অনেক উত্পাদন প্রক্রিয়া স্থির বা শক্ত স্বয়ংক্রিয় সরঞ্জাম ব্যবহার করে কাজ করে যা সীমিত সংবেদনশীল ইনপুট সহ উত্পাদন কার্য সম্পাদন করে। আরও জটিল অ্যাপ্লিকেশনের জন্য, সাধারণ ক্যামেরা বা সেন্সর একটি বস্তুর উপস্থিতি, অবস্থান, আকার বা বেধ সনাক্ত করতে পারে। যখন বস্তুটি আরও জটিল হয়, কম সীমাবদ্ধতা থাকে, বা এর উপস্থিতির জন্য মূল্যায়ন করার প্রয়োজন হয়, তখন একটি মেশিন দৃষ্টি সমাধান প্রয়োগ করা যেতে পারে। এই ব্লগ পোস্টটি উন্নত অটোমেশনে মেশিন ভিশনের ভূমিকা সম্পর্কে অন্তর্দৃষ্টি পেতে তিনটি অ্যাপ্লিকেশন পর্যালোচনা করবে।
অনেক উত্পাদন প্রক্রিয়ায়, অংশের গুণমান নিশ্চিত করতে বা ইনভেন্টরি পরিচালনা করতে বস্তু বা বৈশিষ্ট্যগুলি গণনা করা প্রায়শই গুরুত্বপূর্ণ। যদিও এটি তুচ্ছ মনে হতে পারে, এটি মানুষের জন্য একটি বাস্তব কাজ নয় যখন প্রচুর পরিমাণে ডেটা জড়িত থাকে। এই ধরনের কাজগুলি মেশিনের দৃষ্টিভঙ্গির মাধ্যমে স্বয়ংক্রিয় হওয়ার জন্য, বস্তুর বিভাজন হল প্রথম ধাপ, এবং এটি আলো এবং ইমেজিং কৌশলগুলির সঠিক প্রয়োগের মাধ্যমে সহজতর করা যেতে পারে।
ইমেজ অধিগ্রহণের লক্ষ্য হল বস্তুর একটি চিত্রকে এমনভাবে আলোকিত করা এবং ক্যাপচার করা যা সনাক্ত করা বৈশিষ্ট্য এবং পটভূমির মধ্যে বৈসাদৃশ্য বাড়ায়। মেশিন ভিশন সফ্টওয়্যার তারপর বিভাগ এবং বৈশিষ্ট্য বা আগ্রহের বস্তু সনাক্ত করতে ব্যবহার করা হয়. প্রতিটি সনাক্ত করা বস্তুর পরিমাপ করা গুণাবলী তারপর তার গুণমান বা পরিচয় নির্ধারণ করতে ব্যবহার করা যেতে পারে।
বৈশিষ্ট্যযুক্ত জোড় porosity
একটি উদাহরণ হিসাবে জোড় porosity সনাক্তকরণ এবং মূল্যায়ন নিন। অংশের আকৃতি, ওয়েল্ড চ্যানেলের পরিবর্তনশীল কনট্যুর এবং প্রতিফলিত ধাতব পৃষ্ঠগুলি অভিন্ন আলোকসজ্জাকে একটি চ্যালেঞ্জ করে তোলে। সৌভাগ্যবশত, ছিদ্র বেশি আলো প্রতিফলিত করে না - তারা অন্ধকার দেখায়।
ওয়েল্ডগুলিতে বিভিন্ন ধরণের অন্ধকার অঞ্চল রয়েছে যা মেশিনের দৃষ্টি দ্বারা বিভক্ত করা যেতে পারে। জোড়ের ছিদ্রগুলির একটি বৈশিষ্ট্যযুক্ত আকারের পরিসীমা এবং আকৃতি রয়েছে যা অন্ধকার অঞ্চলগুলিকে উপেক্ষা করতে ব্যবহার করা যেতে পারে যা ছিদ্রগুলির বৈশিষ্ট্যের সাথে মেলে না। পোরোসিটি শনাক্ত হয়ে গেলে, ওয়েল্ডে ছিদ্রের সংখ্যা এবং ঘনত্ব (প্রতি ইঞ্চি সংখ্যা) ঢালাই প্রক্রিয়া গ্রহণযোগ্য কিনা বা অপারেটর বা নিয়ন্ত্রণ ব্যবস্থার হস্তক্ষেপ প্রয়োজন কিনা তা নির্দেশ করতে ব্যবহার করা যেতে পারে।
টিউব গণনা
একটি সম্পর্কিত উদাহরণ হল একটি ক্রেটের শেষ থেকে ক্যাপচার করা একটি ছবিতে টিউবের সংখ্যা গণনা করা; ইনভেন্টরি নিয়ন্ত্রণের জন্য সঠিক গণনা প্রয়োজন। চ্যালেঞ্জগুলির মধ্যে রয়েছে পরিবর্তনশীল আলোকসজ্জা এবং চিত্রের টিউব প্রান্তের পরিবর্তনশীল দৃষ্টিভঙ্গি। টিউব প্রান্তটি নল প্রাচীরের উজ্জ্বল বৃত্তাকার পৃষ্ঠ দ্বারা বেষ্টিত অন্ধকার অভ্যন্তর দ্বারা চিহ্নিত করা হয়।
প্রত্যাশিত ব্যাসের একটি বৃত্ত দিয়ে অন্ধকার এলাকা বিভক্ত করা বেশিরভাগ টিউব সনাক্ত করবে। দ্রষ্টব্য, তবে, ক্রেটের নীচের দিকের কিছু টিউবের অভ্যন্তরীণ উজ্জ্বল প্রতিফলন - চিত্র প্রক্রিয়াকরণ ক্রিয়াকলাপগুলি শক্তভাবে সনাক্তকরণ এবং গণনা করার জন্য টিউবের অভ্যন্তরীণ অঞ্চলগুলির সাথে এই ছোট বৈশিষ্ট্যগুলিকে একত্রিত করতে পারে।
জটিল আকৃতির ক্ষতি সনাক্তকরণ
প্রপেলার ব্লেডগুলির পৃষ্ঠের ক্ষতি সনাক্তকরণ বিবেচনা করুন। ক্ষতি সরু স্ক্র্যাচ থেকে বড় পরিধানের দাগ পর্যন্ত হতে পারে; ক্ষতিগ্রস্ত এলাকার প্রত্যাশিত আকার বা আকৃতি চিহ্নিত করার জন্য কোন মান নেই। উপরন্তু, প্রপেলার ব্লেডগুলির জটিল আকারগুলি ক্ষতির বৈপরীত্য বাড়ানোর জন্য ব্যবহৃত সর্বোত্তম আলোকসজ্জার জন্য একটি চ্যালেঞ্জ উপস্থাপন করে।
বামদিকের (অন্ধকার) চিত্রের জন্য ব্যবহৃত আলোকসজ্জা কনফিগারেশনে, ক্ষতি খুব কমই উপলব্ধি করা যায়। দুটি পর্যায়ক্রমে আলোকসজ্জার দিকগুলি ক্ষতিগ্রস্থ এবং অক্ষত ব্লেড অঞ্চলগুলির মধ্যে ভাল বৈসাদৃশ্য প্রদান করে, তবে দুটি কনফিগারেশনের মধ্যে বৈসাদৃশ্যটি উল্টে যায়। স্থানীয়কৃত পৃষ্ঠতল এবং ইমেজিং সিস্টেমের সাথে সম্পর্কিত ক্ষতির দিকের কারণে, প্রপেলার ব্লেডের বিভিন্ন অঞ্চল দেখানো হিসাবে বিভিন্ন প্রতিক্রিয়া প্রদর্শন করবে - যার অর্থ কোন একক সর্বোত্তম আলোকসজ্জা কনফিগারেশন নেই।
ক্ষতির আকৃতি, আকার এবং বৈসাদৃশ্যের মধ্যে উচ্চ মাত্রার পরিবর্তনশীলতা প্রোগ্রাম-প্রোগ্রাম করা পদ্ধতি ব্যবহার করে স্বয়ংক্রিয় সনাক্তকরণকে চ্যালেঞ্জিং করে তোলে, যেমনটি ওয়েল্ড পোরোসিটি এবং টিউব গণনা উদাহরণগুলিতে ব্যবহৃত হয়। ইনস্টিটিউট মেশিন লার্নিং কৌশল ব্যবহার করে পরিদর্শন ব্যবস্থা তৈরি করেছে। একটি কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) একটি ছবিতে সম্ভাব্য ক্ষতিগ্রস্ত এলাকাগুলিকে চিনতে পারে। একটি সেকেন্ডারি ডিপ নিউরাল নেটওয়ার্ক সিএনএন দ্বারা উত্পন্ন ইজেন ভ্যালুর উপর ভিত্তি করে ইমেজটিকে ধারণ করে (বা না থাকা) ক্ষতি হিসাবে শ্রেণীবদ্ধ করে। এই নেটওয়ার্কগুলিকে প্রচুর সংখ্যক ছবি ব্যবহার করে প্রশিক্ষিত করা হয় যেখানে ক্ষতিগ্রস্ত এলাকা ম্যানুয়ালি চিহ্নিত করা হয়েছে।
একরঙা দৃষ্টির বাইরে
উপরের তিনটি উদাহরণ কিছু একরঙা মেশিন ভিশন অ্যাপ্লিকেশনকে চিত্রিত করে। রঙের বৈসাদৃশ্য ব্যবহার করার সময় বা বর্ণালীর অদৃশ্য অংশ ব্যবহার করার সময় জিনিসগুলি আরও আকর্ষণীয় হয়ে ওঠে। উদাহরণস্বরূপ, একরঙা ক্যামেরাগুলি কাছাকাছি-ইনফ্রারেড (NIR) তরঙ্গদৈর্ঘ্যের প্রতি সংবেদনশীল, যা সাধারণত অদৃশ্য বা বিভ্রান্তিকর বৈশিষ্ট্যগুলিকে একটি বর্ণালী ফিল্টার ব্যবহার করে বা প্রত্যাখ্যান করার মাধ্যমে শোষণ বা অপসারণ করার অনুমতি দেয়।
স্ট্যান্ডার্ড রঙের ক্যামেরাগুলি ওভারল্যাপিং ব্রডব্যান্ড লাল, সবুজ এবং নীল ফিল্টার ব্যবহার করে; ব্রডব্যান্ড সাদা আলোকসজ্জার পরিবর্তে ন্যারোব্যান্ড আরজিবি এলইডি ইলুমিনেটর ব্যবহার করলে রঙ বৈষম্য উন্নত হয়। মাল্টি-স্পেকট্রাল ক্যামেরাগুলি রঙিন ক্যামেরাগুলির তুলনায় অত্যন্ত সংবেদনশীল রঙের বৈষম্য প্রদান করে এবং NIR ব্যান্ডগুলি অন্তর্ভুক্ত করতে পারে। নির্দিষ্ট কালি, রঞ্জক এবং আঠালোগুলির ফ্লুরোসেন্ট বৈশিষ্ট্যগুলি উপযুক্ত বর্ণালী ফিল্টার সহ UV বিকিরণ ব্যবহার করে শোষণ করা যেতে পারে। এবং মেরুকরণ ভুলবেন না! ইনফ্রারেড ইমেজিং (লংওয়েভ, মিডওয়েভ, শর্টওয়েভ) পৃষ্ঠের তাপমাত্রা পরিমাপ করতে, ভূপৃষ্ঠের বৈশিষ্ট্য/ত্রুটি সনাক্ত করতে, হাইড্রোকার্বন গ্যাস সনাক্ত করতে এবং আরও অনেক কিছু করতে ব্যবহার করা যেতে পারে।