Применение и практика машинного зрения в онлайн-обнаружении цветовых различий

Введение

В современном промышленном производстве, особенно в ключевых областях, связанных с контролем внешнего вида и качества цвета, таких как печать и упаковка, печать и окрашивание текстиля, автомобильная покраска, производство пластмассовых изделий, пищевая промышленность и бытовая электроника, однородность цвета является одним из основных показателей оценки качества продукции. Даже незначительные различия в цвете могут повлиять на эстетику продукта и привести к ущербу репутации бренда, жалобам клиентов или даже возврату партии. Традиционные методы определения различий в цвете в значительной степени основаны на субъективном сравнении человеческим глазом при стандартном освещении или на выборочной проверке с помощью настольного колориметра. Этот метод неэффективен, вызывает усталость, не соответствует стандартам и не позволяет осуществлять мониторинг производственного процесса в режиме реального времени.

Внедрение технологии машинного зрения произвело революционный прорыв в обнаружении цветовых различий. Системы онлайн-обнаружения цветовых различий, имитируя и превосходя возможности восприятия цвета человеческим глазом, в сочетании со сложными оптическими, электронными и алгоритмическими технологиями, могут выполнять 100% объективное и точное измерение и оценку цвета продукции в режиме реального времени при высокой скорости движения. Это действительно обеспечивает переход от «пост-контроля» к «контролю в процессе производства» в управлении качеством и является неотъемлемой частью интеллектуального производства и Индустрии 4.0.

I. Основные технические принципы

Суть машинного зрения в обнаружении цветовых различий заключается в преобразовании цвета, физической и психологически воспринимаемой величины, в количественно измеримую и сопоставимую цифровую модель. Его основная технология основана на колориметрии и цифровой обработке изображений.

1. Основы колориметрии: В основе системы лежит стандартная колориметрическая система CIE (Международная комиссия по освещению), чаще всего используемое цветовое пространство CIE Lab*. В этом пространстве:

L* обозначает яркость от 0 (черный) до 100 (белый).

a* обозначает красно-зеленую ось; положительные значения смещаются в сторону красного, отрицательные — в сторону зеленого.

b* обозначает ось желто-синий; положительные значения смещаются в сторону желтого цвета, отрицательные — в сторону синего.

Разница между двумя цветами может быть представлена ​​значением цветового перепада ΔE, вычисляемым по формуле: ΔE = √[(ΔL*)² + (Δa*)² + (Δb*)²]. Чем меньше значение ΔE, тем меньше цветовой перепад. В производстве обычно устанавливаются строгие допустимые диапазоны ΔE (например, ΔE < 1,5 незаметно для человеческого глаза).

2. Путь внедрения машинного зрения:

Визуализация: Промышленные камеры получают цветные цифровые изображения измеряемого объекта при определенных стабильных источниках света (например, светодиодных источниках белого света с высокой цветопередачей). Стабильность и однородность источника света имеют решающее значение и являются краеугольным камнем обеспечения воспроизводимости данных.

Преобразование цветового пространства: Камера обычно получает изображения в формате RGB (красный, зеленый, синий). С помощью специальных алгоритмов преобразования цветов значения RGB точно преобразуются в независимые от устройства значения стандартного цветового пространства, такие как CIE Labs. Точность этого этапа напрямую определяет точность измерения всей системы.

Обработка и анализ данных: В пределах определенной области обнаружения (ROI) система вычисляет средние значения L, a, b* цветов в этой области и сравнивает их с предварительно записанными данными «стандартного цвета» для расчета ΔE.

Оценка и вывод результатов: В зависимости от того, превышает ли ΔE заданный пороговый уровень, система в режиме реального времени выносит решение о "соответствии" или "несоответствии" и может запускать исполнительные механизмы, такие как звуковые и визуальные сигналы тревоги, маркировочные устройства и сортировочные устройства, или передавать данные обратно в систему управления производством (например, регулировать чернильные клавиши печатного станка), обеспечивая замкнутый контур управления.

II. Состав системы

Полноценная система машинного зрения для онлайн-обнаружения цветовых различий обычно состоит из следующих компонентов:

1. Аппаратная система:

Система освещения: основной компонент. В ней часто используются светодиодные источники света с регулируемой яркостью, без мерцания, купольные светильники или коаксиальные светильники для обеспечения равномерного, стабильного и бестеневого освещения, исключающего помехи от текстуры и кривизны поверхности.

Промышленная камера: Как правило, выбирается цветная камера с высоким разрешением и высокой точностью цветопередачи на основе ПЗС- или КМОП-матриц. Для высокоскоростных движущихся объектов (таких как пленки и волокна) для построчного сканирования может также использоваться линейная сканирующая камера.

Объектив: Для обеспечения четкого изображения без искажений выбирается промышленный объектив с подходящим фокусным расстоянием и высоким разрешением.

Плата захвата изображений/интерфейс Gigabit Ethernet: отвечает за высокоскоростную передачу изображений, полученных камерой, в блок обработки.

 Промышленный ПК и процессор: оснащен высокопроизводительным центральным/графическим процессором, на котором работает программное обеспечение для обработки изображений и выполняются сложные вычисления изображений.

Блок управления измерением цвета: В некоторых высококачественных системах интегрирован спектрометр или спектрофотометр для периодической калибровки камеры, обеспечивающий долговременную абсолютную точность данных о цвете.

2. Программная система:

Модуль управления и связи: управляет запуском камеры и источника света, синхронизируясь с ПЛК (программируемым логическим контроллером) производственной линии.

Библиотека алгоритмов обработки изображений: включает предварительную обработку изображений (фильтрацию, улучшение), преобразование цветового пространства, извлечение признаков, сопоставление образов, анализ спеклов и т. д.

Модуль управления цветом: основное программное обеспечение, отвечающее за обучение стандартным образцам, установку допусков, расчет разницы цветов, анализ тенденций и генерацию отчетов по цвету (таких как диаграммы разницы цветов и диаграммы тенденций).

База данных: хранит данные о цвете, изображения и результаты проверки всей продукции для обеспечения прослеживаемости качества и статистического анализа.

III. Типичные примеры применения

1. Полиграфическая промышленность:

Применение: Онлайн-контроль цвета на высокоскоростных печатных машинах глубокой, флексографической или офсетной печати. ​​Система устанавливается после печатного блока и в режиме реального времени отслеживает цветовые шкалы в каждой зоне управления краской или непосредственно контролирует ключевые элементы рисунка.

Преимущества: Мгновенно определяет изменения глубины чернил, предотвращая отклонения цвета, вызванные колебаниями вязкости и давления чернил, значительно сокращая отходы при запуске и время настройки, а также обеспечивая стабильность цвета при печати больших тиражей.

2. Текстильная полиграфическая и красильная промышленность:

Применение: Сканирование непрерывно движущихся по всей ширине тканей перед сушильными или контрольными машинами.

 Значение: обнаруживает изменения цвета, пятна, неравномерное распределение цвета, различия между краем и центром, а также различия между партиями. Заменяет ручную проверку ткани, повышает эффективность в десятки раз и генерирует цифровые отчеты о качестве, обеспечивая поддержку данных для улучшения процессов.

3. Автомобильная промышленность:

Применение: Онлайн-контроль цвета кузовных панелей, бамперов и других компонентов в покрасочном цехе. Для обработки сложных изогнутых поверхностей часто используются многокамерные, многоракурсные схемы. Преимущества: Обеспечивает идеальное совпадение цвета между различными деталями одного и того же автомобиля и между разными партиями автомобилей, отвечая строгим требованиям клиентов высокого класса к «нулевой разнице в цвете».

4. Упаковка для пищевых и фармацевтических продуктов:

Применение: Проверяет точность цветопередачи на упаковочных пакетах, этикетках и крышках бутылок, а также соответствие цветов логотипа бренда допустимым значениям.

Преимущества: Предотвращает смешивание и неправильную упаковку из-за цветовых ошибок, поддерживает имидж бренда и соответствует отраслевым стандартам.

IV. Проблемы и решения

Несмотря на зрелость технологии, на практике сохраняются проблемы:

1. Стабильность окружающей среды: На измерения могут влиять помехи от окружающего света, вибрация и изменения температуры. Решение: Использовать закрытую темную камеру для обнаружения, виброустойчивую конструкцию и систему поддержания постоянной температуры, а также коаксиальный или структурированный свет для подавления окружающего освещения.

2. Сложные фоны и текстуры: Узоры и текстуры изделия могут мешать определению цвета. Решение: Используйте многополосную спектральную визуализацию или объедините ее с алгоритмами глубокого обучения, чтобы модель могла различать текстуры и истинные изменения цвета.

3. Влияние блеска и материала: Различные поверхности, такие как глянцевая, матовая и металлизированная краска, имеют разные характеристики отражения света, что влияет на показания камеры. Решение: Используйте многоугловые системы освещения и визуализации (например, геометрию 0°:45° или 45°:0°) для имитации условий измерения стандартного спектрофотометра или устраните зеркальные отражения с помощью поляризаторов.

4. Баланс между высокой скоростью и высокой точностью: Чрезвычайно высокая скорость производственной линии требует крайне короткого времени экспозиции и обработки данных. Решение: Использование высокопроизводительных графических процессоров для параллельных вычислений и оптимизации алгоритмов, а также, возможно, внедрение линейного сканирования.

5. Системная интеграция и калибровка: Интеграция и синхронизация данных с существующими производственными линиями (MES/ERP). Решение: Внедрение стандартизированных промышленных протоколов связи (например, OPC UA, Profinet) и создание регулярного автоматического процесса калибровки, калибровка системы с использованием стандартных цветовых диаграмм для обеспечения долгосрочной надежности и прослеживаемости данных.

V. Тенденции будущего развития

1. Глубокая интеграция ИИ и глубокого обучения: Традиционные методы сегментации по пороговому значению и сопоставления шаблонов недостаточны для чрезвычайно сложных сценариев. 1. Глубокое обучение, особенно сверточные нейронные сети (CNN), будет играть ведущую роль в классификации дефектов, определении различий в цвете в сложных текстурах и адаптивном обучении цветовым характеристикам различных продуктов, делая системы более интеллектуальными и надежными.

2. Широкое внедрение гиперспектральной/мультиспектральной технологии визуализации: Традиционные RGB-камеры могут получать информацию только из трех широких полос. Гиперспектральные камеры могут получать спектральную информацию из сотен последовательных узких полос, образуя «спектральный куб». Это не только позволяет более точно рассчитывать цвет, но и анализировать химический состав материалов, обеспечивая двойное обнаружение «цвета + вещества».

3. Облачные платформы и анализ больших данных: Загрузка данных с онлайн-терминалов контроля на облачные платформы позволяет проводить анализ больших данных на уровне завода и группы предприятий, охватывающий многопроизводственные линии и партии продукции. Благодаря интеллектуальному анализу данных можно прогнозировать износ оборудования, оптимизировать параметры процесса, а также осуществлять прогнозирующее техническое обслуживание и принимать интеллектуальные решения.

4. Миниатюризация и встроенные периферийные вычисления: Благодаря повышению вычислительной мощности микросхем, более компактные, недорогие и энергоэффективные встроенные системы машинного зрения будут внедряться на большем количестве этапов производственных линий, что сделает возможной «повсеместную визуальную» онлайн-инспекцию.

Заключение

Технология онлайн-контроля цветовых различий на основе машинного зрения превратилась из передовой технологии в стандартную конфигурацию, повышающую ключевую конкурентоспособность обрабатывающей промышленности. Она заменяет субъективное наблюдение человека объективными данными и неэффективный отбор проб в автономном режиме на 100% онлайн-контроль. Это не только значительно улучшает контроль качества и эффективность производства, снижая трудозатраты и риски, связанные с качеством, но, что более важно, генерирует ценные данные о производственных процессах, закладывая прочную основу для оптимизации процессов, интеллектуального производства и цифровой трансформации. Благодаря постоянному развитию искусственного интеллекта, спектральных технологий и вычислительной мощности, будущие системы онлайн-контроля цветовых различий станут более интеллектуальными, точными и повсеместными, непрерывно продвигая высококачественное развитие «Сделано в Китае» к «Интеллектуальному производству в Китае».