AYXWORKS verwendet notwendige Cookies, damit die Website funktioniert. Analyse- und Werbe-Cookies, einschließlich Drittanbieter-Cookies von Google, werden nur geladen, wenn du sie erlaubst. Du kannst das jederzeit unter „Cookie-Einstellungen“ unten auf der Seite ändern.
Bildverarbeitung, Inspektion, Sensorik und Roboterführung.
Quellen geprüft: 2026-10-14
16
Maschinelles Sehen
VIS-001
Was ist maschinelles Sehen und wann braucht es KI?
Maschinelle Bildverarbeitung verwendet Bilder oder damit verbundene visuelle Messungen, um einen Prozess zu prüfen, zu identifizieren, zu messen oder zu steuern. Es braucht nicht immer KI. Stabile Geometrie und gut kontrollierte Beleuchtung können von herkömmlichen Algorithmen effektiv gehandhabt werden; Erlernte Modelle können hilfreich sein, wenn das Erscheinungsbild für handgeschriebene Regeln zu stark variiert.
Erklärung, Beispiele und Quellen
Definieren Sie zunächst die Entscheidung: Fehler vorhanden, Maß innerhalb der Toleranz, korrekte Beschriftung oder verwendbare Pick-Pose. Testen Sie dann eine einfache Basislinie, bevor Sie das Modelltraining hinzufügen. Behalten Sie Beleuchtung, Kameraplatzierung und Teilepräsentation im Auge; KI kann Informationen, die das Bild nie erfasst hat, nicht zuverlässig wiederherstellen. Messen Sie falsche Annahmen und falsche Ablehnungen anhand der geschäftlichen und sicherheitsrelevanten Konsequenzen. Die Gesamtgenauigkeit eines Klassifikators reicht nicht aus, wenn seltene Fehler der Grund für die Installation des Systems sind.
Sollte ein Inspektions- oder Kommissioniersystem 2D- oder 3D-Vision verwenden?
Verwenden Sie 2D, wenn die erforderlichen Informationen in der Bildebene unter kontrollierter Geometrie sichtbar sind, z. B. viele Beschriftungen, Kanten und Oberflächenprüfungen. Verwenden Sie Tiefen- oder 3D-Informationen, wenn Höhe, Form, Volumen oder Objekthaltung entscheidend sind. Der Bedarf ergibt sich aus der Messung und nicht aus der Tatsache, dass 3D ein höherwertiges Upgrade darstellt.
Erklärung, Beispiele und Quellen
Für eine Etikettenprüfung von oben nach unten ist möglicherweise keine Tiefe erforderlich. Das Aufnehmen überlappender Teile aus einem Behälter ist häufig der Fall. Testen Sie Oberflächenmaterial, Okklusion, Sichtfeld und erforderliche Auflösung im Arbeitsabstand. Planen Sie Zeit für Beleuchtung, Kalibrierung und Roboterintegration ein, nicht nur für den Sensorkauf. Ein 3D-System kann immer noch mit transparenten oder reflektierenden Teilen zu kämpfen haben, und ein einfacher 2D-Aufbau kann ihm bei der richtigen Aufgabe überlegen sein. Validieren Sie den endgültigen Fehler am Prozessausgang, nicht nur die nominelle Präzision der Kamera.
Warum sind Beleuchtung, Kalibrierung und Koordinatenrahmen für die Robotersicht von entscheidender Bedeutung?
Die Beleuchtung bestimmt, was der Sensor beobachten kann, die Kalibrierung ordnet Messungen einem Modell zu und Koordinatenrahmen verbinden Kamerainformationen mit der Roboterbewegung. Fehler in einem dieser Punkte können dazu führen, dass eine visuell überzeugende Erkennung zu einer falschen Messung oder Bewegung führt. Ein KI-Ergebnis mit hoher Zuverlässigkeit korrigiert keine falsche geometrische Transformation.
Erklärung, Beispiele und Quellen
Zeichnen Sie Kameraeigenschaften, Verzerrungen, Kamera-Roboter-Beziehungen, Werkzeugrahmen und die von jeder Schnittstelle verwendeten Einheiten auf. Überprüfen Sie die Transformationsrichtung und die Zeitstempel anhand bekannter Ziele, bevor Sie sich der Ausrüstung nähern. Testen Sie die gesamte Kette an mehreren Positionen und Ausrichtungen im gesamten Arbeitsvolumen. Überprüfen Sie die Prüfung erneut, nachdem Sie das Objektiv, die Kamerahalterung, das Werkzeug oder die Halterung gewechselt haben. Sorgen Sie dafür, dass die Kalibrierungsdaten mit der Hardware-Anordnung versioniert sind, damit eine mechanische Anpassung nicht stillschweigend die gespeicherte Konfiguration ungültig macht.
Wie sollte ich ein Bildverarbeitungssystem vor der Produktion validieren?
Testen Sie es an repräsentativen und schwierigen Fällen, die nicht zur Optimierung des Systems verwendet wurden. Messen Sie die Fehler, die für den Prozess von Bedeutung sind, einschließlich falscher Annahmen, falscher Zurückweisungen, unsicherer Ergebnisse und fehlgeschlagener Erfassungen. Validieren Sie die erwarteten Variationen bei Teilen, Beleuchtung, Positionen und Betriebsbedingungen anstelle eines kuratierten Bildsatzes.
Erklärung, Beispiele und Quellen
Teilen Sie die Daten auf, sodass nahezu doppelte Bilder desselben Teils oder derselben Produktionscharge zwischen Schulung und Test nicht verloren gehen. Fügen Sie beschädigte, grenzwertige und unbekannte Beispiele mit unabhängig überprüften Etiketten hinzu. Definieren Sie Schwellenwertauswahl, Eskalation und Driftüberwachung vor dem Start. Messen Sie bei einem geführten Roboter auch Pose und Auswahlergebnisse, nicht nur Bildbeschriftungen. Behalten Sie einen versionierten Abnahmedatensatz bei und führen Sie ihn nach Modell-, Optik- oder Beleuchtungsänderungen erneut aus. Wenn die visuelle Ausgabe eine Schutzfunktion unterstützt, ist die Bewertung eines gewöhnlichen Modells kein ausreichender Sicherheitsbeweis.
Wie unterscheiden sich Erkennung, Segmentierung, Klassifizierung und Anomalieerkennung?
Durch die Klassifizierung wird einer Eingabe eine Bezeichnung zugewiesen. Die Objekterkennung lokalisiert Instanzen, häufig mit Begrenzungsrahmen. Segmentierung beschriftet Bildbereiche oder Pixel; Die Anomalieerkennung markiert Abweichungen von einem erlernten oder definierten Normalmuster. Wählen Sie die Ausgabe, die der Prozess tatsächlich benötigt, anstatt das ausgefeilteste verfügbare Modell zu verwenden.
Erklärung, Beispiele und Quellen
Ein Sortiertor benötigt möglicherweise nur eine Kategorie, während ein Greifer möglicherweise eine Objektgrenze und -position benötigt. Die Erkennung von Anomalien kann nützlich sein, wenn die Fehler vielfältig sind, ein hoher Anomaliewert jedoch weder den Fehler erklärt noch beweist, dass eine Ablehnung gerechtfertigt ist. Definieren Sie Annotationsregeln und mehrdeutige Fälle, bevor Sie einen großen Datensatz erfassen. Bewerten Sie den gesamten Entscheidungspfad, einschließlich Schwellenwerten und Umgang mit unsicheren Ergebnissen. Detailliertere Vorhersagen können den Annotations- und Validierungsaufwand erhöhen, ohne die endgültige Entscheidung zu verbessern.