购买视觉智能相机必须要问清楚10个问题

简介:

智能相机技术方案提供商朗锐智科(www.loongv.com)介绍,典型机器视觉系统是一种就是基于个人计算机(PC)的视觉系统,一般由光源、CCD或CMOS相机、图像采集卡、图像处理软件以及一台PC机构成。其中,图像的采集功能由CCD/CMOS相机及图像采集卡完成;图像的处理则是在图像采集/处理卡的支持下,由处理软件在PC机中完成。
智能相机(Smart Camera)并不是一台简单的相机,而是一种高度集成化的微小型机器视觉系统。它将图像的采集、处理与通信功能集成于单一相机内,从而提供了具有多功能、模块化、高可靠性、易于实现的机器视觉解决方案。同时,由于应用了最新的DSP、FPGA及大容量存储技术,其智能化程度不断提高,可满足多种机器视觉的应用需求。
工业智能相机
购买一台视觉相机,必须要问清楚10个问题:
(1) 对于一台零件定位工具,什么是重要的?如何评定其性能?
零件定位工具是在视觉相机的视场中找到零件的软件工具。这是典型的视觉应用的第一步,从最简单的机器人抓取操作到最复杂的装配确定任务,它往往是判断应用成功与否的关键。
在当今的生产环境中,零件定位对视觉相机提出了挑战。这是因为条件变化将会使视觉相机视场中零件出现的路线发生的变化,视觉相机将被训练,旨在通过零件图像的参考或模型去识别零件。这些条件变化包括:
•零件旋转;
•光学测量装置的变化;
•光照条件的不一致;
•零件外观的正常变化。
(2) 内置网络通信装置扮演什么样的角色,我应关注什么性能?
网络通信提供了大量的重要性能:
•它使得视觉相机快速将通过/失败结果数据传送至PC;
•它使得视觉相机可与PLC、机器人、和其他自动化装置进行通信;
为了在视觉相机、PC之间建立企业级的通信连接,请确认你所评估的视觉相机支持较宽范围内的网络协议,包括:SMTP、FTP、DHCP、DNS、TCP/IP客户服务器、Telnet。
为了连接视觉相机和诸如PLC、机器人等自动化装置,请选择支持以下工业协议的视觉相机:
•EtherNet/IP——这一协议使得视觉相机可通过单以太网电缆与PLC和其他装置相连,而无需复杂的线路配置和昂贵的网关。
•ModBus/TCP——另一网络协议,允许直接通过以太网与其他设备连接。
最终,当越来越多的视觉相机应用于生产过程时,通过一种集中的方式进行管理变得十分重要,请确认您所评估的视觉相机是否允许您通过网络管理和控制视觉行为。
(3) 您的视觉相机是否易于建立应用,并产生用户图形界面?
视觉应用并不常需要集线器管理接口(HMI),但操作者经常要对视觉相机进行调整,从而在零件变化时进行修改,改变公差参数和判断零件故障点。
在您配置系统时,机器视觉相机应允许您产生一个用户图形界面。请确认您所评估的视觉相机具有这一功能,而无需您利用VB或其他高级语言进行开发。
(4) 在读和检验性能中,应该寻找什么?
您是否正在读生产线上零件的文字数字码,或验证药瓶上的数据和大量的编码信息。在评估读和检验性能时,它们是需要寻找的特性,包括:
•统计字体训练 这一特性允许您从一系列图像中产生一个模型或参考图像。这使得视觉相机能够更好的处理它可能遇到的印刷物质量的正常变化,如低对比度、位置变化、退化或笔划宽度的变化。除非您可以肯定将要打印的每一标签都具有高质量,否则这一开发静态模型的能力对于应用系统的成功将是非常重要的。
•图像预处理工具 它允许您通过边缘对比度增强和滤除图像中的背景噪声优化被训练的模型,优化后模型提高了视觉相机的可靠性和可重复性。关于图像预处理的更多信息请参阅问题(6)。
•瞬间图像回放 这使得操作者和技术人员可快速而容易地从监视器中看到故障图像。无论故障图像是相机偏离了位置、还是标签缺失而引起的,重要的是要立即知道为什么会出故障,并在必要时采取补救措施。
(5) 怎样确定视觉相机测量工具的可重复性?
如果您的应用是空间尺寸测量,您一定想确信测量工具不仅精确,而且具有很的可重复性。为了测定可重复性,视觉相机最好完全适用于测量工具。无论您是测量两条线间的距离,或在三点间产生一个圆,优良的工具设置使您无需对标准配置中没有的函数进行编程定义。
(6) 相机是否具有足够的图像预处理功能?
图像预处理工具允许用户对原始图像进行操作,以突出需要的特征,消除不需要特征。
这一特性是视觉相机所有特性中的关键,应被列入标准配置。具有预处理工具的相机为您提供如下功能:
•在目标边缘和背景间提高对比度;
•滤出图像中无关的或无意义的特征;
•消除已被从零件表面脱落的反射;
•图像中粗糙纹理的平滑处理。
具备优化原始图像数据的能力后,视觉相机的精确度和耐用性得到了提高。
(7) 如何评估工业条码读取工具,需要什么性能?
当今的视觉相机应在退化、不规则的二维条码,或零件与零件间的位置变化上应具有可靠的、可重复的性能。无论零件采用什么类型的标记方法,标记在什么类型的介质表面,它们都应具有较高的性能。按照条形码读取特性选择视觉相机,您可能想了解以下问题:
•编码质量确认能力 寻找能够检验编码质量的产品,以建立标准。这可提供关于标记过程工作情况的有价值的信息。
•读取速率 依照生产线速度和生产需求,您可能需要检验一个视觉相机的读取速率。当今最快的视觉相机每秒大约可读50个编码。
•图像预处理工具 它允许您通过编码的边缘对比度增强和滤除图像中的背景噪声来优化已被训练的模型。优化后的模型使视觉相机的可靠性和可重复性最大化。关于图像的预处理请参阅问题(6)。
•图像预处理工具 它允许您通过边缘对比度增强和滤除图像中的背景噪声优化被训练的模型,优化后模型提高了视觉相机的可靠性和可重复性。关于图像预处理的更多信息请参阅问题(6)。
•瞬间图像回放 这使得操作者和技术人员可快速而容易地从监视器中看到故障图像。无论故障图像是相机偏离了位置、还是标签缺失而引起的,重要的是要立即知道为什么会出故障,并在必要时采取补救措施。
(8) 视觉相机需要PC吗?
在配置和生产中,标准的视觉相机无需PC。视觉相机应提供真正的即插即用特性,使您可以快速配置应用系统。重要的是, 视觉相机无需您在厂内设置计算机。最终,一个独立的视觉相机使您无需PC就可从监视器中看到活动图像。
(9) 关于视觉相机的附件,您应该了解什么?
为了确保您的系统集成过程快速而有效,请选择与视觉相机同系列的兼容附件。销售商会对每一附件进行测试,以确认每一部件可以同时进行运行,而不会出现故障。以下为附件列表:
•照明附件 机器视觉销售商应提供多种不同的照明选择,因为机器视觉系统将会面临许多不同的零件表面特性类型和环境照明条件。一个全面的照明模块系列应包括环形光源模块,它提供柔和的光线,即使从各个方向照射;背光模块,提供零件与背景间的最大对比度;暗场光源,提供低角度照明,用于不规则零件表面的成像。
•通信附件 确保提供了通信外围设备,如I/O模块、网关模块,它使得视觉相机和快速而容易地与PLC、机器人、其他自动化装置及网络相连。
•监视器 一些销售商提供与相机兼容的显示器。当选择显示器时,最好选用具用抗晕效果防护的LCD显示器。
•相机外壳 工业相机外壳用于防尘、防高温、防雨。同时,它应容易安装, 并适用多种尺寸和类型的相机镜头。
(10) 提供什么类型的技术支持?
当评估一台视觉相机时,很重要的一点是选择一家可提供较宽范围内的产品支持和培训报务的销售商。这些服务应开始于最初的应用评估,几个重要的问题是:
•销售代表是否是一个全时的机器视觉专家?
•应用评估的程序如何?评估人是谁?
•销售商是否花费必要的工程资源使您的应用合格,或由您自己支出?
•一旦选择,您将得到什么样的产品支持以确保安装成功?
•所选择的销售商是否提供多种培训选择,如:在线自助(“self-help”)支持、在线课程、世界范围内的技术支持及个性化的现场培训。
•所选择的销售商是否具有跟踪记录和财政稳定性,以长期维持其视觉解决方案供应商的角色。
智能相机与基于PC的视觉系统相比较各有其优势和不足,随着智能相机的接口的标准化、系统模块化、专业化、大面阵和高速化的不断发展,其必将在机器视觉领域开拓出更广阔的应用前景。

相关实践学习
基于函数计算实现AI推理
本场景基于函数计算建立一个TensorFlow Serverless AI推理平台。
相关文章
|
存储 Linux Windows
PCIe-8604 USB3.0图像采集卡无需额外供电机器视觉智能相机网卡
PCIe-8604是一块4口USB 3.0主控卡,专为工业和视觉相关应用设计。USB 3.0,或称作高速USB,是一项新兴的总线技术,10倍于USB2.0的传输速度,尤其适用于高速数据存储和图像设备。
6830 0
|
3天前
|
机器学习/深度学习 存储 边缘计算
深度学习在图像识别中的应用与挑战
【4月更文挑战第23天】 随着人工智能技术的飞速发展,深度学习作为其重要分支之一,在图像识别领域取得了显著的成果。本文将探讨深度学习在图像识别中的应用,分析其优势和面临的挑战,并展望未来的发展趋势。
|
1天前
|
机器学习/深度学习 运维 监控
深度学习在图像识别中的应用与挑战
【4月更文挑战第25天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的核心动力。本文旨在探讨深度学习技术在图像识别任务中的创新应用及其面临的主要挑战。我们将首先回顾深度学习的基本原理和关键技术,随后通过实际案例分析其在图像分类、目标检测及语义分割等方面的应用效果。最后,文中将讨论当前技术瓶颈,如数据不平衡、模型泛化能力以及计算资源限制等,并提出可能的解决方案。
|
1天前
|
机器学习/深度学习 自动驾驶 算法
探索基于深度学习的图像识别在自动驾驶中的应用
【4月更文挑战第25天】 随着人工智能技术的飞速发展,深度学习已成为推动自动驾驶领域革新的核心力量。本文旨在深入探讨深度学习技术在图像识别领域的最新进展及其在自动驾驶系统中的实际应用。通过分析卷积神经网络(CNN)和递归神经网络(RNN)等先进算法,我们揭示了如何有效提升自动驾驶汽车在复杂环境中的视觉感知能力。文中还将讨论深度学习模型在处理实时数据时所面临的挑战,以及为解决这些挑战而采取的创新方法。
|
2天前
|
机器学习/深度学习 安全 计算机视觉
深度学习在图像识别中的应用与挑战
【4月更文挑战第24天】 随着计算机视觉技术的飞速发展,深度学习已成为推动图像识别领域进步的核心动力。本文旨在探讨深度学习技术在图像识别中的关键应用,并分析当前面临的主要挑战。通过回顾卷积神经网络(CNN)的基础架构及其在图像分类、目标检测和语义分割中的创新应用,文章揭示了深度学习模型如何优化视觉信息处理流程。同时,针对训练数据需求、计算资源限制、模型泛化能力及对抗性攻击等问题,本文提出了一系列解决策略和技术方向,为未来研究提供了参考框架。
6 0
|
2天前
|
机器学习/深度学习 传感器 自动驾驶
基于深度学习的图像识别技术在自动驾驶系统中的应用
【4月更文挑战第24天】 随着人工智能技术的飞速发展,深度学习在图像处理领域取得了显著成果,特别是在自动驾驶系统中的应用。本文首先介绍了深度学习的基本概念和关键技术,然后详细阐述了卷积神经网络(CNN)在图像识别中的优势和应用,最后探讨了深度学习在自动驾驶系统中的挑战和未来发展趋势。
|
2天前
|
机器学习/深度学习 数据采集 自动驾驶
深度学习在图像识别中的应用与挑战
【4月更文挑战第24天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉领域进步的核心动力。本文旨在探讨深度学习在图像识别任务中的关键技术、应用实例以及面临的主要挑战。我们将从卷积神经网络(CNN)的基本原理出发,剖析其在图像分类、目标检测和语义分割等方面的具体应用,并讨论数据增强、模型泛化及对抗性攻击等现实问题对深度学习模型性能的影响。通过综合分析和案例研究,本文为读者提供了一个关于深度学习在图像识别领域应用现状和未来趋势的全面视角。
|
2天前
|
机器学习/深度学习 算法 自动驾驶
深度学习在图像识别中的应用与挑战
【4月更文挑战第24天】 随着人工智能技术的飞速发展,深度学习已成为推动计算机视觉进步的重要力量。本文将深入探讨深度学习技术在图像识别领域的应用现状,分析其面临的主要挑战,并提出未来可能的发展方向。我们将从卷积神经网络(CNN)的基础结构出发,逐步剖析其在图像分类、目标检测及语义分割等任务中的实际应用,并讨论数据增强、迁移学习等优化策略。此外,文章还将针对计算资源需求高、模型泛化能力以及对抗性攻击等问题进行详细论述。
|
3天前
|
机器学习/深度学习 边缘计算 监控
深度学习赋能智能监控:图像识别技术的革新与应用
【4月更文挑战第23天】 随着人工智能的迅猛发展,深度学习技术在图像处理领域取得突破性进展,特别是在智能监控系统中,基于深度学习的图像识别已成为提升系统智能化水平的核心动力。本文旨在探讨深度学习如何优化智能监控系统中的图像识别过程,提高监控效率和准确性,并分析其在不同应用场景下的具体实施策略。通过深入剖析关键技术、挑战及解决方案,本文为读者提供了一个关于深度学习图像识别技术在智能监控领域应用的全面视角。
|
3天前
|
机器学习/深度学习 监控 安全
智能监控的革新者:基于深度学习的图像识别技术
【4月更文挑战第23天】 在智能监控领域,基于深度学习的图像识别技术已经成为一种革命性的工具。这种技术能够自动识别和分类图像中的对象,提供实时的、准确的信息,从而提高监控系统的效率和准确性。本文将探讨深度学习在图像识别中的应用,以及其在智能监控中的潜在价值。

热门文章

最新文章