Machine Vision

De grootste uitdagingen van machine vision

Hoe krijg je een robot zover om automatisch een bak met ongesorteerde werkstukken te legen en alle onderdelen correct op de meegeleverde pallets te sorteren? Voor een mens is zo'n taak kinderspel. De reden dat het ons zo gemakkelijk maakt, is vanwege onze stereoscopische visie en de perfecte oog-handcoördinatie die in de loop van miljoenen jaren is geëvolueerd.

In de robotica vindt deze ontwikkeling sinds enkele jaren pas plaats. Oppakken en sorteren, ook wel bin-picking genoemd, is een groot probleem voor een robot. De ontwikkeling van een robotsysteem die deze taak kan uitvoeren lijkt op het eerste gezicht niet problematisch. Maar dit blijkt nog vaak een misvatting. Vandaag de dag missen robots nog steeds de intelligentie om problemen op te lossen zoals een mens of de mogelijkheid zich aan te passen aan veranderende omstandigheden.

Om dit te bereiken, wordt een kerntechnologie genaamd machine vision ontwikkeld. Robots worden uitgerust met één of meer camera's, waarmee de robot bijvoorbeeld foto's van het werkgebied kan maken en daarmee alle belangrijke informatie kan verzamelen.

Een technologie met veel potentieel

Deze technologie heeft de potentie om de menselijke prestaties ver te overschrijden. Wanneer machine vision en bin-picking volledig zijn ontwikkeld, kunnen robots de onderdelen in milliseconden vastleggen en analyseren. Ook is een controle van de dimensies en gewicht mogelijk met een snelheid die fysiek buiten het bereik van de mens ligt.

Machine Vision en Bin-Picking kunnen alleen goed werken wanneer software en hardware op elkaar zijn afgestemd. Tenzij de programmeur alle bugs en softwarefouten weet te elimineren, leidt dit onvermijdelijk tot storingen die de robot zelf niet kan corrigeren.

Vier uitdagingen

Hoe kan een robot zelfstandig zien en beslissingen nemen? Om dit te bereiken, moeten deze vier punten worden opgelost:

1. Correcte beeldopname

De basis voor een geslaagde beeldanalyse is een foto van hoge kwaliteit. Digitale camera's met een hoge resolutie en autofocus kunnen dit moeiteloos doen. Een lage resolutie leidt tot storende elementen en dat maakt de volgende analyse onnodig moeilijk. Op dit onderdeel moet niet worden bespaard.

Wanneer er lichtbronnen of ramen in het gebied van de robot zijn, moet hun invloed op de beeldkwaliteit zorgvuldig worden onderzocht. Lichtreflecties kunnen de software ernstig beïnvloeden tijdens de analyse.

2. Automatisch analyseren van afbeeldingen om informatie te verkrijgen

De gemaakte foto moet door speciale software worden onderzocht om de gewenste informatie uit de foto te verkrijgen. Het programma moet in staat zijn om het werkstuk van de assemblagelijn te onderscheiden, de vorm, grootte en textuur te herkennen en de exacte positie te bepalen. Het machine vision systeem kan worden ondersteund door voldoende contrast tussen het werkstuk en de overige producten te houden. Als dit contrast te laag is, kunnen de vorm en grootte van de onderdelen niet langer correct worden herkend.

Problemen kunnen ook worden veroorzaakt door krassen op het werkstuk. Als deze te groot zijn, neemt de kans toe dat de software de krassen als werkstukranden interpreteert.

3. Evaluatie van de informatie en beslissingsmoment

Hierna volgt een automatische analyse van de verkregen informatie. De robot vergelijkt de afbeelding met informatie uit een database. De maatnauwkeurigheid en vorm kunnen relatief eenvoudig worden gecontroleerd, omdat dimensies en gewichten wiskundig meetbaar zijn. De robot sorteert alle onderdelen apart als deze afwijken van de opgegeven tolerantiewaarden.

Het wordt ingewikkelder wanneer de robot de aard van oppervlakken moet beoordelen. Hoe groot zijn krassen of beschadigingen? Is het onderdeel alleen vies of zijn het materiële gebreken? Als oplossing hiervoor is het mogelijk om het systeem met foto's te trainen, zodat het de juiste beslissingen kan nemen.

4. De vereiste signalen naar de robotarm sturen

Het resultaat van de analyse moet aan de robot worden doorgegeven. Daarbij controleert de software van tevoren in welke positie de grijparm zich bevindt en communiceert de nodige stuurimpulsen met elke motor in de robotarm om het gewenste onderdeel te bereiken, het vast te pakken en het vervolgens op de gewenste bestemming af te zetten. Als het machine vision systeem een fout heeft gemaakt in de drie voorgaande stappen, grijpt de robot mis.

Onze toekomstvisie

Op het gebied van machinevisie en bin-picking hebben we de afgelopen jaren enorme vooruitgang geboekt. De systemen van Teqram zijn zeer betrouwbaar en zo ontwikkeld dat inmiddels meerdere klanten gekozen hebben voor productautomatisering door onze machine vision systeem. In de komende jaren blijven we onze technologie verbeteren en voorzien van extra functies.

Machine Vision voor uw bedrijf

In veel bedrijven zijn er processen die mogelijk geautomatiseerd kunnen worden. Sommige taken binnen de productie zijn zeer eenvoudig en moeten vaak uren worden herhaald. Voor werknemers zijn dit taken die eentonig of fysiek vermoeiend zijn. Juist voor deze taken biedt productautomatisering door Teqram de juiste oplossing!

Maak een afspraak met ons om meer te weten te komen over de mogelijkheden van machine vision en bin-picking. We ondersteunen u actief bij het volledige automatiseringsproces en begeleiden u van planning tot succesvolle integratie.