Die Industriekameras werden zur Visualisierung von Maschinen eingesetzt, oder einfacher gesagt: die Augen eines Roboters/Computers. Menschliche Handlungen werden durch optische Inspektion und automatisierte Prozesse ersetzt. Mit Hilfe von Computer Vision/Machine Vision werden die Prozesse schneller und zuverlässiger, was bedeutet, dass eine kontinuierliche und konsistente Qualität garantiert werden kann.
Diese Qualitätskontrolle erfolgt hauptsächlich auf der Grundlage der 2D-Flächen-Scan Kamera Technologie. Aber 3D-Kameras, Zeilen-Scan-Kameras und hyperspektrale Bildverarbeitung sind ebenfalls wachsende Technologien im Agrarsektor.

Kamera Auswahl

Je nach der vision-Aufgabe muss die richtige Kamera ausgewählt werden. Wichtige Entscheidungen, die getroffen werden müssen, sind:

• Schnittstellentyp (USB3, GigE oder 10GigE)
•    Farb- oder Monochrom Kamera
•    Global Shutter oder Rolling Shutter Kamera-Technologie
•    Auflösung (Anzahl der Pixel Sensor)

Schnittstellentyp (USB3, GigE oder 10GigE)

Machine vision Kameras müssen mit einem Computer verbunden sein. Die Kamera-Schnittstelle ist die Verbindung zwischen der Kamera und dem Computer. Ingenieure haben oft eine Vorliebe für eine bestimmte Schnittstelle, aber wenn dies nicht der Fall ist, ist es wichtig, die Entfernung von der Kamera zum Computer zu kennen. Wenn die Entfernung zwischen der Kamera und dem PC kürzer als 4,6 Meter ist, empfehlen wir die Verwendung einer USB3 Kamera. Ist die Entfernung länger, empfehlen wir die Verwendung von GigE-Kameras. Für weitere Informationen raten wir Ihnen, den folgenden Artikel zu konsultieren: Welche Machine Vision Kamera soll ausgewählt werden?

In diesem Beispiel beträgt der Abstand von der Kamera zum PC mehr als 4,6 Meter, daher empfehlen wir die Verwendung einer GigE Kamera. Wir empfehlen unseren Kunden immer eine Kamera mit PoE. Power over Ethernet (PoE) für GigE ist so konzipiert, dass sowohl Strom als auch Datenkommunikation über ein Standard-Ethernet-Kabel bereitgestellt werden. Dies reduziert die Anzahl der Kabel und die Installationszeit in Applikationen, die keinen Hardware-Trigger oder I/O erfordern.

Farbe oder monochrome Kamera 

Monochrome-Kameras werden häufig in Machine Vision Applikationen eingesetzt. Zum Beispiel, wenn die Anzahl der Produkte gezählt, das Vorhandensein von Objekten überprüft oder Messungen durchgeführt werden müssen, ist ein guter Kontrast erforderlich und eine monochrome Kamera wird verwendet. Die Farbinformationen sind nicht relevant und werden nicht verwendet.

Darüber hinaus ist ein weiterer Vorteil einer monochromen Kamera (Schwarz-Weiß-Foto/-Bild), dass der Sensor bis zu 3 Mal lichtempfindlicher ist und scharfe Bilder produziert als eine Farb-Kamera/Sensor.

Wenn Sie etwas mit Farbinformationen tun möchten, ist eine Kamera erforderlich, die auch als RGB (Rot, Grün, Blau) Kamera bezeichnet wird. RGB-Kameras werden häufig zur Inspektion von Gemüse, Obst und Pflanzen verwendet, da diese Farbinformationen für die Qualitätskontrolle genutzt werden.

Zum Beispiel das Überprüfen auf verschiedene Farben von Flecken/Mängeln an Obst und Gemüse, die grün oder braun sein können. Dieser Farbunterschied kann mit einer monochromen Kamera nicht gesehen werden.
Eine FarbKamera wird immer für Deep Learning-Software verwendet, da das Farbbild zusätzliche Informationen liefert.

In diesem Beispiel verwenden wir eine FarbKamera, da wir eine optische Qualitätskontrolle durchführen möchten und die Flecken/Mängel unterschiedliche Farben enthalten können.

Global Shutter oder Rolling Shutter Kamera 

Wenn die Kamera oder ein Objekt während der Aufnahme von Bildern bewegt wird, ist eine Global Shutter Kamera die beste Wahl. Bei Global Shutter-Kameras werden alle Zeilen/Pixel der Kamera gleichzeitig ausgelesen. Wenn die Kamera und das Objekt stationär sind, kann eine Rolling Shutter Kamera verwendet werden. Wenn sich ein Objekt bewegt und die Technologie des Rolling Shutter Kamera-Systems verwendet wird, wird das Bild verzerrt. Dies liegt daran, dass der Sensor zeilenweise ausgelesen wird. Für weitere Informationen empfehlen wir Ihnen, den folgenden Artikel zu lesen: Rolling Shutter vs Global Shutter.

In diesem Beispiel befinden sich Obst und Gemüse auf einem Förderband zur Qualitätskontrolle und Sortierung. Das Förderband wird während der Kamera -Erfassung nicht gestoppt. In diesem Fall ist eine Global Shutter Kamera erforderlich.

Auflösung (Anzahl Pixel Sensor)

Folgende Informationen sind wichtig, um die richtige Auflösung für die Kamera zu berechnen:

• Das kleinste Detail, das sie sehen/inspizieren möchten
• Der Bereich, den sie inspizieren möchten (Sichtfeld)

Wir empfehlen normalerweise 3 Pixel pro kleinstem Detail für ein stabiles vision-System. In einigen Fällen ist es auch möglich, 2 Pixel pro kleinstem Detail zu verwenden, aber das hängt davon ab, wie gut/stark die Software ist.

In diesem Beispiel möchten wir eine Kamera, die Defekte an Obst und Gemüse mit einer Genauigkeit von 1 mm erkennen kann. Das Obst und Gemüse befindet sich auf einem Förderband, das 80 Zentimeter breit ist. Daher muss der horizontale Sichtbereich 800 mm betragen, und vertikal möchte man in der Lage sein, 600 mm zu sehen.

Wie bereits angegeben, möchten wir 3 Pixel pro kleinstem Detail für ein stabiles vision-System verwenden.

Systemauflösung = 1 mm/3 Pixel = 0,33333333 mm/Pixel

Horizontale Kameraauflösung = 800 mm (horizontales Sichtfeld) / 0,33333333 mm (Systemauflösung) = 2400 Pixel
Vertikale Kameraauflösung = 600 mm (vertikales Sichtfeld) / 0,33333333 mm (Systemauflösung) = 1800 Pixel

Eine Kamera mit 2400 x 1800 Pixeln ist daher geeignet. Basierend auf diesen Informationen können wir eine Kamera auswählen. Die MER2-503-23GC-P (IMX264) ist eine 5MP (2448 x 2048 Pixel) Kamera, die alle oben genannten Anforderungen erfüllt, die wir in den vorherigen Schritten formuliert haben.

Objektiv für IMX264

Ein korrektes Objektiv muss für die Kamera ausgewählt werden. Das Objektiv ist nicht standardmäßig mit einer Kamera enthalten, daher muss das Objektiv immer gekauft werden, um Ihr Computer Vision System zu vervollständigen. Die Machine Vision Kameras, die wir anbieten, haben oft einen c-mount, sodass im Allgemeinen c-mount Objektive häufig verwendet werden. Um das richtige Objektiv zu berechnen, benötigen wir Informationen über den Sichtfeld, den Arbeitsabstand (Abstand von Kamera/Objektiv zum Objekt) und die Sensorgröße der ausgewählten Kamera.
Die Kamera und das Objektiv sind über einem Förderband platziert. In diesem Beispiel möchten wir die Kamera zwischen 700 mm und 1000 mm vom Förderband platzieren. Mit einem horizontalen Sichtfeld von 800 mm und einem Arbeitsabstand von 735 mm beträgt die berechnete Brennweite des Objektiv 8 mm. Siehe unten einen Screenshot des Objektiv-Rechners, der online auf unserer Website verfügbar ist. 



Basierend auf dieser Berechnung und den Kamera-Spezifikationen ist das LCM-5MP-08MM-F1.4-1.5-ND1 Objektiv geeignet.

Machine vision-Beleuchtung zur Inspektion von Früchten, Gemüse und Pflanzen

Zwei Balkenlichter werden häufig verwendet, um Früchte, Gemüse und Pflanzen auf einem Förderband zu beleuchten. Das Förderband ist oft vollständig von Umgebungslicht abgeschottet, um externe Einflüsse zu verhindern und diffuses Licht zu erzeugen. Die Balkenlichter werden quer über dem Förderband platziert und müssen die gesamte Breite des Bandes abdecken. Die Objekte werden von zwei Seiten beleuchtet. Die Balkenlichter müssen in einem bestimmten Winkel angebracht werden, sodass es fast keine Reflexion und keinen Schatten gibt.

Computer Vision-Software zur Qualitätskontrolle und Sortierung von Gemüse, Obst und Pflanzen

Neben der Hardware ist Computer Vision Software erforderlich, um automatisch Defekte zu erkennen. Kunden können selbst Software-Code schreiben oder vorhandene vision Software-Lizenzen nutzen, wie zum Beispiel Zebra Aurora Vision Studio. Aurora Vision ist eine leistungsstarke Machine Vision Software, die speziell entwickelt wurde, um einfach ein vision Programm zu entwerfen. Dank der grafischen Benutzeroberfläche sind keine Programmierkenntnisse erforderlich, um ein vision Programm zu erstellen. Die Software verfügt über eine Werkzeugkiste, die für die Durchführung vieler Machine Vision Aufgaben geeignet ist. Durch die Auswahl der richtigen Werkzeuge können Sie innerhalb von Minuten einen Workflow erstellen. Schwierige Machine Vision Anforderungen können auch mit dem Deep Learning Add-On gelöst werden, das künstliche Intelligenz nutzt, um komplexe Erkennungs- und Identifizierungsprobleme zu lösen.
 
Sie können auch Aurora Vision Lite verwenden, ein kostenloses Demoprogramm von Aurora vision. Sie können Bilder von der Festplatte laden und Ihr eigenes vision-Programm mit allen verfügbaren Machine Vision-Tools im Aurora vision Studio entwerfen.

Wir können auch ein probeprogramm für Sie in Aurora Vision erstellen. Sobald Sie Bilder zur Verfügung haben, können wir ein probeprogramm für Sie in Aurora Vision erstellen. Wir bitten Sie dann, ein Spezifikationsdokument mit dem zu erstellen, was Sie erkennen möchten, und zehn Bilder bereitzustellen.

Machine vision Applikation

Hoffentlich haben die oben genannten Schritte Ihnen geholfen, die richtige Hardware und Software für Ihre Qualitätskontrolle und Sortierung von Gemüse, Obst und Pflanzen mit Computer Vision Applikation auszuwählen.

Wenn Sie weitere Fragen haben, können Sie uns jederzeit kontaktieren. Wir haben über Jahre Erfahrung und Wissen in der Machine Vision-Branche aufgebaut. Wir geben gerne Ratschläge und Kunden können uns für technische Support kontaktieren.