چگونه روبات ها برای درک محیط زیست از چشم انداز رایانه استفاده می کنند؟

من به عنوان یک تامین کننده ربات ، من شاهد دست اول قدرت تحول آمیز بینایی رایانه در این امکان وجود دارد که روبات ها بتوانند با دنیای اطراف خود ارتباط برقرار کنند. Computer Vision روبات ها را به توانایی "دیدن" و درک محیط آنها ، که برای طیف گسترده ای از برنامه ها بسیار مهم است ، از اتوماسیون صنعتی گرفته تا خدمات و کارهای اکتشافی مجهز می کند. در این وبلاگ ، من به این موضوع می پردازم که چگونه روبات ها از چشم انداز رایانه برای درک محیط استفاده می کنند و مزایایی را که این فناوری برای پیشنهادات ما به ارمغان می آورد ، برجسته می کند.

چگونه دید رایانه در روبات ها کار می کند

در هسته اصلی آن ، دید رایانه ای برای روبات ها در مورد تقلید از دید انسان تا حدودی است ، اما با دقت و تکرارپذیری که ماشین ها می توانند ارائه دهند. این فرایند به طور کلی شامل چندین مرحله کلیدی است: دستیابی به تصویر ، پیش پردازش ، استخراج ویژگی ها و تشخیص شی.

کسب تصویر

روبات ها از انواع مختلف سنسورها برای ضبط تصاویر از محیط اطراف خود استفاده می کنند. دوربین ها رایج ترین هستند ، از جمله دوربین های RGB (قرمز ، سبز ، آبی) که تصاویر رنگی را ضبط می کنند ، و دوربین های عمق مانند زمان - از - پرواز (TOF) دوربین یا دوربین های استریو. دوربین های TOF مدت زمان لازم برای سفر به یک شیء و عقب را اندازه گیری می کنند و این روبات را قادر می سازد تا نقشه سه بعدی محیط را ایجاد کند. از طرف دیگر ، دوربین های استریو مانند چشم انسان کار می کنند ، با استفاده از دو لنز برای ضبط نماهای کمی متفاوت از همان صحنه ، که از آن می توان اطلاعات عمق را محاسبه کرد.

پیش - پردازش

پس از ضبط تصاویر ، آنها اغلب برای بهبود کیفیت و تجزیه و تحلیل آنها آسانتر باید از پیش پردازش شوند. این می تواند شامل کارهایی مانند کاهش نویز ، تقویت تصویر و تغییر اندازه باشد. الگوریتم های کاهش نویز ، مانند فیلتر گاوسی ، می توانند نویز تصادفی را از تصویر حذف کنند ، که ممکن است ناشی از محدودیت سنسور یا عوامل محیطی باشد. تکنیک های تقویت تصویر ، مانند تساوی هیستوگرام ، می توانند تضاد تصویر را بهبود بخشند و اشیاء را متمایز تر می کنند.

استخراج ویژگی

استخراج ویژگی یک گام مهم است که در آن ربات عناصر مهم موجود در تصویر را مشخص می کند. این ویژگی ها می توانند لبه ها ، گوشه ها یا حباب ها باشند. به عنوان مثال ، ردیاب گوشه هریس یک الگوریتم محبوب برای تشخیص گوشه ها در یک تصویر است. با یافتن این ویژگی ها ، ربات می تواند ساختار اشیاء موجود در محیط خود را درک کند. در سناریوهای پیشرفته تر ، از روشهای استخراج ویژگی مبتنی بر یادگیری عمیق ، مانند شبکه های عصبی حلقوی (CNN) استفاده می شود. CNN ها می توانند به طور خودکار ویژگی های پیچیده ای را از مقادیر زیادی از داده های آموزشی بیاموزند ، و آنها را در رسیدگی به طیف گسترده ای از اشیاء و صحنه ها بسیار مؤثر می کند.

تشخیص شیء

پس از استخراج ویژگی ، این روبات از ویژگی های استخراج شده برای تشخیص اشیاء موجود در تصویر استفاده می کند. این کار را می توان از طریق تطبیق الگو انجام داد ، جایی که ربات ویژگی های استخراج شده را با مجموعه ای از الگوهای از پیش تعریف شده اشیاء شناخته شده مقایسه می کند. امروزه بیشتر از مدل های یادگیری عمیق برای تشخیص شی استفاده می شود. این مدل ها در مجموعه داده های بزرگ حاوی هزاران یا حتی میلیون ها تصویر از اشیاء مختلف آموزش داده می شوند. پس از آموزش ، آنها می توانند اشیاء را در تصاویر جدید ، حتی در جهت گیری های مختلف ، شرایط روشنایی و انسداد جزئی طبقه بندی کنند.

برنامه های دید رایانه در روبات های ما

شرکت ما طیف متنوعی از روبات ها را ارائه می دهد ، هر یک از دیدگاه های رایانه ای را به روش های منحصر به فرد برای انجام کارهای خاص ارائه می دهد.

ربات پالتو

از روبات های پالت در انبارها و گیاهان تولیدی استفاده می شود تا محصولات را روی پالت ها جمع کنند. چشم انداز رایانه نقش مهمی در این فرآیند دارد. این ربات از سیستم بینایی خود برای شناسایی موقعیت و جهت گیری محصولات روی کمربند نقاله استفاده می کند. سپس می تواند بهترین راه را برای انتخاب محصولات و قرار دادن آنها بر روی پالت به صورت سازمان یافته محاسبه کند. سیستم بینایی همچنین به ربات کمک می کند تا با اندازه ها و شکل های مختلف محصول سازگار شود و از پالت کردن دقیق و کارآمد اطمینان حاصل کند.

ربات

انتخاب روبات ها برای انتخاب وسایل از قفسه ها یا سطل های موجود در یک انبار طراحی شده اند. با دید رایانه ، این روبات ها می توانند به سرعت و با دقت موارد هدف را شناسایی کنند. سیستم بینایی می تواند مکان ، اندازه و شکل موارد را تشخیص دهد و به ربات اجازه می دهد بهترین روش را برای انتخاب برنامه ریزی کند. این امر به ویژه در مراکز تحقق E - تجارت ، که در آن انواع زیادی از محصولات باید در مدت زمان کوتاهی انتخاب و بسته بندی شوند ، بسیار مهم است.

ربات کن

از روبات های Cantilever اغلب در برنامه هایی استفاده می شود که یک منطقه کار بزرگ باید تحت پوشش قرار گیرد. دید رایانه این روبات ها را قادر می سازد تا با خیال راحت از محیط خود حرکت کنند. این ربات می تواند از سیستم بینایی خود برای تشخیص موانع مانند سایر تجهیزات یا کارگران استفاده کند و یک مسیر برخورد - برخورد را برنامه ریزی کند. علاوه بر این ، در کارهایی مانند بازرسی ، سیستم بینایی می تواند به ربات کمک کند نقص یا بی نظمی را در سطح اشیاء مورد نظر خود شناسایی کند.

مزایای دید رایانه - روبات های فعال

ادغام دید رایانه در روبات های ما مزایای قابل توجهی به همراه دارد.

افزایش کارآیی

Vision Computer به روبات ها اجازه می دهد تا وظایف را سریعتر و با دقت انجام دهند. به عنوان مثال ، در مورد پالت کردن و انتخاب روبات ها ، امکان شناسایی دقیق اشیاء باعث کاهش زمان صرف شده برای جستجو و رسیدگی می شود و منجر به توان بالاتر در انبارها و امکانات تولید می شود.

انعطاف پذیری

روبات هایی با دید رایانه می توانند با محیط ها و وظایف مختلف سازگار شوند. آنها می توانند بدون نیاز به برنامه ریزی مجدد گسترده ، انواع اشیاء را اداره کنند. این امر باعث می شود آنها برای صنایعی که خطوط محصول یا الزامات به سرعت در حال تغییر هستند مناسب باشد.

امنیت

در تنظیمات صنعتی ، ایمنی از اهمیت بالایی برخوردار است. دید رایانه به روبات ها کمک می کند تا با انسان و اشیاء دیگر از برخورد و جلوگیری از برخورد با انسان و سایر اشیاء جلوگیری کنند. این خطر تصادفات را کاهش می دهد و یک محیط کار امن تر را تضمین می کند.

برای مشاوره خرید با ما تماس بگیرید

اگر شما علاقه مند به ارتقاء عملیات خود با رایانه ما - Vision - روبات های فعال هستید ، دوست داریم از شما بشنویم. تیم متخصصان ما می توانند اطلاعات عمیق در مورد محصولات ما ، از جملهربات پالتوبارباتوتربات کنبشر ما همچنین می توانیم به شما در تعیین بهترین راه حل برای نیازهای خاص خود کمک کنیم ، خواه بهبود کارایی در انبار شما یا افزایش کنترل کیفیت در فرآیند تولید شما باشد. برای مشاوره دقیق به ما مراجعه کنید و بیایید تجارت شما را به سطح بعدی با هم برسانیم.

منابع

Ballard ، DH ، & Brown ، CM (1982). چشم انداز رایانه. Prentice - سالن.
Goodfellow ، IJ ، Bengio ، Y. ، & Courville ، A. (2016). یادگیری عمیق مطبوعات MIT.
Szeliski ، R. (2010). چشم انداز رایانه: الگوریتم ها و برنامه ها. اسپرینگر