Systemauswahl entsprechend den Prüfvorgaben

Beurteilung der Erkennung: Feststellen, ob die Prüfung tatsächlich möglich ist oder nicht.

Vorbereitung zur Beurteilung erforderlich

Bereiten Sie mehrere Muster von fehlerhaften und nicht fehlerhaften Prüfobjekten vor.

Um die Erkennbarkeit mit einem Bildverarbeitungssystem zu bestätigen, ist es sinnvoll, dieses anhand von Grenzmustern von fehlerhaften und nicht fehlerhaften Prüfobjekten zu testen.
Die Vorbereitung mehrerer Arten von Grenzwertproben bringt das Ergebnis näher an das Ergebnis in einer tatsächlichen Produktionslinie.

Unterscheidung von MUSS und KANN

Bei einigen Prüfungen können Sie eine klare Rangfolge für die Erkennbarkeit festlegen, indem Sie MUSS-Elemente, die erkannt werden müssen, und KANN-Elemente, die vorzugsweise erkannt werden, unterscheiden.

Wenn ein bestimmter quantitativer Unterschied zwischen MUSS und KANN eingestellt wird, ist es einfacher, die Stabilität der Erkennbarkeit zu beurteilen. Wenn man beispielsweise ein Ziel mit einer Größe von 20 mm in der Feldbetrachtung von 25 mm mit einer Megapixelkamera untersucht, misst ein Pixel 0,025 mm. Unter der Annahme eines Pixels als minimale Einheit beträgt die theoretische Erkennungsgrenze unter dieser Bedingung 0,025 mm. In Wirklichkeit gibt es jedoch verschiedene Fremdbedingungen, so dass ein gewisser Spielraum für die Erkennungsgrenze eingeräumt werden muss.

Im obigen Beispiel, wenn die Tiefe ein Absplitterung auf MUSS-Ebene 0,5 mm ist, kann dies als eine Änderung von 20 Pixel erkannt werden und die Erkennung wird als möglich eingestuft. Wenn die Tiefe einer Absplitterung auf KANN-Ebene 0,05 mm beträgt, handelt es sich um eine Änderung von 2 Pixeln, so dass davon ausgegangen werden kann, dass die Absplitterung nahe der Erkennungsgrenze liegt.

Absplitterung auf MUSS-Ebene: 0,5 mm → sichere Erkennung

Absplitterung auf KANN-Ebene: 0,05 mm → Erkennungsgrenze

Überprüfung der Beurteilungstoleranz und -marge

Eine zuverlässige Methode zur Beurteilung der Erkennungsstabilität ist die Überprüfung der statistischen Daten der Ergebnisse bei mehreren fehlerhaften und nicht fehlerhaften Prüfobjekten. Die unten gezeigte Grafik ist das Ergebnis der Ergebnisse von 256 Prüfobjekten mit der statistischen Auswertungsfunktion des Bildverarbeitungssystems der CV-Serie. Prüfobjekte, die die Obergrenze überschreiten, werden als N.i.O. erkannt. Die Grafik zeigt das Niveau, bei dem Prüfobjekte aufgrund der Einstellung der Obergrenze als fehlerhaft erkannt werden.

Wenn die Toleranz (Obergrenze) mit ausreichendem Spielraum eingestellt ist

Der Mittelwert der Ergebnisse liegt bei etwa 6,3. Die roten Kreise stellen fehlerhafte Prüfobjekte auf MUSS-Ebene dar und gehen alle weit über die obere Ebene hinaus.
Die blauen und grünen Kreise stellen fehlerhafte Prüfobjekte auf KANN-Ebene dar. Wenn die Obergrenze auf 17,0 eingestellt ist, können die Prüfobjekte in blauen Kreisen als N.i.O. erkannt werden.
Obwohl die fehlerhaften Prüfobjekte auf KANN-Ebene in den grünen Kreisen mit dieser Einstellung nicht erkannt werden können, besteht keine Chance, dass nicht fehlerhafte Prüfobjekte falsch erkannt werden.

Wird der obere Grenzwert enger von 17 auf 11 gesetzt, verringert sich die Anzahl der nicht fehlerhaften Prüfobjekte von 250 auf 244, was eine Verringerung der Ertragsrate bedeutet.

Wenn eine engere Toleranz eingestellt ist, um fehlerhafte Prüfobjekte auf KANN-Ebene so weit wie möglich zu erkennen

Beim Versuch, die Obergrenze weiter abzusenken, um grüne Kreise zu erkennen, die fehlerhafte Prüfobjekte der KANN-Ebene darstellen, werden auch nicht fehlerhafte Prüfobjekte als N.i.O. erkannt, da die Grenze mit dem Maximalwert der Schwankung der nicht fehlerhaften Prüfobjekte übereinstimmt.
Dieses Beispiel zeigt, dass die fehlerhaften Prüfobjekte in den grünen Kreisen an der Grenze zu den nicht fehlerhaften Prüfobjekten liegen.

Taktzeit und Bildverarbeitungszeit 1

Jedes Mal, wenn Sie ein Bildverarbeitungssystem zur Prüfung einsetzen, müssen Sie über die Verarbeitungsgeschwindigkeit des Systems nachdenken. Die neuesten Bildverarbeitungssysteme sind in der Lage, bis zu 100 Prüfobjekte pro Sekunde zu prüfen, abhängig von den Prüfdetails. Beachten Sie jedoch, dass die Bildverarbeitungszeit stark von der Anzahl der Pixel der Kamera, den Verarbeitungsdetails, der Anzahl der Verarbeitungselemente usw. abhängt. Es ist wichtig, die Verarbeitungsgeschwindigkeit des Bildverarbeitungssystems und die Taktzeit der Prüflinie zu überprüfen.

Ablauf der Bildverarbeitung

Im Folgenden wird der Ablauf der Prüfung mit Hilfe eines Bildverarbeitungssystems dargestellt.

Taktzeit und Bildverarbeitungszeit 2

Die minimale erkennbare Auflösung hängt von der Anzahl der Pixel der verwendeten Kamera ab. Mit zunehmender Pixelzahl der Kamera steigt auch die Auflösung, aber auch die Verarbeitungszeit. Das folgende Beispiel zeigt die Erkennung von schwarzen Flecken auf einem Behälter, wenn 0,31-, 2- und 5-Megapixel-Kameras verwendet werden. Wenn die Anzahl der Pixel in den mit diesen Kameras aufgenommenen Binärbildern über das gleiche Sichtfeld verglichen wird, gibt es große Unterschiede in der Anzahl der erkannten Pixel. Dies bedeutet, dass Kameras mit einer höheren Anzahl von Pixeln eine detailliertere Erkennung bieten können. Kameras mit einer höheren Pixelanzahl benötigen dagegen eine längere Verarbeitungszeit.

* Die angegebene Verarbeitungszeit und Anzahl der Pixel sind typische Beispiele. Die Verarbeitungszeit ist das kürzeste Trigger-Intervall.

3Pixels

23Pixels

55Pixels