Sistemas de machine vision para triagem ótica
Max Reijngoudt
Cada vez mais empresas do setor agrícola estão a investir em automação; câmaras industriais e software inteligente (IA) são utilizados para o controlo ótico de qualidade e classificação de legumes, frutas e plantas.
As câmeras industriais são utilizadas para a visualização de máquinas ou, simplesmente, são os olhos de um robô/computador. As ações humanas estão a ser substituídas por inspeção ótica e processos automatizados. Com a ajuda de computer vision/machine vision, os processos tornam-se mais rápidos e fiáveis, o que significa que pode ser garantida uma qualidade contínua e consistente.
Este controlo de qualidade é realizado principalmente com base na tecnologia de câmera de varrimento de área 2D. No entanto, as câmeras 3D, câmeras de varrimento linear e o processamento de imagem hiperespectral são também tecnologias em crescimento no setor agrícola.
Table of contents
Seleção de Câmera
Dependendo da tarefa de visão, a câmera certa deve ser selecionada. As escolhas importantes que precisam ser feitas são:
Tipo de interface (USB3, GigE ou 10GigE)
As câmeras de Machine vision devem ser conectadas a um computador. A interface da câmera é a ligação entre a câmera e o computador. Os engenheiros costumam ter preferência por uma determinada interface, mas, caso isso não aconteça, é importante saber a distância entre a câmera e o computador. Se a distância entre a câmera e o PC for inferior a 4,6 metros, recomendamos a utilização de uma câmera USB3. Se a distância for superior, recomendamos a utilização de câmeras GigE. Para mais informações, aconselhamos a consulta do seguinte artigo: Como selecionar uma interface de câmera de Machine vision (USB3 / GigE / 5GigE / 10GigE Visão)?a para selecionar?
Neste exemplo, a distância entre a câmera e o PC é superior a 4,6 metros, por isso recomendamos a utilização de uma câmera GigE. Recomendamos sempre uma câmera com PoE aos nossos clientes. O Power over Ethernet (PoE) para GigE foi concebido para fornecer energia e comunicações de dados através de um cabo Ethernet padrão. Isto reduz o número de cabos e o tempo de instalação, em aplicações que não requerem um trigger de hardware ou I/O.
Câmera a cores ou monocromática
As câmeras monocromáticas são frequentemente utilizadas em aplicações de machine vision. Por exemplo, se for necessário contar o número de produtos, verificar a presença de um objeto ou efetuar medições, é necessário um bom contraste, sendo utilizada uma câmera monocromática. A informação de cor não é relevante e não é utilizada.
Além disso, uma vantagem adicional de uma câmera monocromática (foto/imagem a preto e branco) é que o sensor é até 3 vezes mais sensível à luz e produz imagens mais nítidas do que uma câmera/sensor a cores.
Se pretender utilizar informação de cor, é necessária uma câmera a cores, também designada por câmera RGB (Vermelho, Verde, Azul). As câmeras RGB são frequentemente utilizadas para inspecionar legumes, frutas e plantas, pois esta informação de cor é usada para controlo de qualidade.
Por exemplo, verificar diferentes cores de manchas/defeitos em frutas e legumes, que podem ser verdes ou castanhos. Esta diferença de cor não pode ser detetada com uma câmera monocromática.
Uma câmera a cores é sempre utilizada para software de Deep Learning, pois a imagem a cores fornece informação adicional.
Neste exemplo, utilizamos uma câmera a cores, porque pretendemos realizar controlo de qualidade ótico e as manchas/defeitos podem apresentar cores diferentes.
Global Shutter ou Rolling Shutter câmera
Se a câmera ou um objeto se mover durante a captação de imagens, uma câmera Global Shutter é a melhor escolha. Com câmeras Global Shutter, todas as linhas/píxeis da câmera são lidas simultaneamente. Se a câmera e os objetos estiverem parados, pode ser utilizada uma câmera Rolling Shutter. Se um objeto se mover e for utilizada a tecnologia Rolling Shutter câmera, a imagem ficará distorcida. Isto deve-se ao facto de o sensor ser lido linha a linha. Para mais informações, aconselhamos a leitura do seguinte artigo: Rolling Shutter vs Global Shutter.
Neste exemplo, frutas e legumes estão numa correia transportadora para controlo de qualidade e triagem. A correia transportadora não é parada durante a aquisição pela câmera. Neste caso, é necessária uma câmera Global Shutter.
Resolução (número de pixels do sensor)
A seguinte informação é importante para calcular a resolução correta para a câmera:
- O menor detalhe que pretendem ver/inspecionar
- A área que pretendem inspecionar (Campo de Visão)
Normalmente recomendamos 3 pixels por menor detalhe para um sistema de visão estável. Em alguns casos, também é possível utilizar 2 pixels por menor detalhe, mas isso depende da qualidade/potência do software.
Neste exemplo, pretendemos uma câmera que consiga detetar defeitos em frutas e legumes com uma precisão de 1mm. As frutas e legumes estão numa correia transportadora com 80 centímetros de largura. Assim, o campo de visão horizontal precisa de ser de 800mm e, na vertical, pretende-se conseguir ver 600mm.
Como indicado anteriormente, pretendemos utilizar 3 pixels por menor detalhe para um sistema de visão estável.
Resolução do sistema = 1mm/3pixels= 0,33333333 mm/pixel
Resolução horizontal da câmera = 800 mm (campo de visão horizontal) / 0,33333333mm (resolução do sistema) = 2400 pixels
Resolução vertical da câmera = 600 mm (campo de visão vertical) / 0,33333333mm (resolução do sistema) = 1800 pixels
Uma câmera com 2400 x 1800 pixels é, portanto, adequada. Com base nesta informação, podemos selecionar uma câmera. A MER2-503-23GC-P (IMX264) é uma câmera de 5MP (2448 x 2048 pixels), que cumpre todos os requisitos acima que formulámos nos passos anteriores.
Seleção de Lente para IMX264
Uma lente correta deve ser selecionada para a câmera. A lente não está incluída de forma padrão com uma câmera, por isso a lente deve ser sempre adquirida para completar o seu sistema de computer vision. As machine vision câmeras que oferecemos frequentemente possuem c-mount, por isso, em geral, lentes c-mount são frequentemente utilizadas. Para calcular a lente correta, precisamos de informações sobre o campo de visão, a distância de trabalho (distância da câmera/lente ao objeto) e o tamanho do sensor da câmera selecionada.
A câmera e a lente são colocadas acima de uma correia transportadora; neste exemplo, pretendemos colocar a câmera entre 700mm e 1000mm da correia transportadora. Com um campo de visão horizontal de 800mm e uma distância de trabalho de 735mm, a distância focal calculada da lente é de 8mm. Veja abaixo uma captura de ecrã da calculadora de lentes disponível online no nosso website.
Calculadora de Lente
Com base neste cálculo e nas especificações da câmera, a Lente VA-LCM-5MP-08MM-F1.4-015 é adequada.
Iluminação de Machine vision para inspeção de frutas, legumes e plantas
Duas barras de iluminação são frequentemente utilizadas para iluminar frutas, legumes e plantas num tapete transportador. O tapete transportador é frequentemente completamente fechado à luz ambiente para evitar influências externas e criar uma luz difusa. As barras de iluminação são colocadas transversalmente acima do tapete transportador e precisam de cobrir toda a largura do tapete. Os objetos são iluminados de ambos os lados. As barras de iluminação devem ser colocadas num determinado ângulo, de modo a que quase não haja reflexão nem sombra.
Software de Computer vision para controlo de qualidade e classificação de vegetais, frutas e plantas
Para além do hardware, é necessário software de computer vision para reconhecer automaticamente defeitos. Os clientes podem escrever o código de software por si próprios ou utilizar licenças de software de visão já existentes, como a Zebra Aurora Vision Studio. Aurora Visão é um software de machine vision potente, especialmente concebido para facilitar o desenvolvimento de um programa de visão. Graças à interface gráfica, não é necessário ter conhecimentos de programação para criar um programa de visão. O software dispõe de uma caixa de ferramentas adequada para executar muitas tarefas de machine vision. Ao selecionar as ferramentas certas, pode criar facilmente um fluxo de trabalho em poucos minutos. Requisitos exigentes de machine vision também podem ser resolvidos utilizando o módulo adicional de deep learning, que recorre à inteligência artificial para resolver questões complexas de deteção e reconhecimento.
Pode também utilizar o Aurora Vision Lite, um programa de demonstração gratuito da Aurora Vision. Pode carregar imagens do disco rígido e criar o seu próprio programa de visão utilizando todas as ferramentas de machine vision disponíveis no Aurora Vision Studio.
Também podemos criar um programa de amostra para si no Aurora Vision. Assim que tiver imagens disponíveis, podemos criar um programa de amostra para si no Aurora Vision. Depois, pedimos-lhe que crie um documento de especificação com o que pretende detetar e forneça dez imagens.
aplicação de Machine vision
Esperamos que os passos acima o tenham ajudado a selecionar o hardware e software adequados para as suas aplicações de controlo de qualidade e classificação de vegetais, frutas e plantas com computer vision. Se tiver mais questões, pode sempre contactar-nos. Acumulámos anos de experiência e conhecimento na indústria de machine vision. Teremos todo o gosto em aconselhá-lo, e os clientes podem contactar-nos para suporte técnico.
