#05 Strojové videnie | 2D & 3D

Existuje mnoho rôznych možností ako riešiť špecifické úlohy strojového videnia. V niektorých prípadoch je výber 2D alebo 3D zrejmý. Niekedy sú však vhodné obe varianty, pričom každá z nich má svoje výhody a nevýhody. Je dôležité porozumieť práve ich benefitom, ktoré nám zabezpečujú kvalitu a spoľahlivosť celého kamerového systému (strojového videnia).

Strojové videnie 2D:

2D je využívané predovšetkým pri aplikáciách s vysokým kontrastom, alebo ak je textúra či farba snímaného objektu kľúčovým hodnotiacim kritériom. V predošlom článku (02- Strojové videnie) sme opísali 4 základné oblasti využitia strojového videnia v priemysle. Môžeme tvrdiť, že 2D je vhodný pre všetky štyri oblasti, a to: lokalizácia, identifikácia, meranie a kontrola.

Na obrázku môžeme vidieť v porovnaní: vľavo 2D a vpravo 3D vyhotovenie obrazu. Je zrejmé, že pri 2D vidíme detail povrchu, ktorý je možne vyhodnocovať. Pri vytvorení obrazu pomocou 3D nám táto možnosť zaniká.

3D je vhodné pre analyzovanie rôznych tvarov, 3D pozície (súradnice: X,Y,Z), ale rovnako pre detekciu kvality či defektov skúmaného objektu. Jeho využitie je možné hľadať pri oblastiach: lokalizácie, meraní a kontroly. Oblasť identifikácie je pri 3D technológii skôr výnimočná.

Na obrázku: Vľavo 2D, vpravo 3D. Môžeme pozorovať, že pomocou 2D obrázku môžeme len ťažko vyhodnotiť chýbajúcu „sušienku“ v balení. Pri 3D sa nám táto možnosť samozrejme ponúka.

Príklady porovnania 2D vs. 3D

Príklad aplikácie 3D: Úlohou strojového videnia je nájsť hľadaný (naučený) objekt pre bezproblémové uchopenie priemyselným robotom. Z dôvodu nízkeho kontrastu v 2D obraze je objekt ťažko rozpoznateľný. V 3D hĺbkovom obraze je hľadanie objektu prakticky jednoduché – objekt, ktorý sa nachádza na vrchu kopy, je vďaka 3D podstatne svetlejší.

Príklad aplikácie 2D: Úloha je v danom príklade verifikovať správnosť podtlače na vyrábanom produkte. Pomocou 3D technológie je možné zistiť napríklad tvary produktu, avšak nie je možné zobraziť práve spomínanú podtlač.

Zdroj:

• INTRODUCTION TO MACHINE VISIOn, A guide to automating process & quality improvements, Cognex.
• Machine vision, Reference Guide, Datalogic.
• SICK AG, Whitepaper, select the best technology for your vision application, SICK. Frederik Nilsson, Anders Murhed. 
• https://www.keyence.com/

Autor: Ing. Peter Marčan, PhD.