Который обеспечивает компьютерную реализацию системы Sokur System 8 датчиков

Обновлено: 21.11.2024

Часто возникает вопрос о том, какой подход лучше всего использовать при внедрении системы машинного зрения: использовать интеллектуальную камеру или какой-либо подход на базе ПК. Нет никаких сомнений в том, что по мере того, как микропроцессоры, DSP и FPGA становятся быстрее и, следовательно, более функциональными, интеллектуальные камеры становятся умнее. Следовательно, они бросают вызов более «традиционным» подходам к машинному зрению. Примечательно, однако, что «традиционные» подходы также используют преимущества достижений и поэтому также работают быстрее и умнее.

«Традиционные» подходы сегодня чаще всего означают реализацию на базе ПК. Это может быть либо использование камеры с возможностью прямого подключения к ПК (IEEE 1394/Firewire, CameraLink, LVDS, USB и т. д.), либо система, разработанная на основе устройства захвата кадров или другой интеллектуальной платы обработки изображений или механизма машинного зрения. который подключается к ПК. В последнем случае в качестве устройства ввода используются более традиционные аналоговые камеры.

Умная камера, напротив, является автономным устройством. Он включает в себя имидж-сканер, а также «интеллектуальные» и связанные с ним возможности ввода-вывода. Поскольку этот формат напоминает формат многих интеллектуальных датчиков, эти продукты часто называют «датчиками зрения». Однако чаще всего датчик технического зрения имеет ограниченный и фиксированный диапазон производительности, в то время как интеллектуальная камера обладает большей гибкостью или инструментами, которые по своей природе могут быть запрограммированы для обработки многих алгоритмов обработки изображений и прикладных функций. Общепризнано, что система машинного зрения на базе ПК обладает наибольшей гибкостью и, следовательно, способна работать с более широким спектром приложений. Одним из существенных отличий является то, что датчики технического зрения/умные камеры, по сути, представляют собой устройства с одним разъемом, в то время как системы машинного зрения на базе ПК обычно могут обрабатывать несколько входных сигналов с камер.

Еще одна система машинного зрения, которая находится где-то между системой машинного зрения на базе ПК и интеллектуальной камерой/датчиком технического зрения, — это то, что некоторые называют «встроенным компьютером машинного зрения». Система этого типа представляет собой, по сути, автономную коробку с каркасным хранилищем и интеллектом. Как правило, он имеет ограниченную гибкость и поставляется с рядом фиксированных подпрограмм для конкретных приложений. Они отличаются от интеллектуальных камер тем, что камера привязана к устройству, а не является автономной. Часто они могут работать с несколькими камерами, что может быть полезно для многих приложений.

Все эти системы можно найти с формирователями изображений высокого разрешения (номинально 1000 X 1000) и/или цветными формирователями изображений. Интересно, что версии часто имеют конкурентоспособную цену. Некоторые смарт-камеры и практически все функции обработки изображений на базе ПК также могут работать с приложениями, для которых требуются камеры с линейным сканированием.

Чтобы получить представление о том, как поставщики воспринимают различия между этими продуктами и их приложениями, мы опросили всех поставщиков интеллектуальных камер/датчиков технического зрения, устройств видеозахвата и машин машинного зрения. Хотя эти списки включают более 100 компаний, ответы были получены только от 11. Однако эти 11 компаний предлагают репрезентативные продукты каждого из вышеупомянутых классов. Следует понимать, что может быть некоторая предвзятость, основанная на предложении определенного класса продуктов, поскольку не все ответившие компании предлагают продукты в каждом из классов.

Следующие лица любезно ответили на наши вопросы:

Маниш Шелат, Adept Technology, поставщики компьютерных систем машинного зрения
Bud Patel, Applied Vision, поставщики компьютерных систем машинного зрения
Гус Варгас, Aromat, поставщик встроенных компьютерных машин машинного зрения
>Фил Колет, Coreco Imaging, поставщики устройств захвата кадров
Сал Д'Агостино, компьютерные системы распознавания, поставщики машин машинного зрения
Фил Хайль, DVT, поставщики интеллектуальных камер/датчиков зрения
Ив Джоскин , Euresys, поставщики фреймграбберов
Stephane Francois, Leutrek, поставщики фреймграбберов и интеллектуальных камер
Jason Mulliner, National Instruments, поставщики фреймграбберов и машин машинного зрения
Endre Toth, Vision Components, поставщики интеллектуальных камер/датчиков зрения
Vic Wintriss, Wintriss Engineering, поставщики интеллектуальных камер

1. Каковы преимущества и недостатки машинного зрения на базе ПК по сравнению с машинным зрением на основе смарт-камеры?

ФИЛ КОЛЕТ: «На самом деле это две разные технологии, ориентированные преимущественно на два разных сегмента клиентов. Технология, основанная на ПК, в значительной степени ориентирована на тех, кого можно назвать OEM-заказчиком. Технология Smart Camera в значительной степени ориентирована на конечного пользователя. Хотя это не жесткое правило, оно применимо примерно к 90% приложений. Для этого обсуждения я предположу, что покупатель получает две коробки от двух поставщиков. Один — ПК с фреймграбером, камерой, освещением; другой подход — это смарт-камера.

Преимущества машинного зрения на базе ПК:

  • Гибкость. ПК предлагает большую гибкость в выборе вариантов. Например, с ПК можно использовать линейное сканирование вместо камеры с площадным сканированием. Можно использовать сторонние программные пакеты с подходом ПК (Smart Cameras, как правило, представляют собой программное обеспечение с одним исходным кодом).
  • Мощность. ПК, как правило, обладают большей мощностью и скоростью, в значительной степени благодаря быстродействию внутренних процессоров Intel. Эта мощь, в свою очередь, означает, что ПК используются для обработки «более сложных» приложений машинного зрения.

Преимущество умной камеры:

  • Стоимость. Интеллектуальные камеры, как правило, дешевле приобрести и настроить, чем решения для ПК, поскольку они включают в себя камеру, объективы, освещение (иногда), кабели и процессор.
  • Простота. Программные инструменты, доступные для интеллектуальных камер, относятся к типу «укажи и щелкни», и их проще использовать, чем инструменты, доступные на ПК. Алгоритмы поставляются предварительно упакованными, и их не нужно разрабатывать, что позволяет быстрее настроить и использовать умную камеру.
  • Интеграция. Благодаря унифицированной упаковке смарт-камеры легче интегрировать в производственную среду.
  • Надежность. Благодаря меньшему количеству движущихся компонентов (вентиляторы, жесткие диски) и более низким температурам смарт-камеры более надежны, чем ПК.

Решение на базе ПК предлагает огромный набор потенциальных ресурсов с точки зрения производительности вычислений или интерфейса. Платформа ПК по существу является открытой, и она стала настолько популярной, что ее соотношение цены и производительности не имеет себе равных.

Аргумент низкой стоимости особенно актуален для настольных ПК, но иногда утверждается, что механическая слабость обычного настольного ПК несовместима с промышленными требованиями серьезного приложения машинного зрения. Однако по сравнению с более дорогими промышленными ПК недорогие настольные ПК оснащены новейшими процессорами и сопутствующими компонентами, обеспечивающими высочайшую производительность при минимальных затратах.

В целом, принимая во внимание все компромиссы, которые должны быть достигнуты при проектировании, разработчик машинного зрения приходит к выводу, что система на базе ПК является наиболее рентабельным решением. Это лучше всего соответствует его потребности в функциональной эволюции на этапе проектирования, и даже после того, как модернизация системы становится проблемой. Обновление программного обеспечения — это простой способ улучшить функциональность, а обновление аппаратного обеспечения ПК — простой способ повысить производительность.

В таких случаях вычислительные и интерфейсные ресурсы для решения проблемы предсказуемы. Имеет смысл упаковать необходимые ресурсы в один блок, и это определение смарт-камеры. Если (и только если) объем этого специального приложения значителен, стоимость может быть снижена до уровня, который сделает продукт конкурентоспособным по сравнению с решением на базе ПК. Суть в том, что область применения специального назначения определяется заранее. Есть веские основания полагать, что не будет спроса на более высокую производительность или дополнительные функции.

ФИЛ ХЕЙЛ: «У Smart Camera есть процессор в каждой точке контроля. Это дает сети интеллектуальных камер явное преимущество в скорости по сравнению с системой с одним процессором. Ethernet позволяет легко управлять камерами с одного ПК в заводской сети и устраняет проблемы с аппаратной совместимостью ПК и ошибки операционной системы».

ENDRE TOTH: «Прямое соединение ПЗС-матрицы и процессора дает несколько преимуществ в точности, идентичности пикселей (с низким или нулевым дрожанием пикселей). У вас есть контроль над камерой, что обеспечивает гибкость для инженера-конструктора! В случае системы ПК процессор снимается с камеры. Камера, устройство захвата кадров и ПК поставляются тремя разными производителями, что создает проблемы с совместимостью, драйверами и частично реализованным набором функций. Вы пытались реализовать следующую очень простую и очевидную функцию машинного зрения с системой ПК: изменение или регулировка электронного затвора после каждого кадра? Реализовать эту функцию в смарт-камере несложно. Вы можете перечислить множество подобных функций, которые практически происходят из-за разной топологии архитектуры.

Интеллектуальные камеры — это компактные устройства, в то время как система ПК поставляется с большим «багажом». Даже операционная система (часто Windows) имеет много встроенного багажа. Багаж является недостатком в управлении, автоматизации и критически важных промышленных приложениях. Вам просто нужно поговорить с инженерами по управлению, чтобы узнать. В таких приложениях, как самолет, под водой, в шахте, в опасной среде и на таких машинах, как печатный станок, умные камеры имеют определенное преимущество, и их следует учитывать при выборе системы машинного зрения.

В решении для ПК вы собираете свою систему из компонентов, устройства захвата кадров, камеры, ПК и т. д. Эти системные компоненты работают вместе через стандартные интерфейсы.Эти интерфейсы определяют, что и как вы можете делать!

Умные камеры — это открытые встроенные системы. Дизайнер и инженер по управлению полностью контролируют ситуацию, на них можно положиться и можно быть уверенным в том, что произойдет дальше. Инженеру-программисту приходится иметь дело с большим количеством багажа при написании кода машинного зрения для системы ПК. Кроме того, смарт-камеры имеют меньше деталей, меньше компонентов; физически они значительно (во много раз) более компактны, чем компьютерная система. Простое обслуживание, замена и ремонт только одной детали.

Смарт-камера включает значительно меньше кабелей. Интеллектуальные камеры обеспечивают дополнительную гибкость для проектировщика системы. Сегодня системный разработчик может выбрать широкий диапазон топологий для своей конструкции, выбрав из фреймграбберов, встроенных систем машинного зрения, интеллектуальных камер и т. д., и свободно комбинировать их для создания наиболее подходящих и экономически эффективных систем.

Многие современные приложения Smart Camera объединены в сеть. В некоторых случаях смарт-камеры подключаются к ПК, ПЛК и т. д. Смарт-камеры выполняют повторяющиеся функции обработки изображений, предоставляя только результаты на ПК. ПК ведет учет административных задач, для которых он изначально был разработан. Смарт-камеры хорошо вписываются в модные сегодня концепции распределенных вычислений, распределенного управления и т. д.».

VIC WINTRISS: «Преимущества (умной камеры): поскольку видеообработка, требующая больших вычислительных ресурсов, выполняется в камере, системы с несколькими камерами не загружают центральный процессор. Даже с одной камерой для дальнейшей обработки на ПК необходимо передавать только результаты. обычно байты данных вместо мегабайт изображения. Компьютеру для анализа требуется только AOI (область интереса). Глупая камера должна возвращать полную картинку, большую часть которой — мусор. Требования к пропускной способности канала для системы Smart Camera намного меньше. Требования к компьютерным вычислениям для системы Smart Camera намного меньше. Кроме того, дискуссия о подходах, основанных на смарт-камере и ПК, неуместна, потому что это две крайности континуума возможностей конфигурации системы. Существуют гибридные системы, в которых используются как смарт-камеры, так и ПК. На самом деле проблема системного дизайна состоит в том, чтобы распределить необходимые функциональные возможности для соответствующего системного элемента для оптимизации производительности и пригодности. Иногда это приводит к системе Smart Camera, иногда к системе на базе ПК, а иногда лучшим выбором будет гибрид».

САЛЬВАТОР Д'АГОСТИНО: «Расширяемость, простота настройки других типов ввода-вывода, связи, обновлений» — вот преимущества систем машинного зрения на базе ПК».

ДЖЕЙСОН МУЛЛИНЕР: «Используя готовые коммерческие технологии, системы машинного зрения на базе ПК могут использовать высокую производительность современных технологий процессоров и шин. Это обеспечивает большую гибкость благодаря открытому характеру ПК. Клиенты могут выбрать свой интерфейс обработки изображений, будь то аналоговый, параллельный цифровой, Camera Link или IEEE 1394. Они также могут выбрать метод программирования. Заказчику может потребоваться простота использования интерактивной настраиваемой среды или гибкость и мощность полной среды разработки приложений».

СТЕФАН ФРАНСУА резюмирует преимущества системы машинного зрения на базе ПК как "Гибкость, универсальность, масштабируемость".

MANISH SHELAT (с точки зрения применения роботов): «Простота и точность калибровки: когда дело доходит до калибровки, роботизированная система на основе смарт-камеры находится в зачаточном состоянии. Робот или механизм и Smart Camera калибруются отдельно. Интеллектуальная камера вычисляет смещения местоположения детали от известного местоположения и дает указание манипулятору робота поднять деталь в этом смещении от исходного запрограммированного местоположения захвата. Напротив, контроллер робота будет калибровать систему технического зрения и робота в единой системе координат. Затем расположение деталей определяется в том же координатном пространстве с шестью степенями свободы, в котором запрограммирован робот. Это правильный метод калибровки робота и зрения.

  • Стоимость системы с несколькими камерами. Типичные системы машинного зрения на базе ПК могут поддерживать до четырех камер на устройство захвата кадров. В приложениях, требующих нескольких камер, стоимость системы на базе ПК следует сравнивать со стоимостью нескольких смарт-камер.
  • Затраты на связь: смарт-камеры обмениваются данными с контроллерами роботов через последовательный интерфейс (RS-232) или Ethernet. Накладные расходы на связь добавляют задержку связи робота с камерой. Напротив, в случае интегрированной системы движения и обзора затраты на связь минимальны, поскольку все аппаратное и программное обеспечение находится на одной платформе.
  • Бесшовная интеграция движения и зрения: чтобы использовать смарт-камеры, клиент должен выбрать и связать отдельные готовые продукты. Приобретая готовую систему машинного зрения на основе контроллера, клиент вкладывает средства в предварительно спроектированную и предварительно настроенную систему.
  • Размер и вес. Стандартные аналоговые камеры имеют размеры примерно 44 x 29 x 71 мм и весят 140 граммов. Смарт-камеры требуют дополнительной электроники, что увеличивает их размер и вес. Это может быть важным критерием выбора для приложений с ограниченным пространством для установки камеры, а также для камер, устанавливаемых на кронштейне, где критичен импульс рычага или механизма.
  • Потребляемая мощность и тепловыделение. Смарт-камера потребляет больше энергии для дополнительной электроники, что приводит к повышенному тепловыделению. Тепло может со временем ухудшить работу камеры».

ГУС ВАРГОС (комментируя с точки зрения поставщика встроенных систем машинного зрения) отмечает:

a) Ноутбук или ПК не требуются для программирования или настройки устройства (стандартная стоимость ноутбука составляет 2000 долларов США). Имейте в виду, что установка системы машинного зрения с ПК в производственной среде или на производственной площадке довольно обременительна для начала, представьте, что вы тащите ее по рабочему столу.

b) Последовательная связь (связь с ПЛК). Обычно производственные машины, требующие системы визуального контроля, управляются небольшими (компактными) ПЛК (программируемыми логическими контроллерами) ввода-вывода. Такие устройства обычно предоставляют порты последовательной связи (RS232) для других интеллектуальных устройств, таких как считыватель штрих-кодов и машинное зрение. Автономные системы машинного зрения обеспечивают прямую последовательную связь для прямого интерфейса с контроллером (ПЛК). Это обеспечивает эффективную и быструю передачу данных результатов проверки системы технического зрения без необходимости подключения через стандартный ввод-вывод. Который ограничен двоичными данными (пройдено/не пройдено).

c) Для систем машинного зрения на базе ПК требуется Ethernet-связь, поскольку этот тип связи должен использоваться для передачи изображения с камеры на ПК. Проблема с этим подходом заключается в том, что начальная проверка, настройка и мониторинг становятся медленнее из-за стандартного времени обновления ПК (времени обновления). Не говоря уже об обычной сложности настройки сети и устранения неполадок, которая требует обширных знаний об оборудовании ПК и совместимости с оборудованием Windows.

С другой стороны, автономные системы обеспечивают обратную связь в режиме реального времени непосредственно с пользователем/оператором через встроенные видеовыходы. Это упрощает устранение неполадок и настройку».

YVES JOSKIN резюмировал свой ответ в следующей таблице:

Целью этого исследования является решение проблемы неточности получения пользовательских данных от датчиков из-за ограничений области восприятия в пространстве вызываемой реальности (ИК), искажения цветов или узоров освещением, а также блокировки или перекрытия данных пользователя. другими пользователями. Таким образом, диапазон чувствительности расширяется за счет использования нескольких датчиков в ИК-пространстве. Кроме того, данные о пользовательских функциях точно идентифицируются с помощью распознавания пользователем. В частности, несколько датчиков используются, когда считываются не все пользовательские данные, поскольку они перекрываются с данными других пользователей. В предлагаемом подходе все клиенты совместно используют данные о пользовательских функциях с нескольких датчиков. Соответственно, каждый клиент признает, что пользователь является одним и тем же лицом на основе общих данных. Кроме того, точность идентификации повышается за счет определения пользовательских функций на основе цветов и узоров, на которые меньше влияет освещение. Таким образом, возможна точная идентификация данных о пользовательских функциях даже при изменении освещения. Предлагаемая система была реализована на основе стандартов анализа производительности системы. Практичность и производительность системы при идентификации одного и того же человека с помощью предложенного метода были проверены в ходе эксперимента.

Введение

Вызываемая реальность (IR) была в центре внимания многих исследований по загрузке содержимого виртуального мира в реальный мир с использованием различных технологий естественного пользовательского интерфейса (NUI) [1, 2, 6, 8, 12, 14]. ИК-пространство позволяет пользователям взаимодействовать на основе различных типов контента. NUI можно настроить, применив ИК-технологию к внутреннему пространству.

Распознавание одного пользователя с помощью одного или нескольких датчиков в ИК-пространстве приводит только к одному пользовательскому событию. Поэтому технология распознавания, включая распознавание движения или голоса пользователя, может быть легко реализована. Однако при взаимодействии нескольких пользователей в ИК-пространстве датчикам сложно точно идентифицировать события, соответственно выполняемые каждым пользователем, поскольку пользователи блокируют друг друга или перекрывают друг друга [3, 5, 7, 9–11, 13, 16]. .

Кроме того, ИК-пространство не поддерживает постоянно определенную среду. Количество солнечного света или яркость внутреннего освещения влияет на идентификацию пользователя [3, 4, 11, 13, 16].

Целью данного исследования является расширение диапазона обнаружения в ИК-пространстве за счет сведения к минимуму воздействия освещения. Соответственно, решается проблема точной идентификации пользовательских данных из-за блокировки или перекрытия другими пользователями. С этой целью в предлагаемом подходе расширен диапазон зондирования за счет использования нескольких датчиков в ИК-пространстве.Данные о пользовательских функциях точно идентифицируются путем распознавания пользователем. В частности, несколько датчиков используются, если не все пользовательские данные считываются, потому что они перекрываются с данными других пользователей. В предлагаемом подходе все клиенты совместно используют данные о пользовательских функциях с нескольких датчиков. Соответственно, каждый клиент признает, что данный пользователь является одним и тем же лицом на основе общих данных. Кроме того, точность идентификации повышается за счет определения пользовательских функций на основе цветов и узоров, на которые меньше влияет освещение. Таким образом, обеспечивается точная идентификация данных характеристик пользователя даже при изменении освещения. Этот подход к идентификации нескольких пользователей может быть применен к системам конференц-связи на основе ИК-каналов или к системам военной подготовки, основанным на распознавании движений тела. Для этих приложений подход будет сочетать различные технологии, такие как жесты, голос и распознавание лиц.

Оставшаяся часть этого документа организована следующим образом. В разделе 2 изложены тенденции и особенности смежных исследований. В разделе 3 представлен предлагаемый подход для определения характеристик нескольких пользователей в ИК-пространстве. В разделе 4 описывается эксперимент, проведенный по внедрению системы, и анализируются результаты. Раздел 5 завершает статью.

Похожие работы

Люди могут получать персонализированный контент, интуитивно адаптируясь к ИК-пространству. Цель идентификации нескольких пользователей с использованием базовой технологии активно исследуется для предоставления услуг, необходимых каждому пользователю во всех местах в ИК-пространстве [3, 4].

В повседневной жизни датчики определяют физическое количество света, тепла и температуры, а также изменение этих элементов в зависимости от приложений. Эти значения определяются с помощью конкретных сигналов. Например, датчики освещения измеряют яркость, инфракрасные датчики обнаруживают движение объектов, испуская инфракрасные лучи, а веб-камеры позволяют проводить видеоконференции с использованием Интернета или путем передачи видеоизображений в режиме реального времени. В частности, сенсор Kinect от Microsoft был разработан для распознавания физических движений и голоса пользователя без контроллеров с помощью сенсорной технологии.

В некоторых случаях несколько пользователей идентифицируются с помощью одного датчика, который использует цвета и узоры в качестве признаков. Использование только цветовых признаков может повлиять на получаемые изображения в зависимости от изменения освещения. Этот недостаток был компенсирован использованием комбинированных функций шаблона для повышения устойчивости к изменениям освещения. Кроме того, идентификация нескольких пользователей на основе одного датчика ограничена областью обнаружения. Чтобы устранить это ограничение, активно исследуется идентификация нескольких пользователей на основе нескольких датчиков.

Метод Хана [3] использует цветовые гистограммы с информацией о цвете и текстуре, полученной из данных RGB, полученных от Kinect с помощью сенсора Kinect. В этом подходе идентифицируется голова пользователя, входящего в область зондирования; силуэт пользователя быстро изучается путем фиксации соотношения длин других частей тела на основе площади головы. Когда более двух пользователей входят в зону обнаружения, одежда выбирается в качестве признака пользователя, исходя из предположения, что два пользователя редко носят одну и ту же одежду. Подход Хана извлекает силуэт каждого пользователя, входящего в диапазон зондирования, с помощью детектора краев Канни. Он соединяет все гистограммы с окончательной гистограммой пользователя и оценивает угол между двумя гистограммами. Когда угол между двумя гистограммами ниже заданного порога, пользователь идентифицируется как один и тот же человек.

Юмак [15] сосредоточился на повторной идентификации рассказчика. Скелет пользователя обнаруживается, а затем извлекается патч изображения. К фрагменту изображения применяется локальный двоичный шаблон (LBP) и цветовая гистограмма оттенка, насыщенности и значения (HSV). LBP широко используется, потому что на него минимально влияют изменения освещения, и он имеет простую структуру. Цветовая гистограмма может собирать дифференцированные данные из нескольких цветовых каналов. Оценка совпадения оценивается путем сравнения пользовательского шаблона, сохраненного для рассказчика, входящего и выходящего из диапазона сенсорной области с помощью датчика Kinect. Если оценка совпадения выше заданного порога, выбирается соответствующий идентификатор пользователя. Если он не соответствует шаблону пользователя, пользователь классифицируется как новый и добавляется в список.

В настоящем исследовании повторная идентификация пользователя с помощью рассказчика является подходом, используемым для устранения вышеуказанных ограничений. Применяется метод Юмака [15], как описано выше. Кроме того, несколько пользователей идентифицируются с помощью одного датчика, используя цвета и узоры в качестве признаков, используя один датчик Kinect, в то время как все клиенты совместно используют данные о пользовательских функциях с нескольких датчиков. Элементы шаблона используются вместе, чтобы избежать влияния световых эффектов.Соответственно, каждый клиент признает, что пользователь является одним и тем же лицом на основе общих данных. Кроме того, точность идентификации повышается за счет определения пользовательских функций на основе цветов и узоров, на которые меньше влияет освещение. Таким образом, обеспечивается точная идентификация данных пользовательских функций даже при изменении освещения.

Извлечение пользовательских функций для идентификации пользователя

В этом разделе описан предлагаемый алгоритм извлечения пользовательских признаков для идентификации одного и того же человека в ИК-пространстве. Кроме того, описан метод интеграции данных о пользовательских функциях с каждого датчика на сервере.

Идентификация одного и того же человека с помощью нескольких датчиков

Несколько пользователей входят в диапазон зондирования в ИК-пространстве. Клиенты извлекают особенности каждого пользователя. Сервер оценивает сходство между данными о функциях пользователя, полученными от нескольких клиентов, и функциями пользователя в базе данных сервера. Пользователь с наивысшим значением сходства определяется как один и тот же человек. Синхронизация осуществляется путем отправки данных пользователя, который считается одним и тем же лицом, всем клиентам. На рис. 1 показана структура для идентификации одного и того же человека на основе нескольких датчиков.

Структура нескольких датчиков на основе идентификации одного и того же пользователя

Эксперимент по извлечению признаков нескольких пользователей на основе цветов и узоров

При использовании нескольких датчиков в ИК-пространстве один и тот же человек может быть идентифицирован только в том случае, если все датчики точно распознают особенности каждого человека и совместно используют пользовательские данные. Если для этой цели в процедуре используется только один признак, то трудно идентифицировать пользователя, когда несколько пользователей со схожими характеристиками входят в диапазон зондирования. Таким образом, для идентификации пользователя применяются несколько функций, даже если один тип функции одинаков.

При обработке изображений цвета могут искажаться, а узоры или текстуры могут становиться неоднозначными из-за освещения. Кроме того, освещение может вызвать ошибки при извлечении признаков каждого объекта. Постоянное освещение невозможно поддерживать в условиях реального эксперимента.

Извлечение признаков с использованием цветового пространства CIELAB

Цветовое пространство CIELAB применяется для минимизации ошибок, вызванных освещением, а данные о цвете используются в качестве признаков. Цветовое пространство CIELAB позволяет распознавать цветовое сходство, в частности, коэффициент и цветовое пространство, относящиеся к способности человека распознавать цвета. Координаты L в CIELAB относятся к яркости цвета. Координаты A указывают близость к красному как близость к +a, а близость к зеленому как близость к –a.

Чтобы использовать цветовое пространство CIELAB, цветовое пространство 2D-изображения преобразуется из RGB в CIELAB. А гистограммы рассчитываются только для каналов А и В, исключая координаты L, для исключения влияния освещения. Мы извлекаем функции гистограммы на основе CIELAB из головы, верхней и нижней части тела пользователя. Из 2D-изображения мы преобразуем цветовое пространство только в трех частях: голове, верхней части тела и нижней части тела, с заданными размерами для каждой части.

Извлечение признаков текстуры и узора на основе LBP

Наиболее важными характеристиками LBP являются простота эксплуатации и устойчивость к изменениям освещения. После того, как цветовое пространство изображения преобразовано в CIELAB, LBP используется для идентификации текстур и узоров изображения. В качестве данных круговой текстуры значение LBP равно единице, когда пиксель ярче центрального пикселя, когда относительная яркость изменяется в соседних 3*3 пикселях, и равно нулю, когда он темнее. Мы рассчитываем гистограммы для каждого цветового канала и каждого изображения части тела как признака.

Извлечение характеристик роста пользователя

В некоторых случаях несколько пользователей носят одежду одного цвета, текстуры и/или рисунка. В этих случаях для идентификации пользователя применяются функции тригонометрической функции, использующие расстояние до датчика и рост пользователя.

На рис. 2 показано извлечение данных о росте пользователя и расстоянии между датчиком и пользователем, когда несколько пользователей входят в зону охвата датчика.

Тригонометрическая функция, основанная на оценке расстояния и роста пользователя

Характеристика роста пользователя определяется по формуле (1), где x 2 — расстояние между пользователем и датчиком, а x 1 — расстояние между предыдущим датчиком и пользователем. Кроме того, y 2 — это рост пользователя в текущем кадре, а y 1 — рост пользователя в предыдущий кадр. На рис. 3 показано расстояние между датчиком и пользователем, а также рост пользователя.

Расстояние между датчиком и пользователем, а также рост пользователя

Извлечение и идентификация пользовательских функций

Сходство оценивается путем сравнения характеристик пользователя, сохраненных на сервере, и характеристик нескольких пользователей, извлеченных в ИК-пространстве в режиме реального времени.Сравнение между признаками выполняется путем применения формулы для оценки Бхаттачарьи к гистограмме характеристик цвета и узора, извлеченных выше. Расстояние Бхаттачарьи измеряет сходство дискретных или непрерывных распределений вероятностей. Он часто используется для измерения сходства между двумя гистограммами.

Данные функций пользователя сохраняются на сервере. Высотные объекты сравниваются для каждого кадра, а значение касательной оценивается по формуле (1). Значение тангенса становится характеристикой роста пользователя в окончательной формуле подобия.

Извлекаются и применяются различные функции, чтобы определить, что пользователь является одним и тем же человеком, путем сравнения данных со всех датчиков. Формула (2) указывает окончательное сходство путем оценки нескольких значений признаков.

Здесь i — идентификатор пользователя, n — количество функций, a j  – значение признака, b j  – значение веса и S i — окончательное сходство.

Структура единой системы идентификации пользователей

Одна и та же система идентификации пользователей классифицирует роли клиента и сервера. Клиент извлекает данные пользователя о цвете и узоре, а также соотношение роста пользователя в качестве признаков, используя подход для извлечения данных признаков цветов и узоров. Далее клиент передает результаты извлечения на сервер. Сервер сравнивает пользовательские данные от каждого клиента с пользовательскими данными, сохраненными на сервере. Он идентифицирует пользователя с наибольшим сходством, оценивая степень сходства данных пользователя с данными пользователя на сервере. После оценки на сервере данные о пользователе с наибольшим сходством передаются с сервера на клиент. Один и тот же пользователь идентифицируется среди нескольких пользователей с помощью описанной выше процедуры.

Эксперимент и анализ

Предложенная система была реализована для идентификации нескольких пользователей с использованием нескольких датчиков с использованием предложенного подхода. Эксперимент был проведен для анализа производительности идентификации системы.

Цель эксперимента

Целью эксперимента было определить производительность системы в точном определении личности пользователя, индекса проигрывателя Kinect и сходства с каждым клиентом с помощью нескольких датчиков при участии более двух пользователей.

В качестве условия эксперимента была выбрана общая проблема в существующих исследованиях. Эксперимент также имел целью проверить точность предлагаемого метода идентификации одного и того же пользователя среди множества пользователей с помощью статистики. Три основные цели эксперимента заключались в проверке:

Точность идентификации пользователя, когда пользователь выходит из зоны действия нескольких датчиков в ИК-пространстве и снова входит в нее.

Идентификация нескольких пользователей при изменении освещения в ИК-пространстве.

Точность идентификации, когда более двух пользователей, одетых в одежду схожего цвета и рисунка, попадают в поле зрения.

Точность идентификации, как описано выше, была измерена статистически, а практичность предложенного алгоритма проверена с использованием результатов анализа.

Методология эксперимента

Среда разработки эксперимента описана в следующих подразделах.

Среда для разработки эксперимента

Два персональных компьютера (ПК) использовались в качестве системы для идентификации одного и того же пользователя среди нескольких пользователей с помощью нескольких датчиков. Спецификации: Intel(R) Core(TM) i5-4690, GeForce GTX 960, Window 8 и платформа разработки Microsoft Visual Studio 2013. Сенсор оценивался путем подключения двух сенсоров Kinect версии 1 для Windows.

Экспериментальная среда

Эксперимент проводился в прямоугольном инфракрасном пространстве шириной 2 м и длиной 4 м. Когда несколько пользователей были обнаружены с использованием только одного сенсора Kinect, пользователи могли блокировать друг друга или перекрывать друг друга. В этом случае скелет точно распознать не удалось; таким образом, было трудно получить точные пользовательские данные. Для решения этой проблемы использовалось более двух сенсоров Kinect. Область измерения была расширена с помощью нескольких датчиков, а данные о характеристиках пользователя были извлечены под разными углами. Пользователи идентифицировались в режиме реального времени путем подключения одного клиентского ПК к каждому датчику Kinect. И сервер, и клиент были подключены к оставшемуся ПК. Сервер интегрировал данные о функциях пользователя, сравнивал их с данными пользователя на сервере и синхронизировал удостоверение пользователя. На рис. 4 показана среда эксперимента с несколькими датчиками.

Мультисенсорная среда

Экспериментальные данные

Чтобы идентифицировать одного и того же человека среди нескольких пользователей в пространстве с несколькими датчиками, был проведен эксперимент с использованием данных о шести пользователях. В таблице 1 представлены данные о шести пользователях, участвовавших в эксперименте.

Процедура эксперимента

Эксперимент проводится, как описано ниже. Во-первых, сервер сохранял данные о характеристиках пользователя, полученные с помощью датчиков впереди и позади пользователя в ИК-пространстве. Далее участники один за другим вошли в ИК-пространство. Затем каждый клиент визуализировал и подтверждал одного и того же человека среди нескольких участников (пользователей). Наконец, пользователь вышел из диапазона обнаружения нескольких датчиков вместе с несколькими другими пользователями.

Содержание эксперимента

Области фокусировки пользователя были определены в качестве процесса предварительной подготовки перед извлечением цветовых характеристик пользователя при входе в ИК-пространство. Голова пользователя, область живота и часть нижней части тела были обозначены как зоны фокусировки пользователя. Цветовые и узорные особенности этих областей внимания были идентифицированы и использованы в качестве данных о пользовательских функциях.

Извлечение пользовательского цветового признака

Пользовательские цветовые особенности были извлечены с помощью сенсора Kinect. Поскольку цвет состоял из данных RGB, он был преобразован с использованием формулы преобразования цветовой модели CIELAB. Гистограммы значений A и B, за исключением L, соответствующего яркости в CIELAB, были извлечены и использованы в качестве признаков.

На рис. 5 показано RGB-изображение зон фокусировки пользователя и изображение, преобразованное в формат CIELAB. На рис. 6 представлены гистограммы каналов A и B CIELAB. Наибольший вес в эксперименте был присвоен пользовательскому цветовому признаку. В результате эксперимента было установлено, что при увеличении веса цветового признака точность идентификации одного и того же человека у нескольких пользователей была самой высокой.

Часто возникает вопрос о том, какой подход лучше всего использовать при внедрении системы машинного зрения: использовать интеллектуальную камеру или какой-либо подход на базе ПК. Нет никаких сомнений в том, что по мере того, как микропроцессоры, DSP и FPGA становятся быстрее и, следовательно, более функциональными, интеллектуальные камеры становятся умнее. Следовательно, они бросают вызов более «традиционным» подходам к машинному зрению. Примечательно, однако, что «традиционные» подходы также используют преимущества достижений и поэтому также работают быстрее и умнее.

«Традиционные» подходы сегодня чаще всего означают реализацию на базе ПК. Это может быть либо использование камеры с возможностью прямого подключения к ПК (IEEE 1394/Firewire, CameraLink, LVDS, USB и т. д.), либо система, разработанная на основе устройства захвата кадров или другой интеллектуальной платы обработки изображений или механизма машинного зрения. который подключается к ПК. В последнем случае в качестве устройства ввода используются более традиционные аналоговые камеры.

Умная камера, напротив, является автономным устройством. Он включает в себя имидж-сканер, а также «интеллектуальные» и связанные с ним возможности ввода-вывода. Поскольку этот формат напоминает формат многих интеллектуальных датчиков, эти продукты часто называют «датчиками зрения». Однако чаще всего датчик технического зрения имеет ограниченный и фиксированный диапазон производительности, в то время как интеллектуальная камера обладает большей гибкостью или инструментами, которые по своей природе могут быть запрограммированы для обработки многих алгоритмов обработки изображений и прикладных функций. Общепризнано, что система машинного зрения на базе ПК обладает наибольшей гибкостью и, следовательно, способна работать с более широким спектром приложений. Одним из существенных отличий является то, что датчики технического зрения/умные камеры, по сути, представляют собой устройства с одним разъемом, в то время как системы машинного зрения на базе ПК обычно могут обрабатывать несколько входных сигналов с камер.

Еще одна система машинного зрения, которая находится где-то между системой машинного зрения на базе ПК и интеллектуальной камерой/датчиком технического зрения, — это то, что некоторые называют «встроенным компьютером машинного зрения». Система этого типа представляет собой, по сути, автономную коробку с каркасным хранилищем и интеллектом. Как правило, он имеет ограниченную гибкость и поставляется с рядом фиксированных подпрограмм для конкретных приложений. Они отличаются от интеллектуальных камер тем, что камера привязана к устройству, а не является автономной. Часто они могут работать с несколькими камерами, что может быть полезно для многих приложений.

Все эти системы можно найти с формирователями изображений высокого разрешения (номинально 1000 X 1000) и/или цветными формирователями изображений. Интересно, что версии часто имеют конкурентоспособную цену. Некоторые смарт-камеры и практически все функции обработки изображений на базе ПК также могут работать с приложениями, для которых требуются камеры с линейным сканированием.

Чтобы получить представление о том, как поставщики воспринимают различия между этими продуктами и их приложениями, мы опросили всех поставщиков интеллектуальных камер/датчиков технического зрения, устройств видеозахвата и машин машинного зрения. Хотя эти списки включают более 100 компаний, ответы были получены только от 11. Однако эти 11 компаний предлагают репрезентативные продукты каждого из вышеупомянутых классов. Следует понимать, что может быть некоторая предвзятость, основанная на предложении определенного класса продуктов, поскольку не все ответившие компании предлагают продукты в каждом из классов.

Следующие лица любезно ответили на наши вопросы:

Маниш Шелат, Adept Technology, поставщики компьютерных систем машинного зрения
Bud Patel, Applied Vision, поставщики компьютерных систем машинного зрения
Гус Варгас, Aromat, поставщик встроенных компьютерных машин машинного зрения
>Фил Колет, Coreco Imaging, поставщики устройств захвата кадров
Сал Д'Агостино, компьютерные системы распознавания, поставщики машин машинного зрения
Фил Хайль, DVT, поставщики интеллектуальных камер/датчиков зрения
Ив Джоскин , Euresys, поставщики фреймграбберов
Stephane Francois, Leutrek, поставщики фреймграбберов и интеллектуальных камер
Jason Mulliner, National Instruments, поставщики фреймграбберов и машин машинного зрения
Endre Toth, Vision Components, поставщики интеллектуальных камер/датчиков зрения
Vic Wintriss, Wintriss Engineering, поставщики интеллектуальных камер

1. Каковы преимущества и недостатки машинного зрения на базе ПК по сравнению с машинным зрением на основе смарт-камеры?

ФИЛ КОЛЕТ: «На самом деле это две разные технологии, ориентированные преимущественно на два разных сегмента клиентов. Технология, основанная на ПК, в значительной степени ориентирована на тех, кого можно назвать OEM-заказчиком. Технология Smart Camera в значительной степени ориентирована на конечного пользователя. Хотя это не жесткое правило, оно применимо примерно к 90% приложений. Для этого обсуждения я предположу, что покупатель получает две коробки от двух поставщиков. Один — ПК с фреймграбером, камерой, освещением; другой подход — это смарт-камера.

Преимущества машинного зрения на базе ПК:

  • Гибкость. ПК предлагает большую гибкость в выборе вариантов. Например, с ПК можно использовать линейное сканирование вместо камеры с площадным сканированием. Можно использовать сторонние программные пакеты с подходом ПК (Smart Cameras, как правило, представляют собой программное обеспечение с одним исходным кодом).
  • Мощность. ПК, как правило, обладают большей мощностью и скоростью, в значительной степени благодаря быстродействию внутренних процессоров Intel. Эта мощь, в свою очередь, означает, что ПК используются для обработки «более сложных» приложений машинного зрения.

Преимущество умной камеры:

  • Стоимость. Интеллектуальные камеры, как правило, дешевле приобрести и настроить, чем решения для ПК, поскольку они включают в себя камеру, объективы, освещение (иногда), кабели и процессор.
  • Простота. Программные инструменты, доступные для интеллектуальных камер, относятся к типу «укажи и щелкни», и их проще использовать, чем инструменты, доступные на ПК. Алгоритмы поставляются предварительно упакованными, и их не нужно разрабатывать, что позволяет быстрее настроить и использовать умную камеру.
  • Интеграция. Благодаря унифицированной упаковке смарт-камеры легче интегрировать в производственную среду.
  • Надежность. Благодаря меньшему количеству движущихся компонентов (вентиляторы, жесткие диски) и более низким температурам смарт-камеры более надежны, чем ПК.

Решение на базе ПК предлагает огромный набор потенциальных ресурсов с точки зрения производительности вычислений или интерфейса. Платформа ПК по существу является открытой, и она стала настолько популярной, что ее соотношение цены и производительности не имеет себе равных.

Аргумент низкой стоимости особенно актуален для настольных ПК, но иногда утверждается, что механическая слабость обычного настольного ПК несовместима с промышленными требованиями серьезного приложения машинного зрения. Однако по сравнению с более дорогими промышленными ПК недорогие настольные ПК оснащены новейшими процессорами и сопутствующими компонентами, обеспечивающими высочайшую производительность при минимальных затратах.

В целом, принимая во внимание все компромиссы, которые должны быть достигнуты при проектировании, разработчик машинного зрения приходит к выводу, что система на базе ПК является наиболее рентабельным решением. Это лучше всего соответствует его потребности в функциональной эволюции на этапе проектирования, и даже после того, как модернизация системы становится проблемой. Обновление программного обеспечения — это простой способ улучшить функциональность, а обновление аппаратного обеспечения ПК — простой способ повысить производительность.

В таких случаях вычислительные и интерфейсные ресурсы для решения проблемы предсказуемы. Имеет смысл упаковать необходимые ресурсы в один блок, и это определение смарт-камеры. Если (и только если) объем этого специального приложения значителен, стоимость может быть снижена до уровня, который сделает продукт конкурентоспособным по сравнению с решением на базе ПК. Суть в том, что область применения специального назначения определяется заранее. Есть веские основания полагать, что не будет спроса на более высокую производительность или дополнительные функции.

ФИЛ ХЕЙЛ: «У Smart Camera есть процессор в каждой точке контроля. Это дает сети интеллектуальных камер явное преимущество в скорости по сравнению с системой с одним процессором. Ethernet позволяет легко управлять камерами с одного ПК в заводской сети и устраняет проблемы с аппаратной совместимостью ПК и ошибки операционной системы».

ENDRE TOTH: «Прямое соединение ПЗС-матрицы и процессора дает несколько преимуществ в точности, идентичности пикселей (с низким или нулевым дрожанием пикселей). У вас есть контроль над камерой, что обеспечивает гибкость для инженера-конструктора! В случае системы ПК процессор снимается с камеры. Камера, устройство захвата кадров и ПК поставляются тремя разными производителями, что создает проблемы с совместимостью, драйверами и частично реализованным набором функций. Вы пытались реализовать следующую очень простую и очевидную функцию машинного зрения с системой ПК: изменение или регулировка электронного затвора после каждого кадра? Реализовать эту функцию в смарт-камере несложно. Вы можете перечислить множество подобных функций, которые практически происходят из-за разной топологии архитектуры.

Интеллектуальные камеры — это компактные устройства, в то время как система ПК поставляется с большим «багажом». Даже операционная система (часто Windows) имеет много встроенного багажа. Багаж является недостатком в управлении, автоматизации и критически важных промышленных приложениях. Вам просто нужно поговорить с инженерами по управлению, чтобы узнать. В таких приложениях, как самолет, под водой, в шахте, в опасной среде и на таких машинах, как печатный станок, умные камеры имеют определенное преимущество, и их следует учитывать при выборе системы машинного зрения.

В решении для ПК вы собираете свою систему из компонентов, устройства захвата кадров, камеры, ПК и т. д. Эти системные компоненты работают вместе через стандартные интерфейсы. Эти интерфейсы определяют, что и как вы можете делать!

Умные камеры — это открытые встроенные системы. Дизайнер и инженер по управлению полностью контролируют ситуацию, на них можно положиться и можно быть уверенным в том, что произойдет дальше. Инженеру-программисту приходится иметь дело с большим количеством багажа при написании кода машинного зрения для системы ПК. Кроме того, смарт-камеры имеют меньше деталей, меньше компонентов; физически они значительно (во много раз) более компактны, чем компьютерная система. Простое обслуживание, замена и ремонт только одной детали.

Смарт-камера включает значительно меньше кабелей. Интеллектуальные камеры обеспечивают дополнительную гибкость для проектировщика системы. Сегодня системный разработчик может выбрать широкий диапазон топологий для своей конструкции, выбрав из фреймграбберов, встроенных систем машинного зрения, интеллектуальных камер и т. д., и свободно комбинировать их для создания наиболее подходящих и экономически эффективных систем.

Многие современные приложения Smart Camera объединены в сеть. В некоторых случаях смарт-камеры подключаются к ПК, ПЛК и т. д. Смарт-камеры выполняют повторяющиеся функции обработки изображений, предоставляя только результаты на ПК. ПК ведет учет административных задач, для которых он изначально был разработан. Смарт-камеры хорошо вписываются в модные сегодня концепции распределенных вычислений, распределенного управления и т. д.».

VIC WINTRISS: «Преимущества (умной камеры): поскольку видеообработка, требующая больших вычислительных ресурсов, выполняется в камере, системы с несколькими камерами не загружают центральный процессор. Даже с одной камерой для дальнейшей обработки на ПК необходимо передавать только результаты. обычно байты данных вместо мегабайт изображения. Компьютеру для анализа требуется только AOI (область интереса). Глупая камера должна возвращать полную картинку, большую часть которой — мусор. Требования к пропускной способности канала для системы Smart Camera намного меньше. Требования к компьютерным вычислениям для системы Smart Camera намного меньше. Кроме того, дискуссия о подходах, основанных на смарт-камере и ПК, неуместна, потому что это две крайности континуума возможностей конфигурации системы. Существуют гибридные системы, в которых используются как смарт-камеры, так и ПК. На самом деле проблема системного дизайна состоит в том, чтобы распределить необходимые функциональные возможности для соответствующего системного элемента для оптимизации производительности и пригодности. Иногда это приводит к системе Smart Camera, иногда к системе на базе ПК, а иногда лучшим выбором будет гибрид».

САЛЬВАТОР Д'АГОСТИНО: «Расширяемость, простота настройки других типов ввода-вывода, связи, обновлений» — вот преимущества систем машинного зрения на базе ПК».

ДЖЕЙСОН МУЛЛИНЕР: «Используя готовые коммерческие технологии, системы машинного зрения на базе ПК могут использовать высокую производительность современных технологий процессоров и шин. Это обеспечивает большую гибкость благодаря открытому характеру ПК. Клиенты могут выбрать свой интерфейс обработки изображений, будь то аналоговый, параллельный цифровой, Camera Link или IEEE 1394. Они также могут выбрать метод программирования. Заказчику может потребоваться простота использования интерактивной настраиваемой среды или гибкость и мощность полной среды разработки приложений».

СТЕФАН ФРАНСУА резюмирует преимущества системы машинного зрения на базе ПК как "Гибкость, универсальность, масштабируемость".

MANISH SHELAT (с точки зрения применения роботов): «Простота и точность калибровки: когда дело доходит до калибровки, роботизированная система на основе смарт-камеры находится в зачаточном состоянии. Робот или механизм и Smart Camera калибруются отдельно. Интеллектуальная камера вычисляет смещения местоположения детали от известного местоположения и дает указание манипулятору робота поднять деталь в этом смещении от исходного запрограммированного местоположения захвата. Напротив, контроллер робота будет калибровать систему технического зрения и робота в единой системе координат. Затем расположение деталей определяется в том же координатном пространстве с шестью степенями свободы, в котором запрограммирован робот. Это правильный метод калибровки робота и зрения.

  • Стоимость системы с несколькими камерами. Типичные системы машинного зрения на базе ПК могут поддерживать до четырех камер на устройство захвата кадров. В приложениях, требующих нескольких камер, стоимость системы на базе ПК следует сравнивать со стоимостью нескольких смарт-камер.
  • Затраты на связь: смарт-камеры обмениваются данными с контроллерами роботов через последовательный интерфейс (RS-232) или Ethernet. Накладные расходы на связь добавляют задержку связи робота с камерой. Напротив, в случае интегрированной системы движения и обзора затраты на связь минимальны, поскольку все аппаратное и программное обеспечение находится на одной платформе.
  • Бесшовная интеграция движения и зрения: чтобы использовать смарт-камеры, клиент должен выбрать и связать отдельные готовые продукты. Приобретая готовую систему машинного зрения на основе контроллера, клиент вкладывает средства в предварительно спроектированную и предварительно настроенную систему.
  • Размер и вес. Стандартные аналоговые камеры имеют размеры примерно 44 x 29 x 71 мм и весят 140 граммов. Смарт-камеры требуют дополнительной электроники, что увеличивает их размер и вес. Это может быть важным критерием выбора для приложений с ограниченным пространством для установки камеры, а также для камер, устанавливаемых на кронштейне, где критичен импульс рычага или механизма.
  • Потребляемая мощность и тепловыделение. Смарт-камера потребляет больше энергии для дополнительной электроники, что приводит к повышенному тепловыделению. Тепло может со временем ухудшить работу камеры».

ГУС ВАРГОС (комментируя с точки зрения поставщика встроенных систем машинного зрения) отмечает:

a) Ноутбук или ПК не требуются для программирования или настройки устройства (стандартная стоимость ноутбука составляет 2000 долларов США). Имейте в виду, что установка системы машинного зрения с ПК в производственной среде или на производственной площадке довольно обременительна для начала, представьте, что вы тащите ее по рабочему столу.

b) Последовательная связь (связь с ПЛК). Обычно производственные машины, требующие системы визуального контроля, управляются небольшими (компактными) ПЛК (программируемыми логическими контроллерами) ввода-вывода. Такие устройства обычно предоставляют порты последовательной связи (RS232) для других интеллектуальных устройств, таких как считыватель штрих-кодов и машинное зрение. Автономные системы машинного зрения обеспечивают прямую последовательную связь для прямого интерфейса с контроллером (ПЛК). Это обеспечивает эффективную и быструю передачу данных результатов проверки системы технического зрения без необходимости подключения через стандартный ввод-вывод. Который ограничен двоичными данными (пройдено/не пройдено).

c) Для систем машинного зрения на базе ПК требуется Ethernet-связь, поскольку этот тип связи должен использоваться для передачи изображения с камеры на ПК. Проблема с этим подходом заключается в том, что начальная проверка, настройка и мониторинг становятся медленнее из-за стандартного времени обновления ПК (времени обновления). Не говоря уже об обычной сложности настройки сети и устранения неполадок, которая требует обширных знаний об оборудовании ПК и совместимости с оборудованием Windows.

С другой стороны, автономные системы обеспечивают обратную связь в режиме реального времени непосредственно с пользователем/оператором через встроенные видеовыходы. Это упрощает устранение неполадок и настройку».

YVES JOSKIN резюмировал свой ответ в следующей таблице:

Читайте также: