Konenäkö Teknologiademot on the Road

Transkriptio

1 Konenäkö Teknologiademot on the Road

2 1. Mitä konenäkö on? Automatisoitua digitaalisista kuvista tehtävää halutun tiedon analysointia ja tähän tietoon perustuvaa päätöksentekoa. Käytännössä konenäköjärjestelmät suorittavat pääasiassa hyvin tarkasti ennalta ohjelmoituja tehtäviä, kuten kappaleiden laskentaa kuljettimella, sarjanumeroiden ja viivakoodien lukemista tai pintavikojen etsimistä.

3 1. Mitä konenäkö on? Tyypillisessä konenäkösovelluksessa kamera ottaa valaistusta kohteesta kuvan, kuva siirretään tietokoneelle ja lopuksi konenäköohjelmiston avulla kuvasta analysoidaan tarvittava tieto. Konenäköohjelmistolle on opetettu se, mitä sen pitää kuvista etsiä ja mitkä kriteerit pitää täyttyä, että kuvattu kohde hyväksytään. Konenäöllä on useita teollisuussovelluksia ja se onkin vakiinnuttanut asemansa yhtenä eri teollisuuden alojen anturiratkaisuna.

4 1. Mitä konenäkö on? Konenäköjärjestelmiä käytetään erityisesti tehtäviin, joissa kappaleiden visuaalisen tarkastuksen pitää olla nopeaa, tarkkaa, ympärivuorokautista ja toistettavaa. Ihmiselle nämä tehtävät ovat rasittavaa rutiinia tai näkökyvyn tarkkuudelle mahdottomia. Konenäössä voidaan hyödyntää myös sellaisia valon aallonpituuksia, jotka ovat näkymättömiä ihmissilmälle.

5 2. Konenäön historiaa Konsepti mainittu kirjallisuudessa ensimmäisen kerran luvulla. Tietyillä konenäön osa-alueilla, kuten optiikalla ja valo-opilla on historiaa jo tuhansien vuosien ajalta (Niniven linssi v. 700 ekr) luvun lopulla MITissä (Massachusetts Institute of Technology) kehitettiin ensimmäinen teollinen konenäkösovellus (robottikäden ohjaus).

6 2. Konenäön historiaa Vuonna 1969 keksittiin CCD-kenno, eli valoherkkä kenno, jolla valo muutetaan digitaaliseksi signaaliksi luvulta lähtien MITissä on opetettu konenäköä luvulla alettiin kehittää myös reunantunnistus ja segmentointimenetelmiä.

7 2. Konenäön historiaa 1980-luvulla aletaan valmistaa kameroita teollisiin käyttötarkoituksiin ja konenäköjärjestelmiä varten (mm. OCR) luvulla konenäön hyödyntäminen yleistyy voimakkaasti. Ensimmäiset älykamerat Standardin PC-raudan ja Windows-käyttöjärjestelmän hyödyntäminen Ensimmäiset graafiset käyttöliittymät konenäköohjelmiin 2000-luvulla kehitys on jatkunut nopeasti Firewire-liitäntä Markkinat kasvavat nopeasti erityisesti älykameroiden osalta

8 2. Konenäön historiaa 2010-luvulla erityisesti 3D-kuvantaminen yleistynyt voimakkaasti. Tämänhetkisiä kehityssuuntia: Laitteiden suorituskyky kasvaa Laitteiden hinnat laskevat Ohjelmistojen käyttäjäystävällisyys parantuu

9 3. Konenäön toimintaperiaate Ihmissilmään perustuvaan kappaleiden seurantaan liittyy monia heikkouksia: Silmän ja ihmisen väsymisestä aiheutuva suorituskyvyn heikkeneminen Analyysin subjektiivisuus ja vaihteleva laatu (mielipide, vireystila, jne) Toimintanopeus on melko rajoittunut Kustannukset ovat korkeat Työ on monotonisista Vaarallisista olosuhteista aiheutuvat ongelmat Konenäkö myös korvaa ihmissilmän sellaisissa paikoissa, joissa silmä ei toimi nopeuden tarkkuuden pimeyden olosuhteiden tms. syiden vuoksi.

10 3. Konenäön toimintaperiaate Konenäön toiminta perustuu pääasiassa näkyvän valon aallonpituudella tapahtuvien ilmiöiden kuvaamiseen. Tavoitteena on saada kone ymmärtämään, mitä kameran ottama kuva sisältää. LÄHDE: Nykyään konenäössä hyödynnetään myös paljon silmälle näkymättömiä aallonpituuksia kuten esim. lähi-infrapunakuvauksessa, ultraviolettikuvauksessa tai lämpökuvauksessa.

11 3. Konenäön toimintaperiaate Teollisuudessa konenäköä on käytetty jo pitkään mm. seuraavissa tehtävissä: Tarkastukset (muoto, läsnäolo, väri, valmistusvirhe, jne.) Mittaukset (dimensiomittaus, paikoitus) Ohjaus / paikoitus (robotin ohjaus, liikkuva tai paikallaan oleva kohde) Koodinluku (matriisikoodit ja OCR = Optical Character Recognition) LÄHDE:

12 3. Konenäön toimintaperiaate Tänä päivänä konenäkö on levinnyt joka puolelle teollisuuteen, mutta myös muille elinkeinoelämän alueille: Lääketiede (mikro- ja makrotason kuvaaminen) Turvallisuus, valvonta ja liikenne (biometria, lainvalvonta, digitaaliset vesileimat, hirvi-ir-kamerat, automaattinen rekisterikilven tunnistus jne.) Kodin- ja viihde-elektroniikan ratkaisut (tarjoilijarobotit, älykkäät vaatteet ja huoneet, tietokoneet ja tietoverkot, pelikonsolit, mobiilit ratkaisut jne.) Uusia sovellusalueita keksitään jatkuvasti lisää.

13 Tyypillinen konenäköjärjestelmä koostuu seuraavista komponenteista: Kamera ja optiikka Valaistus Tietokone Konenäköohjelmisto Liitynnät muihin järjestelmiin (PLC tms.)

14 Kamera ja optiikka Konenäköohjelmisto Valaistus Kuljetin ja manipulaattori Kohde LÄHDE:

15 Kamera Kameran tehtävänä on yksinkertaisuudessaan kuvata tarkasteltava kohde. Kameratyypistä riippumatta kamerassa on aina valoherkkä kenno, jolle kuva muodostuu. Kennon yksittäiset valonilmaisimet varautuvat sähköisesti kuhunkin ilmaisimeen osuvan valon kirkkauden perusteella. Sähköiset varaukset luetaan ilmaisin kerrallaan ja tieto muutetaan digitaaliseksi.

16 Kamera Kamerat voidaan jakaa kennon muodon mukaan matriisikameroihin ja viivakameroihin. LÄHDE: Jos kameran resoluutio on 1600 x 1200 pikseliä, tarkoittaa se sitä, että otetussa kuvassa on 1600 pikseliä vaakasuunnassa ja 1200 pikseliä pystysuunnassa. (1,92 megapikseliä) LÄHDE: Viivakameralla kuvataan viiva kerrallaan, mikä tarkoittaa yleensä sitä, että kohteen tulee liikkua. Yksittäisen viivan koko voi olla esim x 1 pikseliä.

17 Liitäntätyypit FireWire 1394.a FireWire 1394.b CameraLink USB 2.0 USB 3 Vision GigE Vision Tiedonsiirto- 400 Mb/s 800 Mb/s 3.6 Gb/s Mb/s nopeus Mb/s Mb/s Kaapelin max pituus 4.5m 100m (kuitukaapelilla) 10m 5m 5m 100m Laitteiden max määrä Rajoittamaton Liitin 6pin-6pin 9pin-9pin 26pin USB2 USB3 RJ45/CAT 5 Ulkoinen virransyöttö Optio Optio Tarvitaan Optio Optio Tarvitaan

18 Kamera Kennon muodon lisäksi kamerat voidaan jakaa kahteen ryhmään kennossa käytetyn teknologian perusteella, joita ovat: CCD (Charge-Coupled Device) CMOS (Complementary Metal Oxide Semiconductor) LÄHDE:

19 Kamera CCD vs CMOS CMOS sensorit halvempi valmistaa (~1/4 CCD hinnasta, yksinkertaisempi valmistusprosessi). CMOS kuluttaa vähemmän virtaa. CMOS kennoilla korkeampi kuvanopeus (frame rate). CMOS kennot kohisevat vähemmän (erityisesti korkeammilla kuvanopeuksilla). CMOS-kennot suoriutuvat monista näkyvän valon sovelluksista CCD-kennoja paremmin. LÄHDE: LÄHDE:

20 Kamera CCD vs CMOS CCD kennojen valonherkkyys on parempi Perinteisesti CCD kennoissa global shutter, CMOS kennoissa rolling shutter, mutta global shutter tyyppisiä CMOS-kennoja alkaa myös olla markkinoilla. LÄHDE: Tietyt sovellukset onnistuvat yhä vain CCDkennoilla (kuten NIR-kuvaus, nm). LÄHDE:

21 Kennon koko Kamerassa käytetyn kennon resoluution, eli pikselimäärän lisäksi kennon fyysinen koko on merkitsevä tekijä, sillä se määrää kennon kuva-alan (engl. Field-Of-View, FOV). Mitä isompi kenno kamerassa on, sitä isompi kuva-ala sillä saadaan. Iso kenno, jossa myös pikselikoko on suurempi, on yleensä teknisesti paras vaihtoehto (parempi valoherkkyys, parempi suorituskyky hämärässä, vähemmän kohinaa), tosin hinta nousee kennon koon myötä. Esim. 2MP Basler Ace kamerassa kennon optinen koko on 1/1,8 (7.16mm x 5.44 mm), yksittäisten pikselien ollessa 4.4um x 4.4 um.

22 Kennon koko Konenäkökameroista löytyy useita erikokoisia kennoja. Alla näkyvän kuvan kennokokojen lisäksi markkinoilla yleinen standardikoko on 1/1.8. LÄHDE: Kokoluokitus on epästandardi tuumaluokitus, mutta se on yleisesti käytetty. Standardin puutteesta johtuen todellinen koko vaihtelee. Tavallinen kuvasuhde on 4:3.

23 Resoluutio Korkea resoluutio ei automaattisesti tarkoita parempilaatuisia kuvia. Mitä pienempi kenno kamerassa on, sitä pienempiä pikselit myös tavallisesti ovat. Pienemmät pikselit tarkoittavat yleensä enemmän kohinaa ja huonompaa dynamiikkaa. Pienikokoiset pikselit tarvitsevat vastaavasti myös enemmän valoa kuvan ottamiseen.

24 Resoluutio Heikoissa valaistusolosuhteissa pienikokoiset pikselit tuottavat selvästi kohinaisempia kuvia kuin isommat pikselit. Nopeatahtisessa kappaleiden tarkastuksessa riittämätön valon määrä voi helposti muodostua ongelmaksi, sillä kohinaisten kuvien analysointi on vaikeampaa. Että kennon korkeasta resoluutiosta saadaan kaikki hyöty irti, tarvitaan myös korkean resoluution objekti.

25 Kuvan valotus (engl. Exposure) Kuvaa otettaessa valotusajan pitää olla sellainen, että kennon valoilmaisimien varaus ehtii kasvaa riittävästi (muttei liikaa). Jos valotusaika on liian lyhyt, tulee kuvista tummia eli alivalottuneita. Jos taas valotusaika on liian pitkä, kuva ylivalottuu. Rankasti ylivalottunut alue on pelkkää valkoista ja alueella olevat yksityiskohdat menetetään. Ilmiötä kutsutaan puhkipalamiseksi.

26 Kuvan valotus (engl. Exposure)

27 Väriresoluutio Resoluutiolla voidaan tarkoittaa pikselien lukumäärän lisäksi myös sitä, kuinka monta erilaista värisävyä kukin pikseli voi saada. Harmaasävykameroissa jokaisen pikselin sävy ilmaistaan käyttämällä joko 8, 10 tai 12 bittiä. 8 bitillä voidaan ilmaista 256 eri harmaasävyä, arvon 0 ollessa musta ja 255 valkoinen. 12 bitillä saadaan esitettyä 4096 erilaista harmaasävyä. Värikameroissa käytetään tavallisesti 24 bittiä (8 bittiä / väri), millä saadaan esitettyä 16,7 miljoonaa erilaista värisävyä.

28 Älykamerat Älykamerat eroavat perinteisistä konenäkökameroista siten, että kameran kanssa samaan koteloon on integroitu prosessori ja muisti. Älykamera ei siis tarvitse erillistä tietokonetta kuvien analysointiin, vaan se tekee analysoinnin itse. Ensimmäiset älykamerat tulivat markkinoille jo 80- luvulla, mutta vasta viimevuosina ne ovat parantuneen suorituskyvyn ja pienentyneen koon myötä yleistyneet laajemmin. Samalla myös hinnat ovat laskeneet, mutta älykamerasta saa yhä maksaa moninkertaisen hinnan perinteiseen konenäkökameraan verrattuna. LÄHDE:

29 Älykamerat Älykamerassa voi olla prosessorin lisäksi integroituna optiikka ja valaistus. Koska kuvien analysointi tapahtuu suoraan kamerassa, täytyy kamerasta löytyä suoraan liitännät mm. PLC:ille. Oheisessa kuvassa näkyvän Cognex In-Sight Micro 1403 I/O-liittimen kautta saadaan liipaisu-tieto ja käytössä on 2 digitaalilähtöä. Erilliseen I/O-moduuliin liitettynä tulojen ja lähtöjen määrä saadaan kasvatettua 8:aan. LÄHDE:

30 Älykamera vs perinteiset kamerat Koska älykamerassa voi olla integroituna useita perinteisen konenäköjärjestelmän komponenteista, on järjestelmä kompaktimpi ja monesti halvempi kuin erilliskomponenteista rakennettuna. Järjestelmän ylläpito on yksinkertaisempaa ja monesti toimintavarmuus parempi. Monesti älykameroiden ohjelmointi on perinteisiä kameroita helpompaa. Samalla menetetään jonkin verran joustavuudessa (vaihtoehtoiset komponentit, ohjelmistot, jne.).

31 Stereo- ja 3D-kamerat Perinteisillä kamerajärjestelmillä saadaan kaksiulotteinen kuva, josta syvyysvaikutelma ei välity kovin selvästi katsojalle. Stereokameralla saadaan mukaan syvyystieto, jonka avulla voidaan rekonstruoida 3D-kuva kohteesta. LÄHDE: 3D-kuvan muodostamisen edellytyksenä on tarkasteltavasta kohteesta useista eri kuvakulmista otetut kuvat ja se muistuttaakin ihmissilmien toimintaa.

32 Stereo- ja 3D-kamerat Stereokuva voidaan muodostaa käyttämällä yhtä tai useampaa kameraa. Yhden kameran järjestelmässä kuvattavan kohteen täytyy liikkua, jolloin siitä saadaan kuvia useista eri kuvakulmista. Kahden (tai useamman) kameran järjestelmässä kuvattava kohde pysyy paikallaan. LÄHDE:

33 Stereo- ja 3D-kamerat Yhden tai useamman harmaasävykameran käyttöön perustuvien stereo- tai 3D-kameroiden lisäksi markkinoilta löytyy viivalaserin käyttöön perustuvia 3D-profilointilaitteita. Näissä laitteissa kamera ja viivalaser on integroitu samaan koteloon ja kalibroitu tietylle etäisyydelle. Laitteita on tarjolla useita eri kokoluokkia useilta eri valmistajilta (esim. Cognex, Sick, LMI) LÄHDE:

34 Objektiivit Objektiivin tehtävä on kerätä tarkasteltavasta kohteesta heijastuva valo ja kohdistaa se kameran valoherkälle kennolle. Samalla kuva-alue skaalataan kameran kennolle sopivaksi. Tavoitteena on muodostaa mahdollisimman terävä kuva, josta voidaan tunnistaa pieniäkin yksityiskohtia. LÄHDE: Objektiivi valitaan käyttötarkoituksen, kuvattavan kohteen ja kameran mukaan. Objektiivin valintaan vaikuttaa myös kohteen koko ja etäisyys kamerasta. Kohteen kokoa ei yleensä voida muuttaa, mutta kameran ja kohteen välistä etäisyyttä voidaan.

35 Objektiivit Objektiivin rakenne muodostuu kahdesta tai useammasta linssistä. Hyvä kuvanlaatu edellyttää oikeanlaisen objektiivin valintaa, sillä sen avulla kuva projisoidaan kennolle. Objektiivin valintaan on syytä kiinnittää huomiota erityisesti suurta tarkkuutta vaativissa sovelluksissa. Valitsemalla väärän tyyppinen tai huonolaatuinen objektiivi aiheutetaan vääristymiä kuvaan ja kuvan analysointi vaikeutuu. LÄHDE: Mitä parempilaatuinen objektiivi on käytössä, sitä kalliimpi se yleensä on.

36 Keskeisimmät objektiivin valintaan vaikuttavat seikat Kuva-ala (FOV): kuinka iso kuvattava kappale tai alue on Resoluutio: pienin piirre, mikä pitää näkyä tarkasti LÄHDE: Kohteen minimi- ja maksimietäisyys optiikasta Syväterävyys (DOF): kuinka syvä fokusalue tarvitaan Kameran kennon fyysinen koko Optinen liitäntä (C/CS/F-mount)

37 Objektiivit Yksi objektiivin tärkeimmistä parametreista on ns. F-luku (aukkoluku), mikä merkitään esim. f/1.4. Se kuvaa polttovälin ja sisääntulevaa valoa rajoittavan himmentimen aukon koon suhdetta. F-luvun arvo kertoo miten paljon valoa pääsee linssin läpi kennolle, kun objektiivin himmennin on täysin auki. Tätä kutsutaan objektiivin valovoimaksi ja luku on yleensä merkitty objektiiviin. Mitä pienempi F-luku, sitä isompi himmentimen aukko suhteessa polttoväliin, parempi valovoima ja lyhyempi valotusaika.

38 Ylemmässä kuvassa näkyy tavallisella objektiivilla otettu kuva. Alempi kuva taas on otettu telesentrisellä objektiivilla. Telesentrinen objektiivi poistaa kuvasta perspektiivin. Fyysisesti samankokoiset, mutta eri etäisyydellä objektiivista olevat kohteet näkyvät kuvassa samankokoisina. LÄHDE:

39 Telesentriset objektiivit Perspektiivittömyys mahdollistaa tarkkojen mittausten tekemisen, sillä perspektiivin aiheuttamat vääristymät saadaan eliminoitua. Toinen telesentrisistä objektiiveista saatava etu on se, että kuvattavat kohteet ovat samankokoisia vaikka niiden etäisyys objektiivista muuttuu. Tästä seuraa se, että kohde saadaan mitattua tarkasti vaikka sen etäisyys objektiiviin vaihtelee. Telesentristen linssien käyttömahdollisuudet ovat isojen kappaleiden kohdalla rajalliset, sillä kuvattava kohde voi olla vain linssin kokoinen.

40 Valaistus Valaistus on konenäköjärjestelmän keskeisin tekijä. Luotettavan lopputuloksen edellytyksenä onkin riittävä ja tasainen valaistus. Valaistuksen on katettava kuvattava alue kokonaisuudessaan ja ihanteellisimmassa tapauksessa kaikki ulkopuoliset valot (aurinko, loisteputket katossa, jne.) ja varjot tulisi eliminoida. Jos ulkopuoliset vaihtuvat valaisuolosuhteet pääsevät vaikuttamaan kuvattavan kohteen valaistukseen, vaikeuttaa se kuvien analysointia ja tekee analyysin tuloksista epäluotettavampia (virheiden määrä kasvaa). Valaistusta toteutettaessa on kiinnitettävä huomioitava oikeanlaisen valonlähteen valinnan lisäksi myös kuhunkin tilanteeseen sopivaa taustaan.

41 Valaistus Sovellukseen valitun valaistuksen keskeisin tehtävä on maksimoida kuvattavan kappaleen niiden piirteiden kontrasti, joista ollaan kiinnostuneita. Koko prosessin laatu riippuu otettuun kuvaan tallentuvasta informaatiosta. Huonon valaistuksen virheitä ei voida jälkikäteen välttämättä korjata. Sovelluksen ulkopuolelta kohteeseen osuvan häiriövalon aiheuttamien ongelmien minimointiin käytetään tavallisesti jompaakumpaa kahdesta eri vaihtoehdosta: 1. Ulkopuolisen valon pääsyn estäminen kuvattavaan kohteeseen. 2. Eriväristen valojen käyttö + suotimet eli filtterit kameraan.

42 Valon ja aineen vuorovaikutus Tosielämän kappaleet ovat myös monimutkaisempia kuin teoreettisten mallien ideaalikappaleet. Yleensä aina sekä peili- että hajaheijastuksia. Kappaleessa voi olla useita eri materiaalikerroksia, joista ylin päästää läpi tiettyjä aallonpituuksia ja heijastaa toisia. Optimaalisen valaisuratkaisun löytäminen monesti teoreettiseen osaamiseen perustuvaa kokeilua

43 Valaistus Erilaiset materiaalit absorboivat, eli imevät itseensä, valon eri aallonpituuksia ja heijastavat muut pois. Näin eri materiaalit saavat värinsä. Esim. jos aine heijastaa vihreää, mutta absorboi muut värit, nähdään se aina vihreänä. Absorptio on voimakkainta mustilla kappaleilla.

44 Valaistus Laser valo on koherenttia, eli samassa vaiheessa olevaa, samanpituista, ja samassa suunnassa värähtelevää valoa. Tällöin aallot vahvistavat toisiaan, eli valon intensiteetti on korkea. LÄHDE: Laser (ja maser) ovat koherenttia säteilyä tuottavia laitteita.

45 Valaistus Koska laser-valo on erittäin konsentroitunutta ja intensiteetiltään voimakasta, se saattaa polttaa verkkokalvon silmään osuessaan. Jo pienitehoinen (~1 mw) laser voi aiheuttaa näkövaurioita. LÄHDE: Laserit on jaoteltu turvaluokkiin I-IV: I-luokan laser ei aiheuta pysyviä näkövaurioita, IVluokan laser polttaa mm. ihoa. Yleensä laserin kanssa käytetään suojalaseja.

46 Valaistus Konenäössä yleinen laseria hyödyntävä sovellus on kappaleiden rakenteellinen valaisu. Siinä kappaleeseen projisoidaan laser-valolla luotu tunnettu kuvio (pistematriisi, viiva, ruudukko) tunnetussa kulmassa. Kappaletta kuvataan toisesta kulmasta kameralla ja muototieto tulkitaan projektion poikkeamasta. LÄHDE:

47 Valon väri Valkoisella valolla saadaan monesti hyvä keskimääräinen kontrasti, mutta käyttämällä värillistä valoa haluttujen piirteiden kontrastia voidaan parantaa huomattavasti. Kappaleet heijastavat tietynväristä valoa ja absorboivat muita aallonpituuksia. Tätä voidaan hyödyntää haluttujen piirteiden korostamiseen (ja muiden piirteiden hävittämiseen).

48 Valon väri Valon värisävyn valinnassa voidaan hyödyntää oheisessa kuvassa näkyvää väriympyrää. Vastavärin käyttö piirre näkyy tummempana. Saman värin käyttö piirre näkyy kirkkaampana. Esim: jos vihreällä taustalla olevaa punaista kappaletta valaistaan punaisella valolla Kappale näkyy kirkkaana Tausta näkyy tummana Oheisessa kuvaparissa vasemmanpuoleista on valaistu punaisella, oikeaa sinisellä valolla. Tämä toimii siis myös harmaasävykameralla! LÄHDE:

49 Valaistus Valaistuksen suunnittelu riippuu monista tekijöistä, kuten kuvattavasta kohteesta, ympäristöstä, ympäristön valaistuksesta sekä järjestelmän kokoonpanosta. Konenäköjärjestelmässä valaistuksen tehtävä on tuoda kiinnostavat piirteet selvästi näkyviin. Valaistuksen suunnittelu kannattaa aloittaa pohtimalla vastauksia ainakin seuraaviin kysymyksiin: Onko kuvattavan kohteen pinnat tasaisia vai epätasaisia? Kiiltääkö kuvattava pinta vai onko se matta? Onko kappaleen värillä merkitystä analysoinnin kannalta? Liikkuuko kappale vai pysyykö se kuvauksen aikana paikallaan? Mitä piirteitä kohteesta halutaan nähdä ja tarkastella?

50 Taustavalaisu (Back lighting) Taustavalaisussa valonlähde on kappaleen alla, jolloin kappale näkyy mustana varjokuvana, siluettina. Menetelmällä saadaan näkyviin kohteen ääriviivat ja reiät tai tasainen valaistus läpinäkyville kohteille. Tämän vuoksi valaisintyyppiä käytetään yleensä silloin, kun halutaan tutkia kappaleiden mittoja tai pinta-aloja, reikien tai aukkojen mittoja, tai reunojen tasaisuutta. Tarkasteltavan kappaleen ei tarvitse olla suoraan valaisimessa kiinni vaan usein onkin parempi, että kappaleen ja valaisimen välillä on etäisyyttää. Erittäin tarkkoja mittauksia tehtäessä käytetään monesti monokromaattista valoa (punaista, vihreää tai sinistä). LÄHDE: LÄHDE:

51 Suorakohdevalaisu (Bright field /Directional light) Konenäköjärjestelmissä yleisimmin käytetty valaisumuoto. Menetelmässä valo pyritään saamaan mahdollisimman suoraan ja tasaisesti kohteesta kameraan. Yleensä menetelmässä käytetään useita valonlähteitä koko kappaleen valaisemiseksi. Samalla saadaan kohteesta poistettua varjot ja heijastukset. Koska valo on suunnattua, soveltuu se hyvin kontrastierojen luomiseen ja topografisten yksityiskohtien esiintuomiseen. LÄHDE:

52 Suorakohdevalaisu (Bright field /Directional light) Nyrkkisääntö: valaistun alueen koon pitää olla kaksinkertainen objektiivin kuva-alueeseen (FOV) nähden. LÄHDE: LÄHDE:

53 Pienikulmainen valaistus (Dark field lighting) Pienikulmaisessa valaistuksessa valo suunnataan tarkasteltavaan kohteeseen loivasta kulmasta, kamera on kohteen yläpuolella. LÄHDE: Kun valo kohdistetaan kappaleeseen pienestä kulmasta, suurin osa siitä heijastuu pois eikä osu kameralle. Peiliheijastuneet säteet eivät näy kameralle, mutta pinnanmuodon vaihtelut näkyvät kirkkaina. Tätä menetelmää käyttämällä saadaan kappaleen reunat ja pinnan epätasaisuudet hyvin esiin, jonka vuoksi sitä käytetäänkin esim. pinnanlaadun ja pintavikojen tutkimiseen.

54 Diffusoiva kupolivalaistus (Diffuse dome lighting) Menetelmässä valo heijastetaan kupolin kautta kuvattavaan kohteeseen, minkä avulla saadaan poistettua heijastuksia ja varjoja kameran näkymästästä. Käyttämällä erilaisia kupolin muotoja voidaan vaikuttaa siihen, mitä kohtia kappaleesta halutaan korostaa. Kupolivalaistus sopii hyvin heijastavien materiaalien, kuten kiillotettujen metallipintojen ja lasin valaistukseen. Kupolivalaisimet toimivat hyvin myös kiiltävien muotopintojen valaisussa. Että kupolivalaisin olisi tehokas, sen on oltava mahdollisimman lähellä kuvattavaa kohdetta. LÄHDE:

55 Koaksiaalinen valaistus (Coaxial / On-axis diffuse) Koaksiaalista valaistusta käyttämällä valo saadaan tulemaan kappaleeseen kameran suunnasta, puoliläpäiseviä peilejä käyttäen. Tätä valaisintyyppiä käytetään tavallisesti silloin kun tarkastellaan syviä kuoppia, koska muita valaisintyyppejä käytettäessä kuvaan muodostuu häiritseviä varjoja. Menetelmä soveltuu hyvin tasaisille pinnoille, kaarevilla pinnoilla menetelmä voi olla ongelmallinen. Koaksiaalinen valaistus voi olla kätevä myös silloin kun tilaa on rajallisesti. LÄHDE: LÄHDE:

56 5. Analyysiohjelmistot Yleistä Tavallisilla konenäkökameroilla otettujen kuvien analysointiin on tarjolla useita erilaisia ohjelmistovaihtoehtoja. Jos kamera tukee esim. GigE Vision liitäntästandardia, voidaan se periaatteessa kytkeä mihin tahansa kyseistä liitäntästandardia tukevaan konenäköohjelmistoon. Erityisesti älykameroiden tapauksessa vaihtoehdot voivat kuitenkin olla rajalliset. Esim. Cognexin älykamerat ja 3D-profilointilaitteet tarvitsevat Cognexin ohjelmiston. Ohjelmistoista löytyy pitkälti samat perustoiminnot, kuten reunan- ja muodontunnistukset, laskentatyökalut, värityökalut ja mittaustoiminnot.

57 5. Analyysiohjelmistot Yleistä Konenäköohjelmien välillä on eroja lähinnä työkalujen suorituskyvyssä ja säädettävyydessä, sekä helppokäyttöisyydessä. Ohjelmissa myös hieman erilaisia painotuksia: joissakin on hyvät 3D-ominaisuudet, jossain on keskitytty OCR:ään, jne. Yleiskäyttöisiä kameravalmistajasta riippumattomia analyysiohjelmistoja ovat mm.: MVTec Software GmbH HALCON Cognex Vision Pro Matrox Imaging Library (MIL) Common Vision Blox

58 6. Konenäköjärjestelmän rakentaminen Konenäköjärjestelmän rakentamineen kuuluu tavallisesti seuraavat vaiheet: 1. Kameratyypin valinta (matriisi/viiva/3d) 2. Tarvittavan kuva-alan (FOV) määritys 3. Tarvittavan resoluution laskeminen 4. Kameramerkin/mallin, kuvankaappauskortin, tietokonealustan valinta 5. Optiikan valinta 6. Sopivan valaistuksen valinta 7. Mekaanisten ja sähköisten rajapintojen suunnittelu 8. Konenäköohjelmiston valinta. LÄHDE:

59 6. Konenäköjärjestelmän rakentaminen Ohjelmiston toiminta: 1. Kuvan hankinta 2. Esikäsittely (suodatukset tms) 3. Kappaleiden paikannus kuvasta 4. Piirteiden erottelu ja tulkinta (reunat, muodot, alueet, jne.) 5. Tulosten luominen (vertaaminen toleransseihin jne) 6. Liitäntöjen käsittely (esim. lähdöt logiikalle) LÄHDE:

60 6. Konenäköjärjestelmän rakentaminen Kustannukset: 1. Suunnittelutyöt ja projektinhallinta 2. Laitteet (kamerat, optiikat, valaisimet, anturit, tietokoneet) 3. Ohjelmisto (huomioitava hankintahinnan lisäksi myös mahdolliset vuosimaksut) ja koulutukset 4. Sovelluksen rakentaminen ja ohjelmointi 5. Järjestelmän asennus ja testaus, dokumentointi 6. Ylläpito (puhdistus, lamppujen vaihto, muutokset) LÄHDE: