In der Industrie stellen Vision Systeme bei vielen verschiedenen Schritten eine große Hilfe dar. Obwohl die unterschiedlichen Systeme ähnliche Ziele vor Augen haben, unterscheiden sie sich in ihren Anwendungen dennoch maßgeblich. In diesem Artikel verschaffen wir einen Überblick.
Die Vision hinter Vision Systemen
Die verschiedenen Technologien hinter Vision Systemen sind fast so vielfältig wie deren Anwendungsbereiche. Je nach Applikation, die das System ausführen soll, ist eine andere Produktwahl sinnvoller. Um einen Überblick zu schaffen, wird in diesem Artikel zwischen folgenden Vision Systemen unterschieden:
1. Die PC-basierte Lösung
Vor der Einführung von Smart-Kameras wurde mit Industriekameras gearbeitet, welche direkt an einen PC angeschlossen waren. Um die notwendigen Informationen aus den Bildern zu berechnen, befindet sich eine Bildverarbeitungssoftware auf dem PC. Der Vorteil dieser Anwendung liegt darin, dass jede Kamera verwendet werden kann. Außerdem sind eine freie Programmierung sowie das Verwenden von externen Tools uneingeschränkt möglich.
Diese und noch weitere Gründe sprechen speziell bei aufwendigen und komplexen Applikationen für eine PC-basierte Lösung. Manche Anwendungen würden bei den untenstehenden Smart-Kameras lange Rechenzeiten hervorrufen oder eine Bildqualität fordern, der diese nicht gerecht werden würden. Deshalb wird das PC-basierte System auch heute noch gerne herangezogen. Die Softwares von Cognex mit den Namen Vision Pro und Vision Pro Deep Learning ermöglichen dieses.
2. Die Smart-Kamera
Im Gegensatz zur PC-basierten Lösung bietet eine Smart-Kamera den Vorteil, dass diese mit einer Recheneinheit ausgestattet ist. Dadurch ist es möglich, Bildverarbeitungsoperationen direkt an der Kamera selbst durchzuführen. Da die Smart-Kamera klein und autark ist, lässt sie sich leicht in Anlagen integrieren und nimmt nicht so viel Platz ein wie die PC-basierte Lösung. Zudem zeichnet sie sich durch eine integrierte Beleuchtung aus, wodurch die abgelichteten Objekte oder Codes optimal ausgeleuchtet werden. Neben der integrierten Beleuchtung besteht zudem die Möglichkeit einer Ansteuerung von externen Beleuchtungen. Ebenfalls bietet die smarte Kamera digitale I/Os sowie eine Ethernet-Schnittstelle, um Informationen an der Kamera auszulesen oder um der Kamera Kommandos zu übermitteln.
Die Smart-Kamera erfüllt verschiedenste Aufgaben. Sie überprüft die richtige Montage beim Assembling, führt die Qualitätskontrolle bei fertig hergestellten oder halbfertigen Produkten durch und liest Codes. Zusätzlich ist die Kamera in der Lage zu vermessen, einfache Zeichen zu erkennen und die Anwesenheitsprüfung von Einzelteilen durchzuführen. Auch die Position und die Orientierung von Teilen kann ermittelt werden, weshalb sich die Kamera auch ideal für eine Zusammenarbeit mit einem Roboter eignet. Möglich wird die klassische Bildverarbeitung mittels der In-Sight Kameras von Cognex.
3. Die Smart-Kamera mit Deep Learning
Die Smart-Kamera mit der Funktion des Deep Learning hebt sich von der klassischen Bildverarbeitung ab. Bei der klassischen Bildverarbeitung, wie sie die Smart Kamera ohne Deep Learning verwendet, werden die notwendigen Informationen durch das Betrachten der Pixelwerte ermittelt. Dazu werden mathematische Operatoren angewandt, um Informationen, wie einen Durchmesser oder Defekte, zu berechnen. Bei der Variante mit Deep Learning werden allerdings neuronale Netze verwendet. Dabei wird der Smart-Kamera mittels mehrerer Bildern oder Bildausschnitten ein Muster beigebracht, welches sie beim Prozessieren weiterer Bilder abrufen kann. So ist es der Smart-Kamera mit Deep Learning möglich, im Betrieb das gelernte Muster anzuwenden, um damit die jeweiligen Ergebnisse zu berechnen.
Aufgaben, welche in der klassischen Bildverarbeitung bloß mithilfe von komplexen Programmen oder bisher gar nicht lösbar waren, können mit Deep Learning einfach und ohne großes Know-How im Bereich der Bildverarbeitung realisiert werden. Neben den Aufgaben, die auch die klassische Smart-Kamera erfüllen kann, gelingt es der Smart-Kamera mit Deep Learning knifflige Probleme zu lösen. Dazu zählt das Lesen von Schriftzeichen, die auf Grund von Schmutz, Verformungen oder deren Oberflächenbeschaffenheit nur schwer leserlich sind. Auch das Klassifizieren von Produkten fällt in deren Aufgabenbereich. Ein Beispiel dafür ist das Sortieren von Früchten nach erwünschtem Reifegrad. Zudem können unterschiedlichste Defekte auf komplexen Oberflächen sowie diverse Merkmale lokalisiert werden. Die In-Sight D900 von Cognex aus dem SCHMACHTL-Portfolio meistert die genannten Herausforderungen.
