visión artificial

El primer paso en la secuencia de operación de inspección automática es la adquisición de una imagen , generalmente mediante cámaras, lentes e iluminación diseñadas para proporcionar la diferenciación requerida para el procesamiento posterior. ^{[ 12 ] [ 13 ]} Los paquetes de software MV y los programas desarrollados en ellos emplean diversas técnicas de procesamiento digital de imágenes para extraer la información requerida y, a menudo, toman decisiones (como aprobado/reprobado) basadas en la información extraída. ^{[ 14 ]}

Los componentes de un sistema de inspección automática suelen incluir iluminación, una cámara u otro sistema de imagen, un procesador, software y dispositivos de salida. ^{[ 7 ] : 11–13}

El dispositivo de imagen (por ejemplo, la cámara) puede estar separado de la unidad principal de procesamiento de imágenes o combinado con ella, en cuyo caso la combinación se denomina generalmente cámara inteligente o sensor inteligente. ^{[ 15 ] [ 16 ]} La inclusión de la función de procesamiento completa en la misma carcasa que la cámara se suele denominar procesamiento integrado. ^{[ 17 ]} Cuando están separados, la conexión puede realizarse a hardware intermedio especializado, un dispositivo de procesamiento personalizado o un capturador de fotogramas dentro de una computadora utilizando una interfaz analógica o digital estandarizada ( Camera Link , CoaXPress ). ^{[ 18 ] [ 19 ] [ 20 ] [ 21 ]} Las implementaciones de MV también utilizan cámaras digitales capaces de conexiones directas (sin un capturador de fotogramas) a una computadora a través de interfaces FireWire , USB o Gigabit Ethernet . ^{[ 21 ] [ 22 ]}

Aunque la obtención de imágenes convencionales (luz visible 2D) es la más utilizada en MV, existen alternativas como la obtención de imágenes multiespectrales , hiperespectrales , de varias bandas infrarrojas, ^{[ 23 ]} imágenes de escaneo lineal, imágenes 3D de superficies e imágenes de rayos X. ^{[ 6 ]} Las principales diferencias dentro de la obtención de imágenes de luz visible 2D en MV son la monocromía frente al color, la velocidad de fotogramas , la resolución y si el proceso de obtención de imágenes es simultáneo en toda la imagen, lo que la hace adecuada para procesos en movimiento. ^{[ 24 ]}

Aunque la gran mayoría de las aplicaciones de visión artificial se resuelven utilizando imágenes bidimensionales, las aplicaciones de visión artificial que utilizan imágenes 3D son un nicho en crecimiento dentro de la industria. ^{[ 25 ] [ 26 ]} El método más comúnmente utilizado para imágenes 3D es la triangulación basada en escaneo que utiliza el movimiento del producto o imagen durante el proceso de imagen. Se proyecta un láser sobre las superficies de un objeto. En visión artificial esto se logra con un movimiento de escaneo, ya sea moviendo la pieza de trabajo o moviendo el sistema de imagen de cámara y láser. La línea es vista por una cámara desde un ángulo diferente; la desviación de la línea representa variaciones de forma. Las líneas de múltiples escaneos se ensamblan en un mapa de profundidad o nube de puntos. ^{[ 27 ]} La visión estereoscópica se utiliza en casos especiales que involucran características únicas presentes en ambas vistas de un par de cámaras. ^{[ 27 ]} Otros métodos 3D utilizados para visión artificial son el tiempo de vuelo y el basado en cuadrícula. ^{[ 27 ] [ 25 ]} Un método son los sistemas basados ​​en matrices de cuadrícula que utilizan un sistema de luz estructurada pseudoaleatoria como el empleado por el sistema Microsoft Kinect alrededor de 2012. ^{[ 28 ] [ 29 ]}

Después de adquirir una imagen, se procesa. ^{[ 20 ]} Las funciones de procesamiento central generalmente las realiza una CPU , una GPU , una FPGA o una combinación de estas. ^{[ 17 ]} El entrenamiento y la inferencia del aprendizaje profundo imponen mayores requisitos de rendimiento de procesamiento. ^{[ 30 ]} Generalmente se utilizan múltiples etapas de procesamiento en una secuencia que culmina en el resultado deseado. Una secuencia típica podría comenzar con herramientas como filtros que modifican la imagen, seguidas de la extracción de objetos, luego la extracción (por ejemplo, mediciones, lectura de códigos) de datos de esos objetos, seguida de la comunicación de esos datos o su comparación con valores objetivo para crear y comunicar resultados de "aprobado/reprobado". Los métodos de procesamiento de imágenes de visión artificial incluyen:

• Unión / Registro : Combinación de imágenes 2D o 3D adyacentes.
• Filtrado (por ejemplo, filtrado morfológico ) ^{[ 31 ]}
• Umbralización: La umbralización comienza con la determinación de un valor de gris que será útil para los pasos siguientes. Este valor se utiliza para separar partes de la imagen y, en ocasiones, para convertir cada parte a blanco y negro según esté por debajo o por encima de dicho valor de escala de grises. ^{[ 32 ]}
• Conteo de píxeles: cuenta el número de píxeles claros u oscuros.
• Segmentación : Particionar una imagen digital en múltiples segmentos para simplificar y/o cambiar la representación de una imagen en algo más significativo y fácil de analizar. ^{[ 33 ] [ 34 ]}
• Detección de bordes : encontrar los bordes de los objetos ^{[ 35 ]}
• Análisis de color: Identificar partes, productos y artículos mediante el color, evaluar la calidad a partir del color y aislar características mediante el color. ^{[ 6 ]}
• Detección y extracción de blobs : inspección de una imagen en busca de blobs discretos de píxeles conectados (por ejemplo, un agujero negro en un objeto gris) como puntos de referencia de la imagen. ^{[ 36 ]}
• Procesamiento de redes neuronales / aprendizaje profundo / aprendizaje automático : toma de decisiones multivariables ponderada y autoaprendizaje ^{[ 37 ].} Hacia 2019 se produjo una gran expansión de este campo, utilizando aprendizaje profundo y aprendizaje automático para ampliar significativamente las capacidades de visión artificial. El resultado más común de dicho procesamiento es la clasificación. Ejemplos de clasificación son la identificación de objetos, la clasificación de "aprobado/reprobado" de objetos identificados y el OCR. ^{[ 37 ].}
• Reconocimiento de patrones, incluyendo la coincidencia de plantillas . Encontrar, comparar y/o contar patrones específicos. Esto puede incluir la ubicación de un objeto que puede estar rotado, parcialmente oculto por otro objeto o variar de tamaño. ^{[ 38 ]}
• Lectura de códigos de barras , Data Matrix y " códigos de barras 2D " ^{[ 39 ]}
• Reconocimiento óptico de caracteres : lectura automatizada de texto como números de serie ^{[ 40 ]}
• Medición/Metrología : medición de las dimensiones de los objetos (por ejemplo, en píxeles , pulgadas o milímetros ) ^{[ 41 ]}
• Comparación con valores objetivo para determinar un resultado de "aprobado o reprobado" o "aprobado/no aprobado". Por ejemplo, en la verificación de códigos o códigos de barras, el valor leído se compara con el valor objetivo almacenado. Para la medición, una medición se compara con el valor y las tolerancias adecuadas. Para la verificación de códigos alfanuméricos, el valor OCR se compara con el valor adecuado o objetivo. Para la inspección de defectos, el tamaño medido de los defectos se puede comparar con los máximos permitidos por las normas de calidad. ^{[ 39 ]}

Una salida común de los sistemas de inspección automática son las decisiones de aprobado/reprobado. ^{[ 14 ]} Estas decisiones pueden, a su vez, activar mecanismos que rechazan los elementos defectuosos o hacen sonar una alarma. Otras salidas comunes incluyen información sobre la posición y orientación de los objetos para los sistemas de guiado de robots. ^{[ 6 ]} Además, los tipos de salida incluyen datos de medición numérica, datos leídos de códigos y caracteres, recuentos y clasificación de objetos, visualizaciones del proceso o resultados, imágenes almacenadas, alarmas de sistemas de monitorización espacial MV automatizados y señales de control de procesos . ^{[ 10 ] [ 13 ]} Esto también incluye interfaces de usuario, interfaces para la integración de sistemas multicomponente e intercambio automatizado de datos. ^{[ 42 ]}