Роботы отнимают работу у людей. По оценке Bank of America Merrill Lynch, к 2035 году человечество лишится 800 млн рабочих мест из-за роста автоматизации производства. В своем докладе на конференции «Data&Science: мир глазами роботов» Александр Белугин из компании «Цифра» рассказал о том, что полная автоматизация может повысить прибыльность предприятия на 10-15%. Во многом эта существенная цифра и определяет мировой тренд на массовое внедрение роботов, конструкция которых редко обходится без систем машинного зрения.

Машинное зрение на производстве

Термин «машинное зрение» не является синонимом «компьютерного зрения». Компьютерное зрение включает в себя всю совокупность теорий и технологий создания приборов, которые могут производить обнаружение, отслеживание и классификацию объектов. Машинное зрение – более узкий термин, он рассматривает применение компьютерного зрения для промышленности и производства.

На производстве машинное зрение применяется практически на всех технологических этапах. Чаще всего речь идет о его использовании роботами-манипуляторами при сборочных операциях, а также системами контроля – для минимизации брака. На традиционной производственной линии насколько качественно выполнено изделие решает человек. А вот автоматизированная линия оснащена для этого обычными или «умными» камерами, а также системой обработки входящих изображений.

Состав такой системы контроля качества достаточно сложен. Он включает:

• набор цифровых или аналоговых видеокамер;

• процессор для предварительной обработки изображений;

• ПО для предварительной обработки изображений;

• ПО машинного зрения;

• источники света и исполнительные механизмы для сортировки продукции;

• канал связи для передачи полученных результатов.

В последние годы все чаще вышеперечисленные элементы можно встретить в едином приборе, известном как «умная камера» (не стоит путать их с бытовыми системами видеонаблюдения). Это, например, – модели Genie Nano GigE от Teledyne DALSA или Baumer CX от одноименной компании.

Как работает машинное зрение

Как же заставить систему машинного зрения правильно выполнять поставленную задачу? Здесь существуют два основных подхода. Первый – мы описываем алгоритм распознавания тех или иных признаков на изображении при помощи математических формул.

Так работает библиотека алгоритмов с открытым исходным кодом OpenCV, которую с 2006 года развивает компания Intel. Этот метод хорош, когда нужно распознавать однородные графические элементы. Например, когда по конвейеру движутся лежащие в одном и том же положении детали, на которые падает исходящий из одной и той же точки свет.

Второй путь – обучение сверхточной нейронной сети. Этот метод более затратен по времени, ведь нейросеть требуется обучать на огромном количестве примеров, помогая ей распознавать брак с нужной вероятностью (мы уже рассказывали, как нейронные сети научились распознавать иероглифы). Зато нейросеть будет работать в куда большем диапазоне возможных условий. Это могут быть, например, случайно разбросанные предметы с бликами от ламп на них. Еще один пример применения такого машинного зрения является – сортировка и упаковка овощей, которые хоть и похожи друг на друга, но все же не откалиброваны, а также могут иметь множество самых разных дефектов.

Примером применения машинного зрения на сборочных линиях может служить визуальный серво-контроль. Робот-манипулятор действует по программе, но в силу износа его деталей, вибраций и других факторов его движения могут быть недостаточно точны. В таких случаях камера закрепляется рядом или непосредственно на манипуляторе, и в реальном времени рассчитывает поправку, компенсирующую мелкие ошибки.

Не только овощи

Овощи – пример наглядный, но, конечно, не единственный. Сортировать можно и транспортные средства в потоке городского движения. Такую систему машинного зрения разработала российская компания VisionLabs. Решение позволяет определять типы транспортных средств, типы общественного транспорта, марки автомобилей. Всё это уже сейчас востребовано при построении систем «Умных городов».

Помимо «Умных городов» развиваются и «умные заводы». В нашей стране есть соответствующий проект, в котором принимает участие компания ROBODEM. Она занимается видеоаналитикой производства. На одном из крупных заводов она развернула систему контроля производства на основе технологии машинного зрения. Кстати, всевозможные камеры для автоматического чтения штрих- и QR-кодов в системах складской автоматизации и логистики также относятся к системам машинного зрения.

Крупный российский ритейлер «Дикси» выбрал для автоматического мониторинга товарных остатков решение отечественного стартапа GoodsScan. С помощью системы машинного зрения и камер, установленных на погрузчики, система позволяет отслеживать запасы, не только декодируя штрих-коды, но и строя глубинную карту объектов, определяет их размеры.

3D-визуализация и беспилотники

В последние годы мощным трендом стало использование систем 3D-визуализации. Восприятие глубины поля зрения качественно расширяет сферу применения машинного зрения. Обычно это достигается установкой двух камер, образующих стереоскопическую пару. Это – метод «пассивного» определения дистанции. Альтернативой ему является активное сканирование рабочей зоны лазером ближнего ИК-диапазона.

Говоря о российских разработчиках систем технического зрения, нельзя не упомянуть компанию Cognitive Technologies. Она создала систему искусственного интеллекта Cognitive Pilot на базе нейросетей, которая позволила, к примеру, полностью автоматизировать работу сельскохозяйственной техники, промышленного прототипа беспилотного трамвая, прототипа локомотива с возможностью автономного управления. Летом 2019 года компания завершила разработку системы компьютерного зрения для беспилотного транспорта Hyundai Mobis (входит в Hyundai Motor Group).

Промышленных систем, построенных на широком применении машинного зрения, будет появляться все больше. И они действительно снижают потребность в рабочей силе на предприятиях. Ведь такие решения не теряют концентрацию после 8-часовой рабочей смены, не нуждаются в перерывах и не уходят в декрет. Наконец, они просто дешевле.