部署机器视觉系统时必须谨慎的关键点

2016-06-30新闻资讯

8b542874-715a-4c18-b9f4-e912a8eb3f40.jpg

  部署机器视觉系统设置与集成复杂度高,同时后期开发维护也需要考量工站的现场状况加以动态调整,尤其是整个机器视觉系统即便已设置完成,也需要在后期应用持续进行系统优化,或是因应产线产品变更机器视觉系统也需要对应重设,而导入系统若无法弹性对应,势必无法符合使用需求

  机器视觉系统为配备感测视觉的自动化检测设备,感测视觉可以是自动对焦的工业用相机或是传感器,由于机器视觉集成在自动化应用中,可用来检测各式商品或元器件的缺陷,甚至在自动化加工工站处理如判断捡料或是协助元器件校准、定位等处理,因次光学检测在机器视觉应用的占比相对也较高,也逐渐形成在工厂自动化领域相当重要的课题。
  机器视觉系统不光是硬件与网络的集成,后期软件系统的开发建制与调校,才是部署系统最困难的关
新颖的机器视觉检测技术,可用超越肉眼的精密度快速验证制作产品质量,视觉模块的撷取能力左右后期分析影像的结果质量。
  规划机器视觉系统 需集成原有自动化生产设计需求

  尤其是有近80%的工业视觉系统,都应用在检测用途上,包含提升生产效能、控制产线加工品生产质量、检测元器件缺陷、辅助关键元件组装上料校正对准等,或是搭配产线运行同时进行加工产品历程资料采集等,汇集大量生产历程资料纪录也能在产品出现缺陷虚召回维修时,可以将相同产线加工的成品或模块历程记录调用,限制召回特定批号产品,节省庞大的产品召回成本,而上述这些效益若一开始自动化规划没有将机器视觉系统一并考量,势必就无法达到这些功效。

  而机器视觉系统其实相当复杂,因为光是视觉模块与搭配的配件就五花八门,例如视觉模块就有数种形式可选,协助补光的光源也有多样选择,而视觉模块本身又有多种传输接口差异,光是选择视觉模块就需要丰富的机器视觉现场部署经验,而视觉系统后端的影像纪录、分析、决策系统与自动化设备平台的集成也需要软/硬件集成的丰沛开发经验,导致初期选择解决方案、评估需求的复杂度大增。

  机器视觉模块硬件规格 视所需检测需求而定

  首先,选择机器视觉模块是最先需要考量的重点,包含视觉模块本身的类型、价格、影像质量等,一般用途若是简单的分检料或不需高精度的影像分析,以VGA分辨率搭配30 frames/s画面更新率就足以应付需求,当然检验的工序若需要更高分辨率的拍摄精度,自然要改用1,080p搭配60 frames/s或更高规格的视觉模块,拍摄规格差异与连接接口不同,都会影响到终端视觉模块的采购与后期系统集成成本。

  其次,第二个评估重点则是机器视觉模块的硬件扩充特性,因为选择正确的视觉模块已经处理掉机器视觉的重要应用核心,但视觉模块的硬件扩充性,则会影响后续的设备部署、后期开发集成等调整,尤其是当现场发现需要升级拍摄模块因应高分辨率应用、或是变更量测标的物需求时,能否快速升级就成为系统支持门槛。

分析软件左右机器视觉运行质量

  另一个评估重点在撷取图象的分析软件,而在影像被机器视觉系统撷取下来之后,紧接著就是需要进行影像处理、分析与产生对应决策,而软件支持重点在于图象算法的支持丰富度,算法毕竟是高度专业的技术能力,对于部署系统或调校视觉系统的工程师来说通常未能备齐对应所需的专业,好的软件系统应可用相对简单的方式将机器视觉系统现场所需的图象验证机制,若更进阶的二次开发需求,最好也能提供如C、Visual Basic的开发资源,便于后期进行客制机器视觉验证功能开发。

  对于中/小型机器视觉部署专案来说,专案集成速度会是优先考量,较好的选项是寻找有常设多种套装机器视觉分析算法或是集成方案,让现场集成人员与系统工程师可以快速建构原型系统进行功能验证,确认机器视觉功能性开发完善后才可在进行后续系统优化微调,有系统集成软件的技术与解决方案支持,才能让集成校能加速、缩短开发时间。

  算法需优先考量精准度、支持性与效能

  而在算法方面,另一个检视重点在于解决方案提供的算法精准度与支持性,也就是说需了解软件工具能否准确量测物体或零件特征,甚至精确度需达到次像素等级水平,尤其是软件的准确度与稳定性要高,避免计算机后期分析图象耗用过多资源分析出无效结果,系统集成者一定要有个正确观念,图象算法的精准度会较提升系统演算效能更为重要。

  另一方面,图象算法也要能提供多元的组构功能模板,例如针对图象优化的加强影像工具,如过滤工具、提升边缘锐利度、移除杂讯/杂点等,或透过校准工具,进一步改善镜头与相机位置导致的非线性角度错误问题,在实用性方面,最好能提供将实际影像分析的量测单位、直接转为常规数据输出能力,例如mm、μm等数值,而不是直接输出分析像素。

  算法的评估也是选用不同系统平台的重点,选用机器视觉系统时,一般会将准确度、集成难度列重要考量,但这两项虽是重点,也需要将算法的运算效能列入要求,因为随著产速越来越快,机器视觉若未能随产速提升也一并将分析验证速度跟上,因应新的生产要求,动辄就要整套系统替换或升级反而造成成本浪费。尤其是目前各家机器视觉分析软件已经高度优化,但也必须多找两、三个方案利用同一套系统原型进行评测,有了基础数据即可做出正确的采购规划。

  能否与IPC/PLA/PAC顺畅衔接集成?

  机器视觉系统绝大部分需与自动化设备进行深度集成,而选择机器视觉系统为了日后集成便利,也需更重视与其它自动化设备、工业计算机、逻辑控制器(PLC)或是可程序化自动化控制器(PAC)集成的便利性,让机器视觉系统可以将检测结果直接回传控制终端,进而进行对应控制。

再来需考量的就是价格问题,一般来说不分机器视觉系统方案业者,会将整套产品采打包贩售,也就是说系统需求者除需要购置硬件设备外,也需要连同开发工具、函式库、算法等一并购置,或是提供相对无弹性的购买方案,但实际上机器视觉算法在不同生产应用中并非每一种都会用上,若算法模块可以分拆购买?或是函式库可先挑有需要的部分购置,到后期扩展应用再付费扩充部分功能,就更能在初期准备部署相关设备时有效压缩成本。

  是否有大型同业采用 第三方支持选项多不多?

  一般来说,采购机器视觉模块、系统或解决方案,仍要多方评估该方案已被那些生产领域的主流业者采用,毕竟已有大型制造业者采用是一个极重要的参考指标,而该解决方案是否有相关系统集成商提供进阶集成技术支持,此外,机器视觉模块周边配置是否有第三方业者提供丰富的升级或周边设备支持,例如,机器视觉的辅助光源、功能应用函式库、算法等进阶资源,或是可协助建置、集成或改善现有系统的支持服务业者,提供相关支持服务。

  机器视觉系统即便目前发展日趋成熟,毕竟机器视觉还是一个高度复杂化的系统建置过程,从视觉模块、影像分析、软/硬件集成、IPC/PLC/PAC等系统连接集成等,都牵涉到跨领域多元的核心技术能力,并不是单一专业人员所能支持,必须由参与自动化生产相关核心成员加上专业视觉分析、设备部署人员协同参与,才能建置一高效率、具优化生产效益的机器视觉系统。