Báze znalostí: strojové vidění

Strojové vidění je pokročilá technologie, která dává strojům schopnost zachytávat obraz okolí, analyzovat ho a činit rozhodnutí v rámci řízeného procesu. Typicky jde o spojení hardwarových prvků (osvětlení, senzory, kamery, výpočetní jednotka) se specializovaným softwarem, který může využívat jak klasické algoritmy zpracování obrazu, tak i pokročilou umělou inteligenci k interpretaci vizuálních dat

Cílem strojového vidění je nahradit či doplnit lidský zrak při úkolech, jako je kontrola kvality výrobků, rozpoznávání objektů nebo navigace strojů, a to s vyšší rychlostí, přesností a spolehlivostí v průmyslové automatizaci.

1. Využití strojového vidění
2. Strojové vs. počítačové vidění
3. Jak to funguje
4. Komponenty
5. Typy systémů strojového vidění
6. Výhody strojového vidění
7. Co je dobré zohlednit při implementaci

1. Využití strojového vidění

Strojové vidění se používá zejména v průmyslu a logistice. Nejčastěji slouží k automatické kontrole a detekci vad výrobků, k měření a polohování součástek, k identifikaci, třídění a sledování objektů během výroby. Typické aplikace strojového vidění:

• Kontrola kvality a detekce vad: Kamery kontrolují výrobky na výrobní lince a software automaticky rozpoznává defekty (např. povrchové vady, chybějící součástky) a třídí dobré a vadné kusy.
• Čtení textu a kódů: Pokročilé systémy zvládají optické rozpoznávání znaků (OCR) a čtení čárových či datových kódů ve vysoké rychlosti. Tím automatizují sběr dat (např. serializace produktů, sledování šarží, ověření čitelnosti značení) a eliminují potřebu ruční kontroly.
• Měření rozměrů a polohování: Systémy strojového vidění dokáží přesně změřit rozměry výrobků a ověřit jejich správné sestavení podle zadaných tolerancí. Navádějí roboty při montáži či při pick-and-place operacích, kdy kamera například určí polohu a orientaci dílu pro uchopení robotickým ramenem. Často se u toho využivá 3D skenování (např. pro bin picking).
• Identifikace a třídění objektů: Strojové vidění umí rozpoznávat a klasifikovat objekty podle tvaru, barvy či jiných vizuálních rysů. Využívá se například pro třídění výrobků na lince, kontrolu správného etiketování nebo například v zemědělství pro třídění ovoce a zeleniny podle kvality.  
• Speciální aplikace: Ve zdravotnictví se metody strojového vidění uplatňují při analýze lékařských snímků (např. rentgenů, MRI) pro podporu diagnózy. V dopravě a bezpečnosti mohou kamerové systémy automaticky rozpoznávat poznávací značky vozidel nebo detekovat narušení prostoru. Moderní hyperspektrální zobrazování nachází uplatnění v zemědělství (monitoring plodin), potravinářství (detekce kazů či příměsí) i v environmentálním monitoringu.

2. Strojové vs. počítačové vidění

Počítačové vidění (computer vision) je obecnější pojem označující obor výpočetní techniky a umělé inteligence, který se zabývá zpracováním a porozuměním obrazových dat. Může jít o analýzu fotografií a videí nebo rozpoznávání objektů v reálném světě. Spadá sem široké spektrum aplikací od medicínského zobrazování přes autonomní řízení až po biometrickou identifikaci obličejů.

Naproti tomu strojové vidění (machine vision) je oblast počítačového vidění zaměřená na průmyslové využití. Jde tedy o hotová řešení, která integrují metody počítačového vidění do strojů a výrobních procesů. Strojové vidění typicky pracuje v reálném čase na streamu obrazu z průmyslových kamer a plní předem definované úkoly (např. kontrola výrobků, navádění robotů) v prostředí tovární automatizace.

Historicky se tyto pojmy odlišovaly (strojové vidění v průmyslu vs. počítačové vidění v akademické sféře), avšak s rozvojem AI a průmyslu 4.0 se jejich hranice stírají a v moderních továrnách se uplatňují pokročilé algoritmy počítačového vidění v reálných strojových systémech.

3. Jak strojové vidění funguje

Proces strojového vidění v praxi probíhá typicky v těchto krocích:

    1.    Snímání obrazu: Nejprve kamera snímá obraz sledované scény nebo objektu. Je nutné zvolit vhodný typ kamery a nastavit parametry snímání (expoziční čas, frekvenci snímků apod.) tak, aby byl zachycen kvalitní obraz relevantních detailů. Při snímání je klíčové optimální osvětlení scény, které zvýrazní požadované prvky obrazu a potlačí rušivé vlivy (stíny, odlesky). 
    2.    Předzpracování obrazu: Surový obraz z kamery může obsahovat šum nebo nedokonalosti, které by znesnadnily další analýzu. Proto software často provádí předzpracování jako je filtrace šumu, úprava kontrastu, korekce geometrie či jiná vylepšení kvality obrazu.
    3.    Extrakce příznaků: Z obrazu se vytahují podstatné rysy potřebné pro rozhodování. Může jít o detekci hran objektů, rozpoznání tvarů, barevných oblastí, textur apod. V této fázi systém z obrazu získává kvantitativní nebo kvalitativní informace (např. počet a velikost defektů, přítomnost určitého tvaru).
    4.    Rozpoznávání a analýza: Na základě extrahovaných příznaků proběhne samotné vyhodnocení, tj. porovnání s modely nebo hranicemi tolerance. Systém může využívat algoritmy rozpoznávání vzorů, které identifikují, o jaký objekt se jedná nebo zda obraz odpovídá vzoru (např. správný vs. vadný výrobek). Moderní systémy strojového vidění mohou používat i hluboké neuronové sítě natrénované k detekci konkrétních druhů vad či objektů.
    6.    Rozhodnutí: Na základě výsledků analýzy učiní systém rozhodnutí. Například vyhodnotí díl jako vyhovující/nevyhovující, přečte hodnotu z QR kódu, určí polohu objektu pro uchopení robotem apod. Rozhodnutí probíhá automaticky podle nastavených kritérií nebo predikčního modelu.
    7.    Komunikace výsledků: Posledním krokem je předání výsledků dál. Systém typicky vyšle signál do řídicího systému linky (PLC) k vyřazení zmetku, zapíše naměřená data do databáze, navede robot k úkonu apod. Komunikace probíhá často v reálném čase, aby mohl výrobní proces okamžitě reagovat.

4. Komponenty systémů strojového vidění

Typický systém strojového vidění se skládá z několika základních komponent, které společně umožňují snímání a zpracování obrazu:

• Kamera: Základní prvek systému, který snímá obraz scény či objektu. V průmyslu se používají různé typy kamer, např. plošné (area-scan) kamery snímají dvourozměrný obraz celé scény, zatímco řádkové (line-scan) kamery snímají obraz po řádcích a hodí se pro kontinuálně se pohybující materiál. Důležitými parametry jsou rozlišení, rychlost snímání (snímky za sekundu) a citlivost senzoru.
• Osvětlení: Správné nasvětlení objektů je kritické pro získání kvalitního obrazu. Používají se specializované vícebarevné zdroje světla, případně lasery nebo častěji LED panely/prstence/tyče umístěné tak, aby zvýraznily požadované rysy cílového objektu (např. škrábance na povrchu, obrys hrany). Volba typu osvětlení a úhlu dopadu světla výrazně ovlivňuje výslednou kvalitu snímků.
• Optika: Objektiv kamery zaostřuje obraz a určuje zorné pole a hloubku ostrosti. Výběr vhodného objektivu závisí na velikosti snímaného objektu a požadovaném rozlišení detailů. V některých aplikacích se používají i speciální filtry (např. polarizační či barevné filtry) pro potlačení nežádoucích vlivů osvětlení.
• Výpočetní jednotka: Vysoce výkonný počítač nebo specializovaný procesor zpracovává získaná obrazová data v reálném čase. Může jít o průmyslový PC, dedikovaný vision controller nebo procesor integrovaný v těle smartkamery. Tato jednotka provádí obrazové algoritmy od předzpracování (filtrování šumu, zvýšení kontrastu) až po pokročilé analýzy využívající strojové učení, a rozhoduje na základě výsledků detekce.
• Frame grabber (zachytávací/digitalizační karta): Pokud kamera poskytuje analogový nebo speciální vysokorychlostní obrazový výstup, je potřeba mezistupeň pro jeho zachycení a převod do digitální podoby pro počítač. Tuto roli plní frame grabber, tedy hardwarová karta či modul, který zprostředkuje přenos obrazu z kamery do výpočetní jednotky bez ztráty kvality a v požadované rychlosti. U moderních digitálních kamer s rozhraním jako GigE Vision, USB3 nebo CameraLink může být frame grabber integrován v řídicí jednotce nebo odpadá, protože kamera posílá data přímo do počítače.
• Software: Specializovaný software pro zpracování obrazu tvoří mozek celého systému. Obsahuje algoritmy pro analýzu obrazu, detekci objektů a rozhodování. Může jít o kombinaci klasických metod (např. vyhodnocení hran, měření rozměrů) a metod umělé inteligence (neurální sítě pro rozpoznávání obrazových vzorů). Softwarová část často umožňuje také komunikaci s okolními zařízeními (PLC, roboty) a začlenění systému vidění do širšího výrobního procesu.

5. Typy systémů strojového vidění

Konkrétní systémy strojového vidění lze rozlišit do několika kategorií podle konfigurace a účelu:

2D systémy vidění: Pracují s běžným dvourozměrným obrazem. Využívají se ke sledování objektů, čtení čárových kódů, kontrolu značení, kontrolu povrchových vad apod. Mají smysl tam, kde stačí plošný pohled na scénu. Příklady zahrnují kontrolu etiket, detekci škrábanců na rovném povrchu nebo kontrolu kompletnosti výrobku z horního pohledu.

3D systémy vidění: Kromě 2D obrazu snímají i hloubku (třetí rozměr), takže dokážou analyzovat trojrozměrný tvar objektů. Pomocí 3D kamer umí měřit rozměry objektů, zkoumat povrchové profilové nerovnosti a přesně navádět roboty v prostoru. 3D vidění se využívá např. ke kontrole rozměrů odlitků, montáži prostorově složitých sestav nebo navigaci autonomních vozíků. Příkladem je smart kamera Hikrobot SC200A určená k navigaci robotických vozidel.

Barevné systémy vidění: Jsou navrženy tak, aby vyhodnocovaly barvu snímaných objektů. Nacházejí uplatnění třeba v potravinářství nebo textilním průmyslu, kde je potřeba identifikovat objekty či vady podle barevných odchylek. Příkladem může být třídění ovoce podle stupně zralosti, kontrola správného odstínu laku nebo detekce barevných značení na produktech.

Systémy pro rozpoznávání vzorů: Tyto systémy jsou specializované na identifikaci specifických vzorů či tvarů v obraze. Patří sem například technologie pro rozpoznávání obličejů, čtení poznávacích značek, identifikaci znaků (OCR) nebo kontrolu tištěných vzorů na obalech. Algoritmy často využívají strojové učení k naučení a detekci daných vzorů.

Systémy pro analýzu pohybu: Sledují pohybující se objekty nebo změny v čase. Uplatňují se v robotice a automatizaci, kde je potřeba monitorovat trajektorie objektů, detekovat nepravidelnosti pohybu nebo synchronizovat činnost strojů. Mohou být součástí asistenčních systémů pro roboty (např. vidění pro roboty spolupracující s člověkem) či kontroly plynulosti toku materiálu na lince.
 

6. Výhody strojového vidění

Nasazení systémů strojového vidění přináší oproti lidské obsluze či tradičním metodám řadu výhod:

• Konzistentní úroveň kontroly: Strojové vidění dokáže spolehlivě odhalovat vady a odchylky, které by lidský zrak mohl přehlédnout, a to konzistentně po neomezenou dobu. Eliminuje subjektivitu lidské kontroly a zajišťuje jednotný standard kvality každého výrobku.
• Vyšší produktivita: Automatická inspekce probíhá ve vysoké rychlosti (kamerové systémy mohou zpracovat desítky i stovky kusů za minutu) a často přímo za pohybu výrobní linky. Tím se zrychluje výroba a odstraňují úzká místa, kde by ruční kontrola nestíhala.
• Nižší nároky na práci: Systémy vidění mohou fungovat nepřetržitě, neúnavně a v nebezpečných či monotónních provozech. To řeší problém nedostatku pracovních sil u rutinních úkolů, a snižuje chybovost způsobenou lidskou únavou či nepozorností.
• Sběr dat a zpětná vazba: Na rozdíl od lidské kontroly může strojové vidění ukládat podrobné informace o každém zkontrolovaném kusu. Data z kamer lze analyzovat a využít pro statistiky kvality, dohledatelnost vadných šarží, optimalizaci procesu apod. Tím poskytuje cennou zpětnou vazbu pro zlepšování výroby.
• Vyšší bezpečnost: V některých odvětvích jako chemický průmysl, hutnictví apod. může vizuální inspekce představovat riziko pro člověka. Nasazení kamer a automatické kontroly v nebezpečných zónách zvyšuje bezpečnost pracovníků.
   

7. Co je dobré zohlednit při implementaci strojového vidění

Přestože strojové vidění přináší významné přínosy v oblasti kvality, efektivity a automatizace, úspěšné nasazení této technologie vyžaduje promyšlený návrh a důkladnou přípravu. Následující aspekty je vhodné zvážit již v rané fázi projektu:

• Počáteční investice a návratnost: Pořízení komponent strojového vidění, tedy kamer, optiky a osvětlení, představuje určitou vstupní investici. Návratnost se obvykle projeví až v dlouhodobějším horizontu v podobě nižší zmetkovitosti, omezení ruční práce a zvýšené efektivity.
• Nároky na integraci a odborné nastavení: VýsÚspěšné začlenění systému do stávající linky vyžaduje technické know-how, správnou volbu parametrů snímání i komunikaci s nadřazenými řídicími systémy. Spolupráce s odborníky na automatizaci nebo strojové vidění výrazně zjednodušuje celý proces.
• Stabilita prostředí: Systémy strojového vidění nejlépe fungují ve stabilních a kontrolovaných podmínkách. Proměnlivé osvětlení, prach nebo vibrace mohou ovlivnit kvalitu snímků. Je proto důležité věnovat dostatečnou pozornost návrhu osvětlení a ochraně komponent.
• Připravenost na změny v produktu: Pokud se očekává častá změna tvaru nebo vzhledu kontrolovaných výrobků, je vhodné zvolit systémy využívající strojové učení, které se snadněji adaptují na nové varianty.