Optische sorteer machine vision systemen
Steeds meer bedrijven in de agrarische sector investeren in automatisering, hiervoor worden industriële camera’s en slimme software (AI) gebruikt optische kwaliteitscontrole en sortering van groenten, fruit en planten.
De industriële camera’s worden ingezet voor visualisatie van machines, ofwel de ogen van een robot/computer. Menselijk handelen wordt vervangen door optische inspectie en geautomatiseerde processen. Met behulp van computer vision/machine vision worden processen sneller en betrouwbaarder, hierdoor kan continue en consistente kwaliteit worden gewaarborgd.
Deze kwaliteit controle wordt met name gedaan op basis van 2D areascan cameratechnologie. Maar ook 3D camera’s, line scan camera’s en hyper spectrale beeldverwerking is een groeiende technologie binnen de agrarische sector.
Table of contents
Type interface (USB3 of GigE)
Machine vision camera’s moeten worden aangesloten op een computer. De camera interface is de verbinding tussen de camera en de computer. Vaak hebben engineers een voorkeur voor een bepaalde interface. Indien dit niet het geval is, dan is het belangrijk om te weten wat de afstand is van de camera tot de computer. Indien de afstand tussen de camera en pc korter is dan 4.6 meter adviseren wij een USB3 camera te gebruiken. Mocht dat afstand langer zijn adviseren wij GigE camera’s te gebruiken. Voor meer informatie adviseren wij u het volgende artikel te raadplegen, Which machine vision camera to select?
In dit voorbeeld is de afstand van de camera tot de PC meer dan 4.6meter, dus wel gebruiken een GigE camera. Wij adviseren onze klanten altijd een camera met PoE. Power over Ethernet (PoE) voor GigE is ontworpen om zowel stroom als datacommunicatie te bieden via een standaard Ethernet-kabel. Dit vermindert het aantal kabels en de installatietijd, in toepassingen die geen hardwaretrigger of I/O vereisen.
Kleur of monochrome camera
In machine vision applicaties worden vaak monochrome camera’s gebruikt. Als bijvoorbeeld het aantal producten moet worden geteld, wordt gekeken naar aanwezigheid of wordt gemeten, dan is goed contrast nodig en wordt een monochrome camera gebruikt. De kleuren informatie is niet relevant en wordt niet gebruikt.
Daarnaast is een bijkomend voordeel van een monochrome camera (zwart-wit foto/beeld) dat de sensor tot 3 keer lichtgevoeliger is en scherpe beelden maakt dan een kleuren camera/sensor.
Indien men iets wilt doen met kleuren informatie is een kleuren camera vereist, ook wel RGB (Rood, Groen, Blauw) camera genoemd. Vaak worden er kleuren camera’s gebruikt voor het inspecteren van groente, fruit en planten, omdat deze kleuren informatie wordt gebruikt voor kwaliteitscontrole.
Bijvoorbeeld het controleren op verschillende kleuren van plekken/defecten op groente en fruit, deze kunnen groen of bruin zijn. Met een monochrome camera kan dit verschil in kleur niet worden waargenomen.
Voor Deep Learning software wordt eigenlijk altijd een kleuren camera gebruikt, want het kleuren beeld geeft extra informatie.
In dit voorbeeld gebruiken we een kleuren camera, omdat er kwaliteit controle wordt uitgevoerd en de afwijkingen verschillende kleuren kunnen bevatten.
Global Shutter of Rolling Shutter camera
Als de camera of een object beweegt tijdens het nemen ban beelden dan is een Global Shutter camera’s de beste keuze. Bij Global Shutter camera’s worden alle lijnen/pixels van de camera tegelijk uitgelezen. Als de camera en het object stil staat kan een Rolling Shutter camera worden gebruikt. Als een object beweegt en er wordt een Rolling Shutter cameratechnologie gebruikt, dan heeft het beeld vervorming. Dit komt doordat de sensor lijn per lijn wordt uitgelezen. Voor meer informatie adviseren wij u het volgende artikel te raadplegen, Rolling Shutter vs Global Shutter.
In dit voorbeeld ligt er groente en fruit op een lopend band voor kwaliteit controle en sortering. De lopende band wordt niet stil gezet tijdens camera acquisitie. In dit geval is dus een Global Shutter camera vereist.
Resolutie (aantal pixels sensor)
Om de juiste resolutie voor de camera te berekenen is onderstaande informatie van belang:
- Het kleinste detail dat men wilt zien/inspecteren
- Het gebied wat men wilt inspecteren (Field Of View)
Doorgaans adviseren wij 3 pixels per kleinste detail te nemen voor een robuust vision systeem. In sommige gevallen is het ook mogelijk om 2 pixels te gebruiken per kleinste detail, maar dit is afhankelijk van hoe goed de software is.
In dit voorbeeld willen we een camera die 1mm nauwkeurig defecten kan zien op groente en fruit. De groente en fruit liggen op een lopende band van 80 centimeter breed. Dus men wilt een horizontaal field of view van 800mm en verticaal wilt men 600mm kunnen zien.
Zoals eerder aangegeven willen wij 3 pixels per kleinste detail gebruiken voor een robuust vision systeem.
Systemresolution = 1mm/3pixels= 0.33333333 mm/pixel
Horizontale resolutie = 800 mm (horizontal FOV) / 0.33333333mm (systemresolution) = 2400pixels
Verticale resolutie = 600 mm (vertical FOV) / 0.33333333mm (systemresolution) = 1800pixels
Een camera met 2400 x 1800 pixels is dus geschikt. Op basis van deze informatie kunnen we een camera selecteren. De MER2-503-23GC-P (IMX264) is een 5MP (2448 x 2048 pixels) camera die voldoet aan alle bovenstaande vereisten die we in eerdere stappen hebben geformuleerd.
Lens selectie voor IMX264
Bij de camera moet een juiste lens worden geselecteerd. De lens zit niet standaard bij een camera, de lens moet dus altijd worden aangeschaft. De machine vision camera’s die wij aanbieden hebben vaak een c-mount, dus over het algemeen worden vaak c-mount lenzen gebruikt. Om de juiste lens te berekenen hebben we informatie over het field of view nodig, de werkafstand (van camera/lens tot het object) en de sensor size van de geselecteerde camera.
De camera en lens komen boven een lopende band, in dit voorbeeld willen we de camera tussen de 700mm en 1000mm van de lopende band plaatsen. Met een horizontale fov van 800mm en een werkafstand van 735mm is de berekende focal length van de lens 8mm. Zie onderstaand een screenshot van de lens calculator die beschikbaar is op onze website.
Op basis van deze berekening en de specificaties van de camera is de VA-LCM-5MP-08MM-F1.4-015 lens geschikt.
Verlichting voor het inspecteren van groente, fruit en planten
Voor het verlichten van groente, fruit en planten op een lopende band worden vaak twee bar lights gebruikt. De lopende band wordt vaak ook volledig afgesloten van omgevingslicht om invloeden van buitenaf te voorkomen en mooi egaal/diffuus licht te creëren. De bar lights komen dwars boven de lopende band en worden over de complete breedte van de band gehangen. De objecten worden vanuit twee kanten belicht. De bar light worden in een bepaalde hoek gehangen, zodat er zo min mogelijk reflectie is en geen schaduw.
Software voor kwaliteit controle en sortering van groenten, fruit en planten
Naast de hardware is computer vision software nodig voor het automatisch herkennen van gebreken. Klanten kunnen zelf softwarecode schrijven of gebruiken maken van bestaande vision software pakketten, zoals Zebra Aurora Vision Studio. Aurora Vision is een krachtig machine vision software speciaal ontworpen om gemakkelijk een vision programma te ontwerpen. Dankzij de grafische interface is geen programeer kennis nodig voor het creëren van een vision programma. De software beschikt over een tool box die geschikt zijn om veel klassieke machine vision taken uit te voeren. Door het selecteren van de juiste tools kan men gemakkelijk binnen enkele minuten een workflow creëren. Ook moeilijke machine vision-vereisten kunnen worden opgelost met behulp van de deep learning add-on, waarbij kunstmatige intelligentie wordt gebruikt om complexe detectie- en herkenning vraagstukken op te lossen.
U kunt ook gebruik maken van Aurora Vision Lite. Dit is een gratis demoprogramma van Aurora vision. U kunt afbeeldingen van de harde schijf laden en uw eigen vision programma ontwerpen met behulp van alle machine vision-tools die beschikbaar zijn in Aurora vision studio.
Verder kunnen wij voor u een voorbeeldprogramma maken in Aurora Vision. Zodra u foto’s heeft gemaakt, kunnen wij voor u een voorbeeld programma maken in Aurora Vision. Wij vragen u dan een specificatie document te maken met wat u wil detecteren en een tiental beelden aan te leveren.
Machine vision applicatie
Hopelijk hebben bovenstaande stappen u op weg geholpen bij het selecteren van de juiste hardware en software voor optische kwaliteit controle en sortering van groenten, fruit en planten.
Mocht u verdere vragen hebben dan kunt u altijd contact opnemen. Wij hebben jarenlange ervaring en kennis opgebouwd in de machine vision branche. We geven advies en klanten kunnen contact opnemen voor technische ondersteuning.
