![\"Technologie](\"https:\/\/softinery.com\/pl\/wp-content\/uploads\/sites\/5\/2024\/07\/image.png\")
<\/figure>\n<\/div>\n\n\nRys. 1. 10 kluczowych technologii pomagaj\u0105cych producentom osi\u0105ga\u0107 cele biznesowe (aitransition.com)<\/p>\n\n\n\n
Zadania wizji komputerowej<\/h2>\n\n\n\n
Celem wizji komputerowej jest generowanie symbolicznego opisu tego, co znajduje si\u0119 na obrazie. Wyodr\u0119bnione informacje mog\u0105 by\u0107 nast\u0119pnie wykorzystane do sterowania r\u00f3\u017cnymi operacjami w procesie. Istnieje wiele zada\u0144 i algorytm\u00f3w w dziedzinie wizji komputerowej, takich jak detekcja, rozpoznawanie, czy segmentacja. Poni\u017cej przedstawiam kilka wybranych zagadnie\u0144, kt\u00f3re maj\u0105 szerokie zastosowanie w wielu dziedzinach.<\/p>\n\n\n\n
Klasyfikacja obraz\u00f3w<\/h3>\n\n\n\n
Klasyfikacja obraz\u00f3w to zadanie, w kt\u00f3rym program komputerowy mo\u017ce rozr\u00f3\u017cni\u0107 \u201eklas\u0119\u201d, do kt\u00f3rej obraz nale\u017cy (np. klasyfikacja zdj\u0119cia produktu jako prawid\u0142owy lub uszkodzony). Wczesne klasyfikacje obraz\u00f3w opiera\u0142y si\u0119 na surowych danych pikselowych. Oznacza\u0142o to, \u017ce program dzieli\u0142 obrazy na pojedyncze piksele. Problem polega na tym, \u017ce dwa obrazy tego samego przedmiotu mog\u0105 wygl\u0105da\u0107 zupe\u0142nie inaczej. Mog\u0105 mie\u0107 r\u00f3\u017cne t\u0142a, k\u0105ty, pozy, itp. To stanowi\u0142o wyj\u0105tkowe wyzwanie dla dok\u0142adnego analizowania i klasyfikowania obraz\u00f3w (Kaur et al., 2021). Obecnie do klasyfikacji obraz\u00f3w stosuje si\u0119 mi\u0119dzy innymi konwolucyjne sieci neuronowe.<\/p>\n\n\n\n
Segmentacja obiekt\u00f3w<\/h3>\n\n\n\n
Segmentacja obrazu to metoda wizji komputerowej, kt\u00f3ra dzieli cyfrowy obraz na odr\u0119bne grupy pikseli, nazywane segmentami obrazu. Poprzez roz\u0142o\u017cenie z\u0142o\u017conych informacji wizualnych na unikalnie segmenty, technika ta umo\u017cliwia szybsze i bardziej zaawansowane przetwarzanie obrazu.<\/p>\n\n\n\n
Przyk\u0142adem segmentacji obiekt\u00f3w przy u\u017cyciu wizji komputerowej jest zastosowanie algorytmu Mask R-CNN (Regional Convolutional Neural Network) do identyfikacji i segmentacji wielu instancji r\u00f3\u017cnych obiekt\u00f3w w obr\u0119bie obrazu. Sie\u0107 neuronowa jest trenowana na zbiorze danych z obrazami zawieraj\u0105cymi odpowiednie maski obiekt\u00f3w i mo\u017ce by\u0107 nast\u0119pnie u\u017cywana do przewidywania masek dla obiekt\u00f3w na nowych obrazach.<\/p>\n\n\n\n
Wykrywanie i rozpoznawanie obiekt\u00f3w<\/h3>\n\n\n\n
Celem detekcji obiekt\u00f3w jest wykrywanie na obrazie wielu instancji obiekt\u00f3w z jednej lub kilku znanych klas, takich jak ludzie czy samochody (Amit et al., 2021). Jest to jedno z fundamentalnych zagadnie\u0144 w aplikacjach wizji komputerowej. Mo\u017ce wspiera\u0107 proces kontroli jako\u015bci w produkcji poprzez wykrywanie danego obiektu na obrazie i decydowanie, czy inspekcja zosta\u0142a wykonana prawid\u0142owo czy nie. Mo\u017ce r\u00f3wnie\u017c dostarcza\u0107 cennych informacji na temat zachowa\u0144 ludzkich, na przyk\u0142ad poprzez wykrywanie aktywno\u015bci pracownik\u00f3w w \u015brodowiskach przemys\u0142owych. Ze wzgl\u0119du na warunki o\u015bwietleniowe, znacz\u0105ce r\u00f3\u017cnice w punktach widzenia i postawach, tradycyjne metody maj\u0105 pewne ograniczenia. Dlatego te\u017c du\u017co uwagi po\u015bwi\u0119ca si\u0119 stosowaniu metod uczenia g\u0142\u0119bokiego w celu opracowania stabilnego podej\u015bcia do detekcji obiekt\u00f3w (Wang et al., 2021).<\/p>\n\n\n\n
\u015aledzenie obiekt\u00f3w<\/h3>\n\n\n\n
\u015aledzenie konkretnego obiektu lub wielu obiekt\u00f3w jest stosowane w nagraniach wideo i rzeczywistych interakcjach, na przyk\u0142ad w analizie zachowa\u0144 ludzi. Jest to zadanie trudne ze wzgl\u0119du na przes\u0142oni\u0119cia, szybko poruszaj\u0105ce si\u0119 obiekty, czy interakcje mi\u0119dzy obiektami (Schulter et al., 2017).<\/p>\n\n\n\n
Dotychczas opracowano szereg algorytm\u00f3w r\u00f3\u017cni\u0105cych si\u0119 mi\u0119dzy innymi stopniem zaawansowania, wydajno\u015bci\u0105, czy skuteczno\u015bci\u0105. Jednym z popularnych algorytm\u00f3w jest filtr Kalmana, kt\u00f3ry jest stosowany do przewidywania po\u0142o\u017cenia obiekt\u00f3w na podstawie ich poprzednich ruch\u00f3w, uwzgl\u0119dniaj\u0105c pr\u0119dko\u015b\u0107 i przyspieszenie, co czyni go skutecznym w prostych scenariuszach. Warto te\u017c wymieni\u0107 algorytm DeepSORT, kt\u00f3ry \u0142\u0105czy filtr Kalmana z g\u0142\u0119bok\u0105 sieci\u0105 neuronow\u0105 do dok\u0142adniejszego \u015bledzenia obiekt\u00f3w w czasie rzeczywistym, szczeg\u00f3lnie w przypadku z\u0142o\u017conych scenariuszy z przes\u0142onami. Poszczeg\u00f3lne algorytmy maj\u0105 zastosowanie w r\u00f3\u017cnych scenariuszach \u015bledzenia obiekt\u00f3w, od prostych po bardziej zaawansowane aplikacje wymagaj\u0105ce dok\u0142adno\u015bci i efektywno\u015bci.<\/p>\n\n\n\n
Dodatkowe zagadnienia<\/h3>\n\n\n\n
Wykonanie powy\u017cszych zada\u0144 wi\u0105\u017ce si\u0119 z szeregiem proces\u00f3w po\u015brednich, dzi\u0119ki kt\u00f3rym wydobywane s\u0105 informacje, na podstawie kt\u00f3rych dokonujemy bardziej szczeg\u00f3\u0142owej interpretacji obrazu. Do takich proces\u00f3w mo\u017cemy zaliczy\u0107 mi\u0119dzy innymi detekcj\u0119 kraw\u0119dzi czy ekstrakcj\u0119 cech.<\/p>\n\n\n\n
Detekcja kraw\u0119dzi<\/h4>\n\n\n\n
Detekcja kraw\u0119dzi polega na wyodr\u0119bnieniu konturu obiekt\u00f3w na tle obrazu. Znacz\u0105co redukuje ilo\u015b\u0107 danych i filtruje niepo\u017c\u0105dane lub nieistotne informacje. Wyselekcjonowane dane s\u0105 nast\u0119pnie wykorzystywane w przetwarzaniu obrazu np. do detekcji obiekt\u00f3w (Bhardwaj and Mittal, 2012). Technologia detekcji kraw\u0119dzi zacz\u0119\u0142a by\u0107 badana w XX wieku, a do lat 60. ubieg\u0142ego wieku szybko si\u0119 rozwija\u0142a. Od tego czasu znalaz\u0142a szerokie zastosowanie w medycynie, przemy\u015ble czy rolnictwie (Shou-Ming Hou et al., 2021).<\/p>\n\n\n\n
Klasyczna technologia detekcji kraw\u0119dzi dzieli si\u0119 na technologi\u0119 detekcji kraw\u0119dzi na poziomie piksela oraz technologi\u0119 detekcji kraw\u0119dzi na poziomie podpikselowym. W technologii detekcji kraw\u0119dzi na poziomie piksela g\u0142\u00f3wne techniki obejmuj\u0105 operatory r\u00f3\u017cniczkowe, teori\u0119 genetyczn\u0105, morfologi\u0119, teori\u0119 rozmyt\u0105, itp. Z kolei w technologiach detekcji kraw\u0119dzi na poziomie podpikselowym wykorzystuje si\u0119 g\u0142\u00f3wnie rachunek macierzowy i interpolacj\u0119. Technologia detekcji kraw\u0119dzi na poziomie podpikselowym umo\u017cliwia precyzyjne okre\u015blenie wsp\u00f3\u0142rz\u0119dnych punkt\u00f3w kraw\u0119dzi, dlatego przyci\u0105gn\u0119\u0142a uwag\u0119 wielu badaczy i in\u017cynier\u00f3w w ostatnich latach (Shou-Ming Hou et al., 2021).<\/p>\n\n\n\n
Ekstrakcja cech<\/h4>\n\n\n\n
Ekstrakcja cech to proces wyodr\u0119bniania istotnych cech lub wzorc\u00f3w z obrazu. Algorytmy wizji komputerowej mog\u0105 wykorzysta\u0107 wyselekcjonowane informacje do okre\u015blania obecno\u015bci obiekt\u00f3w na obrazie. Na przyk\u0142ad, podczas identyfikacji zwierz\u0105t na obrazie, ekstrakcja cech pozwoli algorytmowi poszukiwa\u0107 okre\u015blonych cech takich jak kolor, kszta\u0142t, rozmiar itp., co pomo\u017ce mu rozr\u00f3\u017cnia\u0107 r\u00f3\u017cne gatunki zwierz\u0105t. Innym zastosowaniem jest sterowanie autonomicznymi pojazdami. Ekstrakcja cech wykorzystywana jest do identyfikacji istotnych element\u00f3w na obrazie, takich jak piesi, znaki drogowe czy pojazdy.<\/p>\n\n\n\n
Zastosowania wizji komputerowej w przemy\u015ble produkcyjnym<\/h2>\n\n\n\n
Do kluczowych zagadnie\u0144 przemys\u0142owego zastosowania technologii wizji komputerowej mo\u017cemy zaliczy\u0107 kontrol\u0119 jako\u015bci, monitorowanie procesu oraz naprowadzanie i sterowanie robot\u00f3w. Potwierdzaj\u0105 to statystyki dotycz\u0105ce wyst\u0119powania s\u0142\u00f3w okre\u015blaj\u0105cych r\u00f3\u017cne etapy produkcji w publikacjach badawczych z dziedziny wizji komputerowej (rys. 2). Wskazuj\u0105 one, \u017ce metody te s\u0105 najcz\u0119\u015bciej stosowane s\u0105 w inspekcji, produkcji oraz monta\u017cu. Warto r\u00f3wnie\u017c zwr\u00f3ci\u0107 uwag\u0119 na inne zastosowania, takie jak kontrola bezpiecze\u0144stwa czy zarz\u0105dzanie magazynem.<\/p>\n\n\n
![\"Statystyki](\"https:\/\/softinery.com\/pl\/wp-content\/uploads\/sites\/5\/2024\/07\/image-1.png\")
<\/figure>\n<\/div>\n\n\nRys. 2. Statystyki dotycz\u0105ce s\u0142\u00f3w kluczowych r\u00f3\u017cnych etap\u00f3w produkcji w publikacjach badawczych z dziedziny wizji komputerowej (Zhou et al., 2023)<\/p>\n\n\n\n
Bezpiecze\u0144stwo<\/h3>\n\n\n\n
Pracownicy w przedsi\u0119biorstwach produkcyjnych s\u0105 nara\u017ceni na doznanie obra\u017ce\u0144 podczas wykonywania pracy. Monitorowanie przestrzegania zasad bezpiecze\u0144stwa przez pracownik\u00f3w jest cz\u0119sto niewystarczaj\u0105ce, poniewa\u017c osoba odpowiedzialna mo\u017ce nie by\u0107 w stanie skutecznie obserwowa\u0107 wielu ekran\u00f3w jednocze\u015bnie. Wykorzystanie technologii widzenia komputerowego mo\u017ce skutecznie wykrywa\u0107 problemy zwi\u0105zane z zabezpieczeniami, tworzy\u0107 raporty na tablicach rozdzielczych oraz wysy\u0142a\u0107 powiadomienia. Istnieje r\u00f3wnie\u017c mo\u017cliwo\u015b\u0107 automatycznego generowania alert\u00f3w w przypadku wypadku, dzi\u0119ki czemu mo\u017cna natychmiast podejmowa\u0107 niezb\u0119dne dzia\u0142ania. Na rys. 3 przedstawiono przyk\u0142adowe zastosowanie wizji komputerowej do wykrywania \u015brodk\u00f3w ochrony osobistej.<\/p>\n\n\n
![\"Rys.](\"https:\/\/softinery.com\/pl\/wp-content\/uploads\/sites\/5\/2024\/07\/image-3.png\")
<\/figure>\n<\/div>\n\n\nRys. 3. Detekcja \u015brodk\u00f3w ochrony osobistej (labelyourdata.com)<\/p>\n\n\n\n
Wizja komputerowa w kontroli jako\u015bci<\/h3>\n\n\n\n
Kontrola jako\u015bci jest wa\u017cnym elementem produkcji, poniewa\u017c wysokiej jako\u015bci produkty pozwalaj\u0105 minimalizowa\u0107 koszty i poprawiaj\u0105 reputacj\u0119 marki. Usterki powsta\u0142e w produkcie mog\u0105 wi\u0105za\u0107 si\u0119 z konieczno\u015bci\u0105 zatrzymania produkcji, kt\u00f3rego koszty s\u0105 bardzo wysokie, si\u0119gaj\u0105ce oko\u0142o 22 000 dolar\u00f3w na minut\u0119 (encord.com). Do wad produkcyjnych mo\u017cemy zaliczy\u0107 takie cechy jak niepo\u017c\u0105dane otwory, wkl\u0119s\u0142o\u015bci i zadrapania, korozj\u0119 czy uszkodzenia wynikaj\u0105ce z zm\u0119czenia materia\u0142u. Obecne mo\u017cliwo\u015bci system\u00f3w wizyjnych pozwalaj\u0105 na detekcj\u0119 usterek nawet bardzo drobnych element\u00f3w w czasie rzeczywistym (Yang et al., 2019). Dzi\u0119ki tej technologii, mo\u017cliwe jest uzyskanie skuteczno\u015bci oceny jako\u015bci na poziomie powy\u017cej 95%.<\/p>\n\n\n\n
Podczas produkcji przemys\u0142owej powstaj\u0105 r\u00f3wnie\u017c takie defekty jak p\u0119kni\u0119cia. Znajduj\u0105 tu zastosowanie algorytmy detekcji kraw\u0119dzi, kt\u00f3re s\u0105 pomocne w identyfikacji typu tych defekt\u00f3w i precyzyjnym okre\u015bleniu lokalizacji, co jest istotne dla operator\u00f3w przy ocenie jako\u015bci cz\u0119\u015bci (Shou-Ming Hou et al., 2021).<\/p>\n\n\n
![\"Wykrywanie](\"https:\/\/softinery.com\/pl\/wp-content\/uploads\/sites\/5\/2024\/07\/image-4.png\")
<\/figure>\n<\/div>\n\n\nRys. 4. Wykrywanie usterek w produkcji przy u\u017cyciu rzeczywistego uczenia g\u0142\u0119bokiego (Yang et al., 2019)<\/p>\n\n\n\n
Zarz\u0105dzanie magazynem<\/h3>\n\n\n\n
Tradycyjne zarz\u0105dzenie magazynem opiera si\u0119 na pracy manualnej, skanerach r\u0119cznych i nawet systemach opartych na dokumentach papierowych, co zwi\u0105zane jest z nisk\u0105 efektywno\u015bci\u0105, podatno\u015bci\u0105 na b\u0142\u0119dy oraz wysokimi kosztami operacyjnymi. Systemy wizyjne pozwalaj\u0105 na pokonanie tych trudno\u015bci. Wyposa\u017caj\u0105c magazyn w kamery, sensory i zaawansowane algorytmy, przedsi\u0119biorstwa uzyskuj\u0105 wi\u0119ksz\u0105 kontrol\u0119 nad ich stanem. Dzi\u0119ki wizji komputerowej zak\u0142ady redukuj\u0105 czas po\u015bwi\u0119cony na poszukiwanie przedmiot\u00f3w, r\u0119czne skanowanie, minimalizuj\u0105 braki w zapasach i optymalizuj\u0105 przestrze\u0144 magazynow\u0105 (vimaan.ai).<\/p>\n\n\n
![\"Zastosowanie](\"https:\/\/softinery.com\/pl\/wp-content\/uploads\/sites\/5\/2024\/07\/image-5.png\")
<\/figure>\n<\/div>\n\n\nRys. 5. Zastosowanie wizji komputerowej w zarz\u0105dzaniu magazynem (vimaan.ai)<\/p>\n\n\n\n
<\/h1>\n\n\n\nKorzy\u015bci wynikaj\u0105ce z zastosowania wizji komputerowej<\/h2>\n\n\n\n
Wizja komputerowa przynosi przemys\u0142owi szereg korzy\u015bci. Jest wykorzystywana w automatyzacji proces\u00f3w produkcyjnych i logistycznych poprzez rozpoznawanie i wykrywanie obiekt\u00f3w, co skraca czas wykonania zada\u0144 i redukuje koszty. Przyczynia si\u0119 do poprawy jako\u015bci wyrob\u00f3w dzi\u0119ki dok\u0142adniejszej kontroli i szybszemu wykrywaniu defekt\u00f3w. Kolejn\u0105 korzy\u015bci\u0105 jest optymalizacja zarz\u0105dzania zapasami poprzez precyzyjne \u015bledzenie stanu magazyn\u00f3w i minimalizacj\u0119 ryzyka brak\u00f3w oraz nadmiernych zapas\u00f3w. Zwi\u0119ksza bezpiecze\u0144stwo poprzez monitorowanie \u015brodowiska pracy i szybkie rozpoznawanie zagro\u017ce\u0144. Wreszcie, stosowanie wizji komputerowej zwi\u0119ksza konkurencyjno\u015b\u0107 poprzez zwi\u0119kszenie wydajno\u015bci, redukcj\u0119 koszt\u00f3w i popraw\u0119 jako\u015bci, umo\u017cliwiaj\u0105c firmom osi\u0105gni\u0119cie przewagi na rynku.<\/p>\n\n\n\n
Podsumowanie<\/h2>\n\n\n\n
Wizja komputerowa stanowi jedn\u0105 z kluczowych technologii wspieraj\u0105cych rozw\u00f3j przemys\u0142u na ca\u0142ym \u015bwiecie. Technologia ta nie tylko zwi\u0119kszaj\u0105 efektywno\u015b\u0107 produkcji, ale tak\u017ce poprawiaj\u0105 jako\u015b\u0107, bezpiecze\u0144stwo oraz zarz\u0105dzanie produkcj\u0105 i logistyk\u0105. Dzi\u0119ki post\u0119powi w g\u0142\u0119bokim uczeniu i nowoczesnym algorytmom, systemy wizyjne staj\u0105 si\u0119 nieodzownym narz\u0119dziem w procesach automatyzacji i optymalizacji w przemy\u015ble. Jej rosn\u0105ce znaczenie potwierdzaj\u0105 liczne badania i zastosowania praktyczne, czyni\u0105c j\u0105 kluczowym elementem przysz\u0142o\u015bci produkcji przemys\u0142owej.<\/p>\n\n\n