جدید آٹومیشن کے لیے مشین وژن کا استعمال کیسے کریں۔

Apr 07, 2024 ایک پیغام چھوڑیں۔

بہت سے مینوفیکچرنگ عمل فکسڈ یا سخت خودکار آلات کا استعمال کرتے ہوئے کام کرتے ہیں جو محدود حسی ان پٹ کے ساتھ پیداواری کام انجام دیتے ہیں۔ زیادہ پیچیدہ ایپلی کیشنز کے لیے، سادہ کیمرے یا سینسر کسی چیز کی موجودگی، پوزیشن، سائز یا موٹائی کا پتہ لگا سکتے ہیں۔ جب چیز زیادہ پیچیدہ ہو، اس میں کم رکاوٹیں ہوں، یا اس کی ظاہری شکل کا جائزہ لینے کی ضرورت ہو، تو مشین ویژن سلوشن کا اطلاق کیا جا سکتا ہے۔ یہ بلاگ پوسٹ جدید آٹومیشن میں مشین ویژن کے کردار کے بارے میں بصیرت حاصل کرنے کے لیے تین ایپلی کیشنز کا جائزہ لے گی۔

 

بہت سے مینوفیکچرنگ کے عمل میں، اشیاء یا خصوصیات کی گنتی اکثر جزوی معیار کو یقینی بنانے یا انوینٹری کو منظم کرنے کے لیے اہم ہوتی ہے۔ اگرچہ یہ معمولی لگ سکتا ہے، لیکن یہ انسانوں کے لیے عملی کام نہیں ہے جب بڑی مقدار میں ڈیٹا شامل ہو۔ اس طرح کے کاموں کو مشین ویژن کے ذریعے خودکار کرنے کے لیے، آبجیکٹ کی تقسیم پہلا قدم ہے، اور یہ روشنی اور امیجنگ تکنیک کے مناسب استعمال سے سہولت فراہم کی جا سکتی ہے۔
 

تصویر کے حصول کا مقصد کسی چیز کی تصویر کو اس طرح سے روشن کرنا اور اس پر قبضہ کرنا ہے جس سے پتہ لگانے والی خصوصیات اور پس منظر کے درمیان تضاد کو بڑھایا جائے۔ اس کے بعد مشین ویژن سافٹ ویئر کا استعمال دلچسپی کی خصوصیات یا اشیاء کو تقسیم کرنے اور ان کا پتہ لگانے کے لیے کیا جاتا ہے۔ ہر ایک دریافت شدہ شے کی پیمائش شدہ صفات کو پھر اس کے معیار یا شناخت کا تعین کرنے کے لیے استعمال کیا جا سکتا ہے۔

 

خصوصیت ویلڈ porosity


مثال کے طور پر ویلڈ پورسٹی کی کھوج اور تشخیص کو لیں۔ حصے کی شکل، ویلڈ چینل کے متغیر شکل، اور عکاس دھاتی سطحیں یکساں روشنی کو ایک چیلنج بناتی ہیں۔ خوش قسمتی سے، سوراخ زیادہ روشنی کی عکاسی نہیں کرتے ہیں - وہ سیاہ نظر آتے ہیں.


ویلڈز میں مختلف قسم کے تاریک علاقے ہوتے ہیں جنہیں مشین وژن کے ذریعے الگ کیا جا سکتا ہے۔ ویلڈ میں چھیدوں کی ایک خصوصیت کے سائز کی حد اور شکل ہوتی ہے جسے سیاہ علاقوں کو نظر انداز کرنے کے لیے استعمال کیا جا سکتا ہے جو چھیدوں کی خصوصیات سے میل نہیں کھاتے۔ ایک بار پوروسیٹی کا پتہ چل جانے کے بعد، ویلڈ میں چھیدوں کی تعداد اور کثافت (نمبر فی انچ) کو یہ بتانے کے لیے استعمال کیا جا سکتا ہے کہ آیا ویلڈنگ کا عمل قابل قبول ہے یا آپریٹر یا کنٹرول سسٹم کی مداخلت کی ضرورت ہے۔

 

گنتی ٹیوبیں

 

ایک متعلقہ مثال کریٹ کے سرے سے لی گئی تصویر میں ٹیوبوں کی تعداد کو گننا ہے۔ انوینٹری کنٹرول کے لیے درست گنتی کی ضرورت ہوتی ہے۔ چیلنجز میں متغیر روشنی اور تصویر میں ٹیوب کے سروں کا متغیر نقطہ نظر شامل ہے۔ ٹیوب کا اختتام ٹیوب کی دیوار کی روشن سرکلر سطح سے گھرا ہوا اس کا تاریک اندرونی حصہ ہے۔

 

تاریک علاقے کو متوقع قطر کے دائرے کے ساتھ تقسیم کرنے سے زیادہ تر ٹیوبوں کا پتہ چل جائے گا۔ نوٹ کریں، تاہم، کریٹ کے نچلے حصے کے قریب ٹیوب کے اندرونی حصوں میں سے کچھ کے روشن مظاہر - امیج پروسیسنگ آپریشنز ان چھوٹی خصوصیات کو ٹیوب کے اندرونی علاقوں کے ساتھ ضم کر سکتے ہیں تاکہ مضبوطی سے پتہ لگایا جا سکے۔

 

پیچیدہ شکل کے نقصان کا پتہ لگانا


پروپیلر بلیڈ کی سطح کو پہنچنے والے نقصان کا پتہ لگانے پر غور کریں۔ نقصان کی حد تنگ خروںچ سے لے کر پہننے کے بڑے دھبوں تک ہو سکتی ہے۔ نقصان شدہ علاقے کے متوقع سائز یا شکل کو نمایاں کرنے کے لیے کوئی معیار نہیں ہے۔ اس کے علاوہ، پروپیلر بلیڈ کی پیچیدہ شکلیں نقصان کے برعکس کو بڑھانے کے لیے استعمال ہونے والی بہترین روشنی کے لیے ایک چیلنج پیش کرتی ہیں۔

 

سب سے بائیں (سب سے تاریک) تصویر کے لیے استعمال ہونے والی روشنی کی ترتیب میں، نقصان بمشکل قابل ادراک تھا۔ الیومینیشن کی دو متبادل سمتوں نے تباہ شدہ اور غیر نقصان شدہ بلیڈ والے علاقوں کے درمیان اچھا تضاد فراہم کیا، لیکن دو کنفیگریشنز کے درمیان یہ تضاد پلٹ گیا۔ مقامی سطحوں اور امیجنگ سسٹم سے متعلق نقصان کی سمت کی وجہ سے، پروپیلر بلیڈ کے مختلف علاقے مختلف ردعمل ظاہر کریں گے جیسا کہ دکھایا گیا ہے - یعنی کوئی ایک بہترین روشنی کی ترتیب نہیں ہے۔

 

نقصان کی شکل، سائز اور کنٹراسٹ کے درمیان اعلیٰ درجے کی تبدیلی پروگرام کے ذریعے کیے گئے طریقوں کا استعمال کرتے ہوئے خود کار طریقے سے پتہ لگانے کو مشکل بناتی ہے، جیسا کہ ویلڈ پورسٹی اور ٹیوب گنتی کی مثالوں میں استعمال ہوتا ہے۔ انسٹی ٹیوٹ نے مشین لرننگ تکنیک کا استعمال کرتے ہوئے معائنہ کا نظام تیار کیا۔ ایک convolutional عصبی نیٹ ورک (CNN) تصویر میں ممکنہ طور پر تباہ شدہ علاقوں کو پہچانتا ہے۔ ایک ثانوی گہرا نیورل نیٹ ورک CNN کی طرف سے پیدا کردہ eigenvalues ​​کی بنیاد پر تصویر کو نقصان پر مشتمل (یا نہ ہونے والے) کے طور پر درجہ بندی کرتا ہے۔ ان نیٹ ورکس کو بڑی تعداد میں تصاویر کا استعمال کرتے ہوئے تربیت دی جاتی ہے جہاں دستی طور پر تباہ شدہ علاقوں کی نشاندہی کی گئی ہے۔

 

مونوکروم وژن سے آگے

 

اوپر دی گئی تین مثالیں کچھ مونوکروم مشین ویژن ایپلی کیشنز کو واضح کرتی ہیں۔ رنگ کنٹراسٹ کا استعمال کرتے ہوئے یا سپیکٹرم کے پوشیدہ حصے کا استعمال کرتے وقت چیزیں اور بھی دلچسپ ہوجاتی ہیں۔ مثال کے طور پر، مونوکروم کیمرے قریب اورکت (NIR) طول موج کے لیے حساس ہوتے ہیں، اس کی اجازت دیتے ہیں کہ وہ خصوصیات جو عام طور پر پوشیدہ یا پریشان کن ہوں گی اس بینڈ کو اسپیکٹرل فلٹر کے ساتھ استعمال یا مسترد کر کے استحصال یا ہٹا دیا جائے گا۔

 

معیاری رنگ کے کیمرے اوور لیپنگ براڈ بینڈ سرخ، سبز اور نیلے فلٹرز استعمال کرتے ہیں۔ براڈ بینڈ وائٹ الیومینیشن کی بجائے نارو بینڈ آر جی بی ایل ای ڈی الیومینیٹر استعمال کرنے سے رنگ کی تفریق بہتر ہوتی ہے۔ ملٹی اسپیکٹرل کیمرے رنگین کیمروں کے مقابلے میں انتہائی حساس رنگ امتیاز پیش کرتے ہیں اور ان میں NIR بینڈ شامل ہو سکتے ہیں۔ مناسب اسپیکٹرل فلٹرز کے ساتھ UV شعاع ریزی کا استعمال کرکے مخصوص سیاہی، رنگوں اور چپکنے والی چیزوں کی فلوروسینٹ خصوصیات کا فائدہ اٹھایا جا سکتا ہے۔ اور پولرائزیشن کو مت بھولنا! انفراریڈ امیجنگ (لانگ ویو، مڈ ویو، شارٹ ویو) کو سطح کے درجہ حرارت کی پیمائش کرنے، زیر زمین خصوصیات/نقصوں کا پتہ لگانے، ہائیڈرو کاربن گیسوں کا پتہ لگانے اور مزید بہت کچھ کرنے کے لیے استعمال کیا جا سکتا ہے۔

انکوائری بھیجنے

whatsapp

ٹیلی فون

ای میل

تحقیقات