوربین‌های صنعتی، دو مفهوم Global Shutter و Rolling Shutter نیز اهمیت دارند. Global Shutter تصویر را از تمام نقاط حسگر تقریباً به‌صورت هم‌زمان ثبت می‌کند و برای اجسام متحرک مناسب‌تر است. در Rolling Shutter ثبت تصویر در ردیف‌های مختلف انجام می‌شود و در برخی کاربردها می‌تواند باعث تغییر شکل ظاهری اجسام متحرک شود.

لنز

لنز تعیین می‌کند دوربین چگونه صحنه یا محصول را در تصویر ثبت کند. فاصله کانونی، میدان دید و فاصله دوربین تا موضوع از عواملی هستند که در انتخاب لنز اهمیت دارند.

لنز باید با دوربین، ابعاد محصول و دقت موردنیاز هماهنگ باشد. اگر میدان دید یا وضوح تصویر مناسب نباشد، حتی یک دوربین با مشخصات بالا نیز نمی‌تواند نتیجه مطلوبی ایجاد کند. بنابراین انتخاب لنز بخشی از طراحی سیستم بینایی ماشین است، نه یک انتخاب جدا از دوربین.

سیستم نورپردازی

نورپردازی مناسب یکی از عوامل مهم در کیفیت تصویر است. هدف آن ایجاد شرایطی است که ویژگی موردنظر محصول به شکل واضح و قابل تشخیص دیده شود.

در محیط صنعتی، نور محیط ممکن است تغییر کند یا بازتاب سطح محصولات باعث ایجاد مشکل در تصویر شود. به همین دلیل از نورپردازی کنترل‌شده استفاده می‌شود تا شرایط تصویربرداری تا حد امکان ثابت بماند. نوع نور، زاویه تابش و نحوه قرارگیری آن با توجه به شکل، جنس و ویژگی مورد بررسی محصول انتخاب می‌شود.

حسگر تصویر

حسگر تصویر بخشی از دوربین است که نور دریافت‌شده را به داده تصویری تبدیل می‌کند. اندازه حسگر، وضوح تصویر و ویژگی‌های فنی آن روی کیفیت اطلاعات ثبت‌شده اثر می‌گذارند.

در انتخاب سیستم بینایی ماشین، حسگر باید متناسب با نوع بازرسی و جزئیاتی باشد که قرار است شناسایی شوند. برای مثال، در یک کاربرد ممکن است ثبت جزئیات بسیار ریز اهمیت داشته باشد و در کاربرد دیگر، سرعت ثبت تصویر اولویت بیشتری داشته باشد.

واحد پردازش

پس از دریافت تصویر، داده‌ها باید پردازش شوند تا اطلاعات موردنیاز از آن‌ها استخراج شود. این وظیفه بر عهده واحد پردازش است که می‌تواند متناسب با ساختار سیستم، در قالب سخت‌افزارهای مختلف پیاده‌سازی شود.

توان پردازشی موردنیاز به عواملی مانند حجم تصاویر، سرعت خط تولید، پیچیدگی تحلیل و استفاده یا عدم استفاده از مدل‌های هوش مصنوعی بستگی دارد. در برخی سیستم‌ها پردازش نزدیک به محل تصویربرداری انجام می‌شود تا نتیجه با سرعت بیشتری در اختیار فرایند قرار گیرد.

نرم‌افزار بینایی ماشین

نرم‌افزار بینایی ماشین وظیفه کنترل فرایند تحلیل تصویر و تبدیل داده تصویری به اطلاعات قابل استفاده را بر عهده دارد. این بخش می‌تواند برای شناسایی اشیا، تشخیص نقص، اندازه‌گیری، طبقه‌بندی یا بررسی موقعیت محصولات استفاده شود.

بسته به نوع کاربرد، نرم‌افزار ممکن است از روش‌های پردازش تصویر، الگوریتم‌های بینایی ماشین یا مدل‌های یادگیری ماشین و یادگیری عمیق استفاده کند. در سیستم‌های صنعتی، خروجی نرم‌افزار باید با منطق فرایند و معیارهای تعریف‌شده برای بازرسی هماهنگ باشد.

تجهیزات ارتباطی و ورودی/خروجی

سیستم بینایی ماشین باید بتواند با دوربین، واحد پردازش، سیستم کنترل و سایر تجهیزات ارتباط برقرار کند. استانداردها و رابط‌هایی مانند GigE Vision و MIPI CSI برای انتقال داده تصویری و اتصال تجهیزات در ساختارهای مختلف استفاده می‌شوند.

در کنار ارتباطات تصویری، ورودی و خروجی‌ها نیز برای هماهنگی با تجهیزات صنعتی اهمیت دارند. برای مثال، سیستم می‌تواند نتیجه بررسی یک محصول را به کنترلر یا تجهیزات خط تولید ارسال کند تا عملیات بعدی بر اساس آن انجام شود. نوع ارتباط به معماری سیستم و تجهیزات مورد استفاده بستگی دارد.

تفاوت بینایی ماشین و بینایی کامپیوتر چیست؟

اصطلاحات بینایی ماشین، بینایی کامپیوتر و پردازش تصویر گاهی به جای یکدیگر استفاده می‌شوند، اما دقیقاً یک مفهوم را بیان نمی‌کنند. هر سه حوزه با تصویر و اطلاعات بصری سروکار دارند، ولی هدف و جایگاه آن‌ها متفاوت است. برای درک بهتر، باید ابتدا هر مفهوم را جداگانه تعریف کنیم.

بینایی کامپیوتر چیست؟

بینایی کامپیوتر یا Computer Vision حوزه‌ای از علوم کامپیوتر و هوش مصنوعی است که روی توانایی سیستم‌ها برای دریافت، تحلیل و تفسیر اطلاعات بصری تمرکز دارد. هدف این حوزه فقط تغییر یا بهبود تصویر نیست، بلکه استخراج اطلاعات معنادار از تصاویر و ویدئوهاست.

برای مثال، تشخیص چهره، شناسایی اشیا در یک تصویر، تحلیل حرکت یا درک محتوای یک صحنه می‌توانند از مسائل بینایی کامپیوتر باشند. به همین دلیل، Computer Vision دامنه گسترده‌ای دارد و در حوزه‌هایی مانند خودروهای خودران، پزشکی، رباتیک، امنیت و تحلیل تصاویر کاربرد پیدا می‌کند.

بینایی ماشین چیست؟

بینایی ماشین یا Machine Vision بیشتر به استفاده عملی از سیستم‌های بینایی برای انجام یا کنترل یک فرایند مشخص اشاره دارد. این فناوری به‌ویژه در محیط‌های صنعتی برای بازرسی، اندازه‌گیری، تشخیص نقص، شناسایی محصول، کنترل موقعیت و سایر وظایف تکرارشونده استفاده می‌شود.

در یک سیستم بینایی ماشین، هدف معمولاً رسیدن به یک خروجی عملی است. برای مثال، سیستم می‌تواند تشخیص دهد یک محصول سالم است یا معیوب و نتیجه را برای ادامه فرایند تولید ارسال کند. بنابراین، تمرکز Machine Vision بیشتر بر حل یک مسئله مشخص و اتصال نتیجه تحلیل تصویر به یک فرایند است.

تفاوت Machine Vision و Computer Vision

تفاوت این دو بیشتر در دامنه و کاربرد آن‌هاست، نه در فناوری‌های کاملاً جداگانه. Computer Vision مفهومی گسترده‌تر برای درک و تفسیر اطلاعات بصری است، در حالی که Machine Vision معمولاً به کاربرد عملی این قابلیت‌ها برای انجام یک وظیفه مشخص، به‌خصوص در محیط‌های صنعتی، اشاره دارد.

البته مرز این دو همیشه قطعی نیست. یک سیستم بینایی ماشین می‌تواند از تکنیک‌ها و مدل‌های توسعه‌یافته در حوزه Computer Vision استفاده کند و بسیاری از فناوری‌های مورد استفاده در هر دو حوزه مشترک هستند.

آیا بینایی ماشین زیرمجموعه هوش مصنوعی است؟

بینایی ماشین را نباید به‌صورت مطلق زیرمجموعه هوش مصنوعی دانست. یک سیستم Machine Vision می‌تواند با روش‌های کلاسیک پردازش و تحلیل تصویر، بدون استفاده از مدل‌های هوش مصنوعی، یک وظیفه مشخص را انجام دهد.

در عین حال، استفاده از یادگیری ماشین و یادگیری عمیق باعث شده بسیاری از سیستم‌های جدید بینایی ماشین از قابلیت‌های هوش مصنوعی برای تشخیص الگو، شناسایی اشیا و تشخیص عیوب پیچیده استفاده کنند. بنابراین، رابطه این دو بیشتر به نوع راهکار مورد استفاده بستگی دارد.

تفاوت بینایی ماشین و پردازش تصویر

پردازش تصویر یا Image Processing بیشتر به عملیات انجام‌شده روی خود تصویر مربوط است. تغییر اندازه، حذف نویز، بهبود کیفیت، تغییر کنتراست و آماده‌سازی تصویر برای تحلیل، نمونه‌هایی از این عملیات هستند.

بینایی ماشین یک هدف عملی گسترده‌تر دارد و می‌تواند از پردازش تصویر به‌عنوان یکی از مراحل کار خود استفاده کند. به بیان ساده، پردازش تصویر به آماده‌سازی و تغییر تصویر کمک می‌کند، Computer Vision به درک اطلاعات بصری می‌پردازد و Machine Vision از این قابلیت‌ها برای حل یک مسئله مشخص و کنترل یک فرایند استفاده می‌کند.

جدول مقایسه مفاهیم

فناوری	نقش اصلی
پردازش تصویر	آماده‌سازی و تغییر تصویر
Computer Vision	درک و تفسیر اطلاعات بصری
Machine Vision	استفاده عملی از بینایی برای انجام یا کنترل یک فرایند

این تفکیک به این معنا نیست که این فناوری‌ها کاملاً جدا از یکدیگر هستند. در یک سیستم واقعی، ممکن است هر سه در کنار هم استفاده شوند: ابتدا تصویر پردازش شود، سپس اطلاعات بصری تحلیل شود و در نهایت نتیجه برای کنترل یک فرایند صنعتی به کار برود.

انواع سیستم‌های بینایی ماشین

سیستم‌های بینایی ماشین را می‌توان بر اساس نحوه پردازش، نوع تصویربرداری و محل استفاده در فرایند دسته‌بندی کرد. انتخاب نوع سیستم به عواملی مانند سرعت خط تولید، دقت موردنیاز، پیچیدگی بازرسی و نوع محصول بستگی دارد. پنج دسته زیر از رایج‌ترین مدل‌هایی هستند که در کاربردهای صنعتی دیده می‌شوند.

سیستم‌های مبتنی بر دوربین هوشمند

در سیستم‌های مبتنی بر دوربین هوشمند یا Smart Camera، بخش‌هایی مانند دریافت تصویر، پردازش و تحلیل در یک تجهیز یکپارچه قرار می‌گیرند. این ساختار برای کاربردهایی مناسب است که وظیفه بازرسی مشخص و نسبتاً مستقیمی دارند و نیازی به یک معماری پردازشی پیچیده نیست.

سادگی نصب و کاهش تعداد تجهیزات از مزایای این ساختار است. برای مثال، می‌توان از دوربین هوشمند برای بررسی وجود یا عدم وجود یک قطعه، کنترل موقعیت محصول یا تشخیص یک نقص مشخص در خط تولید استفاده کرد.

سیستم‌های PC-Based

در سیستم‌های PC-Based، دوربین تصویر را دریافت می‌کند و یک کامپیوتر صنعتی یا سیستم پردازشی مجزا وظیفه پردازش و تحلیل داده‌ها را بر عهده دارد. این معماری معمولاً انعطاف بیشتری برای کاربردهای پیچیده‌تر فراهم می‌کند.

وقتی حجم داده، تعداد دوربین‌ها یا پیچیدگی تحلیل افزایش پیدا کند، استفاده از یک واحد پردازشی قدرتمندتر می‌تواند مناسب باشد. همچنین امکان توسعه نرم‌افزار و تغییر منطق بازرسی در چنین ساختاری معمولاً بیشتر است.

سیستم‌های دوبعدی

سیستم‌های دوبعدی یا 2D Machine Vision اطلاعات تصویری را در قالب یک تصویر دوبعدی بررسی می‌کنند. این نوع سیستم برای بسیاری از بازرسی‌های صنعتی مانند تشخیص نقص ظاهری، کنترل چاپ و نوشته، شناسایی محصول، بررسی موقعیت و کنترل ابعاد دوبعدی کاربرد دارد.

وقتی ویژگی موردنظر را بتوان از روی شکل، رنگ، الگو یا اطلاعات موجود در یک تصویر دوبعدی تشخیص داد، معمولاً نیازی به تصویربرداری سه‌بعدی وجود ندارد.

سیستم‌های سه‌بعدی

سیستم‌های سه‌بعدی یا 3D Machine Vision علاوه بر اطلاعات دوبعدی، اطلاعات مربوط به عمق یا شکل فضایی موضوع را نیز در اختیار سیستم قرار می‌دهند. این قابلیت برای کاربردهایی مفید است که ارتفاع، حجم، شکل سه‌بعدی یا موقعیت فضایی یک شیء اهمیت دارد.

اندازه‌گیری حجم، بررسی شکل قطعات، کنترل سطح و برخی کاربردهای رباتیک از نمونه‌های استفاده از بینایی ماشین سه‌بعدی هستند. انتخاب این نوع سیستم زمانی منطقی است که اطلاعات عمق برای حل مسئله ضروری باشد.

سیستم‌های ثابت و Inline

سیستم‌های ثابت معمولاً در یک موقعیت مشخص نصب می‌شوند و محصول یا قطعه در محدوده تصویربرداری قرار می‌گیرد. این ساختار برای خطوط تولیدی که مسیر حرکت محصول مشخص و تکرارشونده است، کاربرد زیادی دارد.

در سیستم‌های Inline، بازرسی به‌صورت مستقیم داخل خط تولید انجام می‌شود و نتیجه بررسی می‌تواند هم‌زمان با حرکت محصول وارد فرایند تولید شود. برای مثال، محصول پس از عبور از نقطه بازرسی بررسی می‌شود و در صورت وجود نقص، نتیجه به سیستم کنترل ارسال می‌شود تا عملیات بعدی انجام شود.

در عمل، این دسته‌بندی‌ها می‌توانند با یکدیگر ترکیب شوند. برای مثال، یک سیستم می‌تواند هم سه‌بعدی باشد، هم Inline و هم از یک کامپیوتر صنعتی برای پردازش استفاده کند. بنابراین انتخاب معماری مناسب باید بر اساس مسئله‌ای که قرار است حل شود انجام شود، نه صرفاً نوع سیستم.

فناوری‌ها و الگوریتم‌های مورد استفاده در بینایی ماشین

بینایی ماشین برای تبدیل تصویر به اطلاعات قابل استفاده از مجموعه‌ای از روش‌های پردازش تصویر، بینایی کامپیوتر و هوش مصنوعی استفاده می‌کند. انتخاب روش به نوع مسئله، داده تصویری و دقت موردنیاز بستگی دارد.

• پردازش تصویر: برای آماده‌سازی، بهبود و تغییر تصویر پیش از تحلیل استفاده می‌شود و می‌تواند شامل کاهش نویز، تغییر کنتراست یا استخراج ویژگی‌های موردنیاز باشد.
• تشخیص لبه: مرزها و تغییرات مهم در تصویر را شناسایی می‌کند و برای تشخیص شکل، قطعه و برخی اندازه‌گیری‌ها کاربرد دارد.
• تشخیص الگو: الگوها یا ویژگی‌های مشخص را در تصویر پیدا می‌کند و برای شناسایی محصولات، قطعات و ویژگی‌های تکرارشونده کاربرد دارد.
• تشخیص اشیا: وجود و موقعیت اشیای مشخص را در تصویر شناسایی می‌کند. این روش در بازرسی و شناسایی محصولات و قطعات کاربرد دارد.
• طبقه‌بندی تصاویر: تصویر یا یک شیء موجود در آن را بر اساس ویژگی‌های مشخص در یک دسته قرار می‌دهد، مانند سالم یا معیوب.
• بخش‌بندی تصویر: تصویر را به نواحی یا بخش‌های مختلف تقسیم می‌کند تا قسمت موردنظر با دقت بیشتری تحلیل شود.
• OCR: متن و کاراکترهای موجود در تصویر را شناسایی می‌کند و برای خواندن شماره سریال، کد، نوشته و برچسب کاربرد دارد.
• اندازه‌گیری و متروژی: از اطلاعات تصویری برای اندازه‌گیری ابعاد، فاصله، موقعیت و سایر ویژگی‌های قابل اندازه‌گیری استفاده می‌شود.
• یادگیری ماشین: با استفاده از داده‌های آموزشی، الگوها و ویژگی‌های موردنظر را یاد می‌گیرد و می‌تواند در تشخیص و طبقه‌بندی کاربرد داشته باشد.
• یادگیری عمیق و شبکه‌های CNN: برای تحلیل تصاویر پیچیده و استخراج خودکار ویژگی‌های تصویری استفاده می‌شوند و در بسیاری از کاربردهای پیشرفته بینایی ماشین نقش دارند.
• مدل‌های تشخیص اشیا مانند YOLO: برای شناسایی سریع اشیا در تصویر یا ویدئو استفاده می‌شوند و در کاربردهایی که سرعت پردازش اهمیت دارد، مورد توجه هستند.

کاربردهای بینایی ماشین چیست؟

بینایی ماشین زمانی بیشترین ارزش را ایجاد می‌کند که مشاهده و تحلیل یک محصول، قطعه یا محیط بخشی از یک فرایند تکرارشونده باشد. به همین دلیل، کاربردهای آن از کنترل کیفیت و اندازه‌گیری تا شناسایی محصولات و کنترل عملیات تولید را دربرمی‌گیرد.

کنترل کیفیت و بازرسی خودکار

بینایی ماشین می‌تواند بخشی از فرایند کنترل کیفیت را به‌صورت خودکار انجام دهد. سیستم بر اساس معیارهای از پیش تعیین‌شده، وضعیت محصول یا قطعه را بررسی می‌کند و نتیجه را در اختیار فرایند تولید قرار می‌دهد. این روش برای بازرسی‌هایی که به تکرار زیاد و معیار مشخص نیاز دارند، کاربردی است. برای مثال، می‌توان ظاهر محصول، وضعیت چاپ، شکل قطعه یا وجود ویژگی مشخص را در هر چرخه تولید بررسی کرد.

تشخیص عیوب محصولات

یکی از کاربردهای مهم بینایی ماشین، شناسایی نقص‌های ظاهری و قابل مشاهده در محصولات است. سیستم می‌تواند ویژگی‌هایی مانند خراش، ترک، تغییر شکل، لکه یا نقص در سطح محصول را بررسی کند. معیار تشخیص بر اساس نوع محصول و استاندارد موردنظر تعیین می‌شود. در کاربردهای پیچیده‌تر، روش‌های یادگیری ماشین و یادگیری عمیق نیز می‌توانند برای شناسایی الگوهای مختلف نقص مورد استفاده قرار گیرند.

اندازه‌گیری و کنترل ابعادی

در بسیاری از خطوط تولید، بررسی دقیق ابعاد قطعات اهمیت دارد. بینایی ماشین می‌تواند برای اندازه‌گیری طول، عرض، قطر، فاصله یا موقعیت یک ویژگی مشخص استفاده شود. نتیجه اندازه‌گیری با محدوده قابل قبول مقایسه می‌شود تا مشخص شود قطعه مطابق مشخصات موردنظر هست یا خیر. این قابلیت به‌خصوص در تولید قطعاتی که کنترل ابعادی باید به‌صورت مداوم انجام شود، کاربرد دارد و می‌تواند بخشی از بازرسی را خودکار کند.

تشخیص حضور یا عدم حضور قطعه

گاهی مسئله بسیار ساده است: آیا یک قطعه یا جزء مشخص در جای درست خود قرار دارد یا خیر؟ بینایی ماشین می‌تواند حضور، عدم حضور یا موقعیت یک قطعه را بررسی کند. برای مثال، در یک مرحله مونتاژ می‌توان وجود یک پیچ، درپوش، اتصال یا قطعه مشخص را کنترل کرد. اگر نتیجه با شرایط تعریف‌شده مطابقت نداشته باشد، سیستم می‌تواند نتیجه را به فرایند کنترل ارسال کند تا ادامه عملیات متوقف یا محصول جدا شود.

شناسایی و ردیابی محصولات

بینایی ماشین می‌تواند برای شناسایی و ردیابی محصولات در بخش‌های مختلف یک فرایند استفاده شود. سیستم با تحلیل اطلاعات بصری محصول می‌تواند آن را شناسایی کرده و موقعیت یا عبور آن را در مسیر مشخص دنبال کند. این قابلیت در خطوط تولید، انبارها و فرایندهای لجستیکی کاربرد دارد. ترکیب شناسایی تصویری با اطلاعات ثبت‌شده در سیستم‌های دیگر نیز می‌تواند به ایجاد ردیابی دقیق‌تر محصول در مراحل مختلف کمک کند.

خواندن بارکد و QR Code

خواندن بارکد و QR Code یکی از کاربردهای رایج بینایی ماشین در شناسایی و ردیابی محصولات است. سیستم می‌تواند کد درج‌شده روی محصول یا بسته‌بندی را بخواند و اطلاعات آن را به سیستم مربوط ارسال کند. از این قابلیت می‌توان برای شناسایی محصول، ثبت عبور از یک مرحله، کنترل بسته‌بندی یا تطبیق محصول با اطلاعات ثبت‌شده استفاده کرد. سرعت بالای خواندن کدها نیز آن را برای خطوط تولید و بسته‌بندی مناسب می‌کند.

OCR و خواندن اطلاعات متنی

OCR یا تشخیص نوری کاراکترها برای خواندن متن و اعداد موجود در تصاویر استفاده می‌شود. در محیط صنعتی، این قابلیت می‌تواند برای خواندن شماره سریال، تاریخ تولید، شماره بچ، نوشته روی بسته‌بندی یا سایر اطلاعات متنی کاربرد داشته باشد. سیستم متن شناسایی‌شده را می‌تواند با اطلاعات مورد انتظار مقایسه کند و در صورت وجود مغایرت، نتیجه را اعلام کند. این کاربرد در کنترل چاپ و ردیابی محصولات اهمیت زیادی دارد.

سورتینگ و دسته‌بندی محصولات

در فرایندهای سورتینگ، محصولات باید بر اساس ویژگی‌های مشخص از یکدیگر تفکیک شوند. بینایی ماشین می‌تواند ویژگی‌هایی مانند شکل، اندازه، رنگ، الگو یا وضعیت ظاهری را بررسی کند و محصول را در دسته مناسب قرار دهد. پس از تشخیص، نتیجه می‌تواند به تجهیزات جداسازی منتقل شود تا محصول به مسیر مربوط هدایت شود. این کاربرد در صنایع غذایی، بسته‌بندی، تولید قطعات و برخی فرایندهای انبارداری دیده می‌شود.

کنترل مونتاژ

بینایی ماشین می‌تواند در مراحل مختلف مونتاژ برای بررسی ترتیب، موقعیت و کامل‌بودن قطعات استفاده شود. سیستم بررسی می‌کند که اجزای موردنظر در محل صحیح قرار گرفته باشند و ویژگی‌های تعیین‌شده را داشته باشند. این کار به شناسایی خطاهای مونتاژ پیش از ورود محصول به مرحله بعد کمک می‌کند. برای مثال، وجود قطعه، جهت قرارگیری آن یا وضعیت اتصال دو جزء می‌تواند به‌صورت خودکار بررسی شود.

ایمنی و پایش محیط

بینایی ماشین فقط برای بررسی محصول استفاده نمی‌شود و می‌تواند در پایش محیط و برخی فرایندهای ایمنی نیز کاربرد داشته باشد. سیستم می‌تواند ورود افراد به محدوده مشخص، حضور اشیا یا تغییرات قابل مشاهده در محیط را تشخیص دهد. در محیط‌های صنعتی، نتیجه این تحلیل می‌تواند به سیستم کنترل یا هشدار ارسال شود. نوع کاربرد به شرایط محیط، معیارهای ایمنی و سطح دقت موردنیاز بستگی دارد.

کاربرد بینایی ماشین در صنایع مختلف

کاربرد بینایی ماشین به یک صنعت خاص محدود نیست. هرجا محصول، قطعه یا محیط نیاز به مشاهده، شناسایی، اندازه‌گیری یا کنترل مداوم داشته باشد، می‌توان از این فناوری استفاده کرد. تفاوت اصلی در هر صنعت، نوع اطلاعاتی است که باید از تصویر استخراج شود و تصمیمی است که بر اساس آن گرفته می‌شود.

صنعت خودروسازی

در صنعت خودروسازی، بینایی ماشین در بخش‌های مختلف تولید و کنترل کیفیت کاربرد دارد. بررسی بدنه و قطعات، کنترل ابعاد، تشخیص نقص‌های سطحی، بررسی جوش و کنترل مونتاژ از جمله کاربردهای آن هستند. سیستم می‌تواند وضعیت قطعات را در مراحل مختلف تولید بررسی کند و نتیجه را در اختیار خط تولید قرار دهد. در بخش رباتیک نیز بینایی ماشین برای تشخیص موقعیت و جهت قطعات و هدایت عملیات خودکار استفاده می‌شود.

صنایع غذایی و نوشیدنی

در صنایع غذایی و نوشیدنی، سرعت تولید بالا و نیاز به کنترل مداوم محصولات، استفاده از بینایی ماشین را کاربردی می‌کند. بررسی ظاهر محصول، کنترل سطح یا شکل، تشخیص محصول نامناسب، بررسی بسته‌بندی و کنترل چاپ اطلاعات از نمونه‌های رایج هستند. سیستم می‌تواند محصولات را هنگام عبور از خط تولید بررسی کند و مواردی را که با معیارهای تعیین‌شده مطابقت ندارند، برای جداسازی یا بررسی بیشتر شناسایی کند.

صنایع دارویی و بهداشتی

در تولید محصولات دارویی و بهداشتی، کنترل دقیق محصول و بسته‌بندی اهمیت زیادی دارد. بینایی ماشین می‌تواند برای بررسی ظاهر، کنترل وجود و موقعیت اجزا، خواندن اطلاعات روی بسته، بررسی برچسب و کنترل بسته‌بندی استفاده شود. در این کاربردها، سیستم می‌تواند محصولات را با معیارهای از پیش تعیین‌شده مقایسه کند و موارد دارای مغایرت را شناسایی کند. قابلیت ثبت و ردیابی نتایج بازرسی نیز می‌تواند بخشی از فرایند کنترل کیفیت باشد.

صنایع الکترونیک و PCB

تولید قطعات الکترونیکی و بردهای PCB به بررسی دقیق اجزای کوچک و اتصالات نیاز دارد. بینایی ماشین می‌تواند برای کنترل موقعیت قطعات، بررسی مونتاژ، تشخیص برخی نقص‌های ظاهری و کنترل کیفیت برد استفاده شود. در این محیط‌ها، جزئیات تصویر اهمیت زیادی دارد و سیستم باید بتواند ویژگی‌های کوچک و تفاوت‌های ظریف میان نمونه‌های سالم و معیوب را تشخیص دهد.

صنایع بسته‌بندی

در صنعت بسته‌بندی، بینایی ماشین می‌تواند بخش‌های مختلف فرایند را بررسی کند. کنترل وجود محصول، وضعیت بسته، صحت چاپ، موقعیت برچسب، خواندن بارکد و QR Code و بررسی اطلاعات متنی از کاربردهای رایج هستند. سیستم همچنین می‌تواند بسته‌هایی را که با مشخصات تعیین‌شده مطابقت ندارند شناسایی کند. این قابلیت به‌ویژه در خطوطی که محصولات با سرعت بالا و به‌صورت پیوسته بسته‌بندی می‌شوند، اهمیت پیدا می‌کند.

لجستیک و انبارداری

در لجستیک و انبارداری، بینایی ماشین می‌تواند برای شناسایی و ردیابی کالاها و بسته‌ها استفاده شود. خواندن بارکد و QR Code، تشخیص بسته‌ها، بررسی وضعیت ظاهری و کنترل اطلاعات درج‌شده روی آن‌ها از کاربردهای رایج هستند. ترکیب این قابلیت با سیستم‌های مدیریت انبار و تجهیزات خودکار می‌تواند به شناسایی سریع‌تر کالا و هدایت آن در مسیر مناسب کمک کند.

کشاورزی هوشمند

در کشاورزی هوشمند، بینایی ماشین برای تحلیل تصویری محصولات و محیط کشت به کار می‌رود. تشخیص وضعیت ظاهری گیاه، شناسایی علف‌های هرز، بررسی میوه‌ها و محصولات و تفکیک آن‌ها بر اساس ویژگی‌های ظاهری از کاربردهای این فناوری هستند. استفاده از تصاویر هوایی یا دوربین‌های نصب‌شده روی تجهیزات کشاورزی نیز می‌تواند اطلاعاتی درباره وضعیت بخش‌های مختلف مزرعه فراهم کند.

پزشکی

در پزشکی، بینایی ماشین و Computer Vision برای تحلیل تصاویر پزشکی و کمک به شناسایی الگوهای تصویری استفاده می‌شوند. تصاویر حاصل از روش‌های مختلف تصویربرداری می‌توانند برای تشخیص یا بررسی برخی ناهنجاری‌ها تحلیل شوند. همچنین در برخی تجهیزات پزشکی، از تحلیل تصویر برای اندازه‌گیری، پایش یا کمک به فرایندهای تشخیصی استفاده می‌شود. در این حوزه، خروجی سیستم باید در چارچوب فرایندهای تخصصی پزشکی و با اعتبارسنجی مناسب مورد استفاده قرار گیرد.

رباتیک

بینایی ماشین به ربات‌ها کمک می‌کند محیط یا اشیای اطراف خود را از طریق اطلاعات بصری شناسایی کنند. در محیط‌های صنعتی، ربات می‌تواند با استفاده از این اطلاعات موقعیت، جهت یا نوع یک قطعه را تشخیص دهد و عملیات موردنظر را انجام دهد. این قابلیت در برداشتن و جابه‌جایی قطعات، مونتاژ، سورتینگ و سایر وظایف خودکار کاربرد دارد و ارتباط میان بینایی ماشین و اتوماسیون رباتیک را شکل می‌دهد.

بینایی ماشین در کنترل کیفیت چه کاربردی دارد؟

کنترل کیفیت یکی از مهم‌ترین حوزه‌های استفاده از بینایی ماشین در محیط‌های صنعتی است. در این کاربرد، سیستم به‌صورت خودکار ویژگی‌های مشخصی از محصول یا قطعه را بررسی می‌کند و نتیجه بازرسی را بر اساس معیارهای تعریف‌شده در اختیار فرایند قرار می‌دهد. این روش به‌خصوص برای بازرسی‌های تکرارشونده و خطوط تولید با حجم بالای محصول کاربرد دارد.

بازرسی ظاهری محصول

بینایی ماشین می‌تواند ظاهر محصول را از نظر ویژگی‌هایی مانند شکل، سطح، رنگ، چاپ یا وضعیت بسته‌بندی بررسی کند. شرایط بازرسی از قبل مشخص می‌شود و سیستم هر محصول را بر اساس همان معیارها ارزیابی می‌کند. این کار باعث می‌شود بررسی‌های بصری تکرارشونده با یک منطق ثابت انجام شوند و محصولاتی که نیاز به بررسی بیشتر دارند، از ادامه فرایند جدا شوند.

تشخیص نقص و عیب

یکی از کاربردهای اصلی بینایی ماشین در کنترل کیفیت، شناسایی نقص‌های قابل مشاهده است. خراش، ترک، لکه، تغییر شکل یا نقص در چاپ می‌تواند بسته به نوع محصول به‌عنوان معیار بازرسی تعریف شود. در کاربردهای ساده، روش‌های کلاسیک پردازش تصویر ممکن است کافی باشند و برای نقص‌های پیچیده‌تر می‌توان از مدل‌های یادگیری ماشین و یادگیری عمیق استفاده کرد.

کنترل ابعاد و اندازه

در بسیاری از فرایندهای تولید، ابعاد محصول باید در محدوده مشخصی قرار داشته باشد. بینایی ماشین می‌تواند ویژگی‌هایی مانند طول، عرض، قطر، فاصله یا موقعیت یک بخش را بررسی و مقدار به‌دست‌آمده را با محدوده قابل قبول مقایسه کند. این قابلیت امکان انجام بخشی از کنترل ابعادی را بدون اندازه‌گیری دستی فراهم می‌کند و برای بازرسی مداوم قطعات کاربرد دارد.

کنترل حضور و موقعیت قطعات

در فرایند مونتاژ، فقط وجود یک قطعه کافی نیست و گاهی محل قرارگیری و جهت آن نیز باید کنترل شود. بینایی ماشین می‌تواند بررسی کند که قطعات موردنظر در محل صحیح قرار گرفته‌اند و شرایط تعریف‌شده را دارند. اگر قطعه‌ای وجود نداشته باشد یا موقعیت آن اشتباه باشد، نتیجه بازرسی می‌تواند برای توقف فرایند، هشدار یا جداسازی محصول به سیستم کنترل ارسال شود.

ثبت و تحلیل نتایج بازرسی

خروجی بینایی ماشین می‌تواند فقط یک نتیجه «قبول یا رد» نباشد. نتایج بازرسی، نوع نقص، تعداد محصولات بررسی‌شده و سایر داده‌های مرتبط را می‌توان در سیستم مربوط ثبت و تحلیل کرد. این اطلاعات به شناسایی الگوهای تکرارشونده در نقص‌ها و بررسی عملکرد فرایند کمک می‌کند. در نتیجه، بینایی ماشین می‌تواند علاوه بر بازرسی محصول، منبعی برای جمع‌آوری داده‌های کنترل کیفیت نیز باشد.

مزایای استفاده از بینایی ماشین چیست؟

استفاده از بینایی ماشین می‌تواند بخشی از فرایندهای بازرسی، اندازه‌گیری و کنترل را خودکار کند. میزان اثرگذاری آن به نوع کاربرد، کیفیت طراحی سیستم و شرایط فرایند بستگی دارد، اما در کاربردهای صنعتی معمولاً مزایای زیر مورد توجه قرار می‌گیرند:

• افزایش کیفیت محصول: بررسی مداوم محصولات بر اساس معیارهای مشخص می‌تواند به شناسایی سریع‌تر نقص‌ها و جلوگیری از عبور محصولات نامنطبق از مراحل کنترل کیفیت کمک کند.
• افزایش سرعت و بهره‌وری: سیستم بینایی ماشین می‌تواند محصولات را با سرعت بالا و به‌صورت پیوسته بررسی کند و در فرایندهایی که حجم بازرسی زیاد است، زمان موردنیاز برای کنترل را کاهش دهد.
• کاهش ضایعات: شناسایی نقص در مراحل زودتر تولید می‌تواند از ادامه فرایند روی محصولات معیوب جلوگیری کند و در نتیجه، بخشی از مواد و محصولاتی که در مراحل بعدی باید کنار گذاشته شوند، کاهش پیدا کنند.
• کاهش خطا در بازرسی: انجام بازرسی بر اساس معیارهای از پیش تعیین‌شده، وابستگی نتیجه به خستگی یا تغییر تمرکز اپراتور را کاهش می‌دهد. البته دقت نهایی به طراحی و تنظیم صحیح سیستم وابسته است.
• ردیابی بهتر قطعات و محصولات: ترکیب بینایی ماشین با بارکد، QR Code یا OCR امکان شناسایی و ثبت اطلاعات محصولات را فراهم می‌کند و می‌تواند به ردیابی آن‌ها در مراحل مختلف کمک کند.
• بهبود ایمنی: بینایی ماشین می‌تواند برای پایش برخی شرایط محیطی، شناسایی حضور افراد یا اشیا در محدوده‌های مشخص و ارسال هشدار یا نتیجه به سیستم کنترل استفاده شود.
• کمک به اتوماسیون فرایندها: خروجی تحلیل تصویر می‌تواند مستقیماً به تجهیزات کنترلی و اجرایی ارسال شود. برای مثال، سیستم پس از تشخیص محصول معیوب می‌تواند فرمان جداسازی آن را به فرایند اتوماتیک منتقل کند.
• بهبود OEE و عملکرد تجهیزات: OEE یا «اثربخشی کلی تجهیزات» شاخصی برای بررسی میزان استفاده مؤثر از ظرفیت تجهیزات بر اساس عواملی مانند دسترس‌پذیری، عملکرد و کیفیت است. بینایی ماشین با شناسایی سریع نقص‌ها و ارائه داده‌های بازرسی می‌تواند به بهبود بخش کیفیت و در برخی فرایندها به تحلیل عملکرد تولید کمک کند.

چالش‌ها و محدودیت‌های بینایی ماشین چیست؟

بینایی ماشین با وجود کاربردهای گسترده، راهکاری نیست که بدون طراحی و تنظیم مناسب در هر محیطی نتیجه یکسانی داشته باشد. کیفیت تصویربرداری، شرایط محیط، نوع تجهیزات و نحوه اتصال سیستم به فرایند، همگی روی عملکرد نهایی اثر می‌گذارند.

کیفیت تصویر و داده

نتیجه تحلیل تا حد زیادی به کیفیت اطلاعات تصویری ورودی وابسته است. تصویر نامناسب، نویز زیاد، وضوح پایین یا ثبت ناقص ویژگی موردنظر می‌تواند تشخیص را دشوار کند. در سیستم‌های مبتنی بر هوش مصنوعی، کیفیت و تنوع داده‌های آموزشی نیز اهمیت دارد، چون داده نامناسب می‌تواند باعث کاهش عملکرد مدل در شرایط واقعی شود.

نورپردازی و شرایط محیطی

تغییر نور محیط، بازتاب سطوح براق، سایه، گردوغبار یا تغییر شرایط تصویربرداری می‌تواند ظاهر محصول را در تصویر تغییر دهد. اگر این عوامل کنترل نشوند، سیستم ممکن است در شرایط مختلف نتایج متفاوتی ارائه کند. به همین دلیل، طراحی نورپردازی و در نظر گرفتن شرایط واقعی محیط بخشی از طراحی سیستم بینایی ماشین است.

انتخاب تجهیزات مناسب

انتخاب دوربین، لنز، حسگر، سیستم نورپردازی و واحد پردازش باید بر اساس مسئله واقعی انجام شود. استفاده از تجهیزات نامتناسب می‌تواند باعث کاهش دقت یا افزایش هزینه شود. برای مثال، همیشه دوربین با وضوح بالاتر به معنای عملکرد بهتر نیست و باید سرعت، میدان دید، فاصله کاری و نوع بازرسی نیز در نظر گرفته شوند.

پیچیدگی یکپارچه‌سازی

بینایی ماشین معمولاً بخشی از یک فرایند بزرگ‌تر است و باید با تجهیزات و نرم‌افزارهای دیگر ارتباط داشته باشد. اتصال به سیستم کنترل، تجهیزات خط تولید، ربات‌ها یا سامانه‌های اطلاعاتی ممکن است به طراحی و تنظیمات فنی نیاز داشته باشد. هرچه فرایند پیچیده‌تر باشد، هماهنگی میان اجزای مختلف نیز اهمیت بیشتری پیدا می‌کند.

هزینه اولیه پیاده‌سازی

هزینه اولیه فقط به خرید دوربین محدود نمی‌شود. تجهیزات تصویربرداری، نورپردازی، پردازش، نرم‌افزار، نصب، یکپارچه‌سازی و تنظیم سیستم نیز می‌توانند بخشی از هزینه پروژه باشند. به همین دلیل، ارزیابی هزینه باید در کنار حجم تولید، هزینه خطا و ارزش بازرسی انجام شود تا مشخص شود سیستم چه بازگشت اقتصادی برای فرایند ایجاد می‌کند.

نیاز به داده برای مدل‌های AI

اگر سیستم از یادگیری ماشین یا یادگیری عمیق استفاده کند، به داده مناسب برای آموزش و ارزیابی نیاز دارد. این داده باید تا حد امکان شرایط واقعی فرایند و تنوع محصولات و نقص‌ها را پوشش دهد. کمبود نمونه‌های مناسب یا تفاوت زیاد میان داده آموزشی و محیط واقعی می‌تواند عملکرد مدل را کاهش دهد.

نگهداری و کالیبراسیون

سیستم بینایی ماشین پس از نصب نیز به نگهداری نیاز دارد. تغییر موقعیت دوربین، فرسودگی تجهیزات، تغییر شرایط نور یا تغییر مشخصات محصول می‌تواند عملکرد سیستم را تحت تأثیر قرار دهد. در کاربردهای اندازه‌گیری نیز کالیبراسیون اهمیت بیشتری دارد و باید متناسب با نیاز فرایند به‌صورت دوره‌ای بررسی شود.

محدودیت عملکرد در شرایط متغیر

سیستمی که برای شرایط مشخص طراحی شده است ممکن است با تغییر شدید محصول، نور، سرعت خط یا محیط عملکرد متفاوتی داشته باشد. هرچه تنوع شرایط بیشتر باشد، طراحی سیستم برای پوشش این تغییرات دشوارتر می‌شود. بنابراین پیش از پیاده‌سازی با

چگونه یک سیستم بینایی ماشین مناسب انتخاب کنیم؟

انتخاب سیستم بینایی ماشین باید از مسئله واقعی شروع شود، نه از انتخاب دوربین یا نرم‌افزار. ابتدا باید مشخص شود سیستم دقیقاً قرار است چه چیزی را بررسی کند و نتیجه بررسی قرار است چه تصمیمی در فرایند ایجاد کند. سپس نوع بازرسی، سطح دقت و شرایط اجرای آن مشخص می‌شود. برای مثال، بررسی نقص ظاهری با اندازه‌گیری دقیق ابعاد نیازهای متفاوتی دارد.

مراحل اصلی انتخاب را می‌توان به این شکل در نظر گرفت:

• تعریف مسئله و هدف: مشخص کنید چه محصول یا فرایندی باید بررسی شود و خروجی سیستم دقیقاً چه باشد.
• مشخص کردن نوع بازرسی: تعیین کنید هدف، تشخیص نقص، اندازه‌گیری، شناسایی، کنترل حضور قطعه، خواندن متن یا ترکیبی از این موارد است.
• انتخاب دوربین: وضوح، سرعت تصویربرداری، اندازه حسگر و نحوه ثبت تصویر باید با اندازه محصول، سرعت حرکت و جزئیات موردنیاز هماهنگ باشد.
• انتخاب لنز: میدان دید، فاصله کاری و سطح جزئیاتی که باید دیده شود، در انتخاب لنز نقش دارند.
• طراحی نورپردازی: نور باید طوری انتخاب شود که ویژگی موردنظر محصول واضح باشد و عواملی مانند سایه و بازتاب تا حد امکان کنترل شوند.
• انتخاب روش پردازش: بسته به پیچیدگی مسئله، می‌توان از پردازش تصویر، روش‌های کلاسیک بینایی ماشین یا مدل‌های یادگیری ماشین و یادگیری عمیق استفاده کرد.
• تعیین سرعت و دقت موردنیاز: تعداد محصولات در دقیقه، زمان مجاز برای تحلیل و میزان خطای قابل قبول باید پیش از انتخاب تجهیزات مشخص شوند.
• بررسی شرایط محیطی: دما، گردوغبار، لرزش، رطوبت، تغییر نور و فضای نصب می‌توانند روی طراحی و انتخاب تجهیزات اثر بگذارند.
• بررسی قابلیت اتصال به تجهیزات صنعتی: سیستم باید بتواند در صورت نیاز با PLC، ربات، تجهیزات خط تولید یا سایر سیستم‌های کنترلی ارتباط برقرار کند.

در نهایت، انتخاب مناسب زمانی اتفاق می‌افتد که تمام این عوامل در کنار هم بررسی شوند. یک سیستم گران‌تر یا پیچیده‌تر لزوماً برای هر مسئله‌ای مناسب نیست. راهکار باید به اندازه نیاز واقعی فرایند طراحی شود.

نقش هوش مصنوعی در بینایی ماشین چیست؟

هوش مصنوعی می‌تواند توانایی بینایی ماشین را برای تحلیل تصاویر پیچیده و تشخیص الگوهای متنوع افزایش دهد، اما استفاده از AI برای همه سیستم‌های بینایی ماشین ضروری نیست. در روش‌های مبتنی بر یادگیری ماشین، سیستم با استفاده از داده‌های نمونه، الگوهای موردنیاز برای تشخیص یا طبقه‌بندی را یاد می‌گیرد و می‌تواند برای مواردی مانند تشخیص عیب یا دسته‌بندی محصولات استفاده شود. یادگیری عمیق نیز با شبکه‌های عصبی، به‌ویژه CNN، امکان تحلیل تصاویر پیچیده‌تر و استخراج خودکار ویژگی‌های بصری را فراهم می‌کند. یکی از کاربردهای مهم آن، تشخیص اشیا است که در آن سیستم می‌تواند وجود، موقعیت یا نوع یک شیء را در تصویر شناسایی کند.

با این حال، همه مسائل بینایی ماشین به مدل هوش مصنوعی نیاز ندارند. اگر مسئله‌ای با شرایط ثابت و معیارهای مشخص قابل حل باشد، روش‌های سنتی پردازش تصویر مانند تشخیص لبه، مقایسه الگو، آستانه‌گذاری یا اندازه‌گیری هندسی می‌توانند دقت و سرعت مناسبی ارائه دهند. برای مثال، بررسی ابعاد یک قطعه با شکل ثابت یا تشخیص حضور یک جزء در موقعیت مشخص، لزوماً به مدل یادگیری عمیق نیاز ندارد. بنابراین، انتخاب بین روش‌های سنتی و هوش مصنوعی باید بر اساس پیچیدگی مسئله، تنوع تصاویر، شرایط محیطی و دقت موردنیاز انجام شود.

بینایی ماشین و رباتیک چه ارتباطی دارند؟

بینایی ماشین می‌تواند نقش سیستم ادراکی ربات را ایفا کند و به آن کمک کند محیط، قطعات و موقعیت اشیا را از طریق تصویر شناسایی کند. در یک سیستم رباتیک، دوربین تصویر را دریافت می‌کند و نرم‌افزار بینایی ماشین اطلاعاتی مانند موقعیت، شکل، جهت یا وضعیت قطعه را استخراج می‌کند. سپس این اطلاعات می‌تواند برای تعیین حرکت مناسب ربات استفاده شود. یکی از کاربردهای رایج، تشخیص موقعیت و جهت قطعات است. برای مثال، اگر قطعات روی نوار نقاله با موقعیت و زاویه متفاوت قرار گرفته باشند، سیستم بینایی ماشین می‌تواند مختصات و جهت آن‌ها را تشخیص دهد تا ربات بتواند هر قطعه را در نقطه مناسب بردارد. در فرایند Pick and Place نیز ربات با استفاده از اطلاعات تصویری، محل قطعه را پیدا کرده، آن را برمی‌دارد و در موقعیت تعیین‌شده قرار می‌دهد.

این قابلیت در مونتاژ، بسته‌بندی، سورتینگ و جابه‌جایی خودکار کاربرد دارد. ارتباط بینایی ماشین و رباتیک به همین مرحله محدود نیست. دوربین می‌تواند پس از انجام عملیات نیز نتیجه کار ربات را بررسی کند. برای مثال، سیستم می‌تواند موقعیت یک قطعه مونتاژشده را کنترل کند یا کامل بودن یک فرایند را تشخیص دهد و در صورت مشاهده خطا، نتیجه را به سیستم کنترل اعلام کند. به این ترتیب، بینایی ماشین چرخه تشخیص، اقدام و کنترل را در سیستم‌های رباتیک کامل‌تر می‌کند.

نقش بینایی ماشین در کارخانه هوشمند چیست؟

بینایی ماشین در کارخانه هوشمند فقط برای بازرسی محصول استفاده نمی‌شود، بلکه می‌تواند بخشی از زنجیره جمع‌آوری، تحلیل و استفاده از داده در فرایند تولید باشد. این سیستم با اتصال به اتوماسیون صنعتی می‌تواند نتایج بازرسی، تشخیص عیب، اندازه‌گیری یا وضعیت قطعات را به PLC، ربات و سایر تجهیزات کنترلی ارسال کند تا اقدامات بعدی به‌صورت خودکار انجام شود. ارتباط بینایی ماشین با اینترنت اشیا صنعتی نیز امکان ترکیب داده‌های تصویری با اطلاعات تجهیزات و فرایند را فراهم می‌کند. برای مثال، می‌توان نتیجه بازرسی تصویری را در کنار داده‌هایی مانند سرعت خط، دما یا وضعیت دستگاه بررسی کرد تا ارتباط میان شرایط تولید و کیفیت محصول بهتر مشخص شود.

در سیستم‌هایی که سرعت تصمیم‌گیری اهمیت دارد، Edge Computing امکان پردازش داده‌های تصویری را در محل تولید و نزدیک به منبع داده فراهم می‌کند و نیاز به ارسال همه تصاویر به سرور مرکزی را کاهش می‌دهد. از طرف دیگر، ثبت و تحلیل نتایج بازرسی می‌تواند به پایش مستمر فرایند کمک کند. تغییر در نرخ خطا، افزایش یک نوع نقص یا تغییر الگوی ظاهری محصولات می‌تواند نشانه‌ای برای بررسی وضعیت تجهیزات یا فرایند تولید باشد. به همین دلیل، بینایی ماشین می‌تواند در کنار سایر فناوری‌ها، بخشی از زیرساخت داده و کنترل در یک کارخانه هوشمند باشد.

هزینه پیاده‌سازی بینایی ماشین چقدر است؟

هزینه پیاده‌سازی بینایی ماشین یک عدد ثابت ندارد و به مشخصات مسئله، تجهیزات موردنیاز و میزان یکپارچه‌سازی با فرایند تولید بستگی دارد. به همین دلیل، ارائه یک قیمت عمومی بدون مشخص کردن شرایط پروژه می‌تواند گمراه‌کننده باشد. برای برآورد هزینه، ابتدا باید مشخص شود چه چیزی قرار است بازرسی یا اندازه‌گیری شود، سرعت خط چقدر است و سیستم در نهایت باید چه تصمیم یا عملیاتی را اجرا کند. مهم‌ترین عوامل مؤثر بر هزینه عبارت‌اند از:

• دوربین: رزولوشن، سرعت تصویربرداری، نوع حسگر و تعداد دوربین‌های موردنیاز بر هزینه تجهیزات تصویربرداری اثر می‌گذارند.
• لنز: انتخاب لنز به میدان دید، فاصله کاری و جزئیات موردنیاز بستگی دارد و ممکن است به تجهیزات تخصصی‌تری نیاز باشد.
• نورپردازی: نوع محصول و شرایط تصویربرداری، نوع و تعداد تجهیزات نورپردازی را تعیین می‌کند.
• پردازنده: حجم داده، تعداد دوربین‌ها، سرعت پردازش و استفاده از الگوریتم‌های پیچیده‌تر، نیاز پردازشی سیستم را مشخص می‌کند.
• نرم‌افزار: هزینه نرم‌افزار می‌تواند به قابلیت‌های موردنیاز برای پردازش تصویر، اندازه‌گیری، تشخیص، ثبت نتایج یا استفاده از مدل‌های هوش مصنوعی وابسته باشد.
• سرعت خط: هرچه سرعت تولید و زمان مجاز برای تحلیل کمتر باشد، سیستم باید توان پردازشی و تصویربرداری بیشتری داشته باشد.
• پیچیدگی الگوریتم: مسائل ساده ممکن است با پردازش تصویر سنتی حل شوند، اما تشخیص الگوهای پیچیده می‌تواند به مدل‌های یادگیری ماشین یا یادگیری عمیق نیاز داشته باشد.
• تعداد نقاط بازرسی: افزایش نقاطی که باید کنترل شوند، معمولاً تعداد دوربین‌ها، تجهیزات و منطق پردازش را افزایش می‌دهد.
• یکپارچه‌سازی با خط تولید: اتصال سیستم به PLC، ربات، نوار نقاله یا نرم‌افزارهای صنعتی، نیازمند طراحی و اجرای هماهنگ سخت‌افزار و نرم‌افزار است.

در نتیجه، برآورد هزینه باید بر اساس نیاز واقعی پروژه انجام شود. گاهی یک سیستم ساده با تجهیزات محدود پاسخ‌گوی مسئله است و در پروژه‌های پیچیده‌تر، تعداد تجهیزات و سطح یکپارچه‌سازی بخش قابل‌توجهی از هزینه را تشکیل می‌دهد.

سخن نهایی

بینایی ماشین از یک ابزار برای ثبت و بررسی تصاویر به بخشی از زیرساخت هوشمند تولید و اتوماسیون تبدیل شده است. مسیر توسعه این فناوری نیز بیشتر به سمت سیستم‌هایی می‌رود که علاوه بر مشاهده و اندازه‌گیری، بتوانند داده‌های تصویری را سریع‌تر تحلیل کنند و نتیجه را مستقیماً در اختیار فرایند تولید قرار دهند. ترکیب بینایی ماشین و هوش مصنوعی یکی از مهم‌ترین روندهای این حوزه است. مدل‌های یادگیری ماشین و یادگیری عمیق می‌توانند تشخیص عیب، شناسایی الگوها و تحلیل تصاویر پیچیده را در شرایطی که روش‌های سنتی کافی نیستند، بهبود دهند.

یکی از روندهای مهم دیگر، Edge AI است. در این رویکرد، پردازش مدل‌های هوش مصنوعی تا حد امکان در نزدیکی محل دریافت داده انجام می‌شود. این موضوع می‌تواند زمان پاسخ را کاهش دهد و برای کاربردهای صنعتی که تصمیم‌گیری سریع اهمیت دارد، مفید باشد. توسعه بینایی ماشین سه‌بعدی نیز امکان تحلیل عمق، ارتفاع، حجم و شکل فضایی قطعات را فراهم می‌کند و کاربردهای آن را در اندازه‌گیری، بازرسی و رباتیک گسترش می‌دهد.

از سوی دیگر، ارتباط بینایی ماشین با IIoT و کارخانه هوشمند باعث می‌شود داده‌های تصویری در کنار داده‌های تجهیزات و فرایند قرار بگیرند. ترکیب این داده‌ها می‌تواند دید دقیق‌تری از وضعیت تولید و کیفیت محصول ایجاد کند. در رباتیک نیز انتظار می‌رود ربات‌ها با استفاده از سیستم‌های بینایی پیشرفته، درک دقیق‌تری از محیط و قطعات داشته باشند و وظایفی مانند جابه‌جایی، مونتاژ و بازرسی را انعطاف‌پذیرتر انجام دهند.

در مجموع، مسیر آینده بینایی ماشین به سمت سیستم‌های بازرسی هوشمندتر و انعطاف‌پذیرتر است. این سیستم‌ها می‌توانند خود را با تنوع بیشتر محصولات و شرایط تولید تطبیق دهند، از داده‌های بیشتری برای تصمیم‌گیری استفاده کنند و ارتباط نزدیک‌تری با تجهیزات، نرم‌افزارها و زیرساخت‌های کارخانه داشته باشند. با این حال، انتخاب فناوری باید همچنان از مسئله واقعی تولید شروع شود، نه صرفاً از جدیدترین ابزار یا الگوریتم.

سوالات متداول

بینایی ماشین چیست؟

بینایی ماشین فناوری‌ای است که اطلاعات بصری را دریافت و تحلیل می‌کند تا برای یک فرایند مشخص نتیجه یا تصمیم قابل استفاده تولید شود.

بینایی ماشین چگونه کار می‌کند؟

بینایی ماشین با دریافت تصویر، پردازش و تحلیل آن، اطلاعات موردنیاز را استخراج کرده و بر اساس نتیجه، اقدام یا تصمیم مشخصی را اجرا می‌کند.

تفاوت بینایی ماشین و بینایی کامپیوتر چیست؟

بینایی کامپیوتر حوزه‌ای گسترده‌تر برای درک اطلاعات بصری است، در حالی که بینایی ماشین بیشتر بر استفاده عملی از این قابلیت برای انجام وظایف مشخص، به‌ویژه در صنعت، تمرکز دارد.

بینایی ماشین چه کاربردهایی در صنعت دارد؟

کنترل کیفیت، تشخیص عیب، اندازه‌گیری، شناسایی قطعات، خواندن بارکد و OCR، سورتینگ، کنترل مونتاژ و پایش فرایند از کاربردهای آن در صنعت هستند.

اجزای اصلی سیستم بینایی ماشین چیست؟

دوربین، لنز، سیستم نورپردازی، حسگر تصویر، واحد پردازش، نرم‌افزار و تجهیزات ارتباطی و I/O اجزای اصلی سیستم بینایی ماشین هستند.

آیا بینایی ماشین به هوش مصنوعی نیاز دارد؟

خیر، بسیاری از مسائل بینایی ماشین با روش‌های سنتی پردازش تصویر قابل حل هستند و هوش مصنوعی بیشتر برای مسائل پیچیده‌تر کاربرد دارد.

هزینه پیاده‌سازی سیستم بینایی ماشین چقدر است؟

هزینه به عواملی مانند تجهیزات تصویربرداری، سرعت خط، پیچیدگی الگوریتم، تعداد نقاط بازرسی و میزان یکپارچه‌سازی با خط تولید بستگی دارد.

بینایی ماشین چه تفاوتی با پردازش تصویر دارد؟

پردازش تصویر بیشتر بر آماده‌سازی و تغییر تصویر تمرکز دارد، اما بینایی ماشین از این پردازش برای تحلیل اطلاعات بصری و انجام یک وظیفه مشخص استفاده می‌کند.