Машинное зрение в промышленности: DIY или готовые решения? Кейс с распознаванием маркировки "Честный Знак"

Когда речь заходит о выборе решения для автоматизации производства при помощи компьютерного зрения, часто встает вопрос о выборе готового решения или собственной разработке. В данной статье мы рассмотрим ключевые аспекты построения систем компьютерного зрения, аппаратное обеспечение, программные решения, а также их практическое применение.

Главным элементом любой системы компьютерного зрения является источник входных данных — камеры. При выборе камеры необходимо учитывать несколько параметров:
  • Область интереса — рабочее пространство.
  • Размер наблюдаемого объекта — минимальные габариты, которые должна улавливать камера.
  • Частота кадров — количество кадров в секунду для анализа изображения.
  • Тип затвора — глобальный или скользящий, который влияет на качество изображения движущихся объектов.
  • Цветность — монохромные камеры часто обеспечивают более высокую четкость изображения.
  • Чувствительность к свету, интерфейс передачи данных и тип матрицы также играют важную роль.
Полученные данные передаются на процессоры для обработки. В зависимости от требований используются различные вычислительные устройства:
  • GPU (графические процессоры) — ускоряют обработку данных за счет параллельных вычислений.
  • TPU, NPU — специализированные процессоры для нейронных сетей, обеспечивающие высокую производительность.
  • Одноплатные решения — используются в условиях ограниченного энергопотребления (например, в полевых условиях).

Фреймворки для компьютерного зрения

Фреймворки делятся на две основные категории:
  1. Для разработки и обучения нейросетей — наиболее популярные это PyTorch, TensorFlow, JAX, MindSpore.
  2. Для оптимизации и исполнения моделей — обеспечивают работу нейросетей на реальных устройствах.
Выбор фреймворка зависит от конкретных задач, скорости обработки данных и потребностей системы.

Практическое применение: RITMS OMEGA

Платформа "Омега" состоит из двух основных частей:
  1. Конфигуратор платформы — инструмент, позволяющий управлять системой, создавать, добавлять и редактировать точки контроля. Под точками контроля понимаются камеры, подключенные к серверу или расположенные в сети (например, IP-камеры). Если система работает в оффлайне, вместо точек контроля могут использоваться видеофайлы или изображения. Конфигуратор также предоставляет возможность взаимодействовать с базами данных, визуализировать информацию, агрегировать статистику и просматривать ее в интерфейсе.
  2. Ядро платформы — отвечает за обработку входной информации, передачу данных и статистики в базы данных или сторонние сервисы. Конвейер анализа данных может интегрироваться с любой информационной системой. Его основное преимущество заключается в модульной архитектуре функциональных блоков, обеспечивающей гибкость и масштабируемость.
На представленном интерфейсе платформы (см. выше) видно, что пользователи могут добавлять камеры, запускать и останавливать обработку видеопотока. Каждой камере можно назначить один или несколько алгоритмов анализа.

Решение масштабируется как горизонтально, так и вертикально.

Кейс: распознавание маркировки "Честный знак"

Решение включает в себя несколько ключевых компонентов: государственную информационную систему мониторинга, учетную систему на базе 1С и систему машинного зрения.

1. Государственная информационная система мониторинга (ИС МП) «Честный знак»
Эта система отвечает за генерацию (эмиссию) кодов маркировки, их ввод в оборот, а также учет товаров, включая агрегацию транспортных упаковок. Взаимодействует с учетными системами предприятий.
2. Учетная система на базе 1С
В этой системе осуществляется заказ кодов маркировки, их распределение и нанесение на продукцию. После маркировки товаров информация обрабатывается, происходит агрегация упаковок, а затем товары перемещаются на склад готовой продукции. Вся информация синхронизируется с ИС МП «Честный знак».
3. Система машинного зрения
Камеры фиксируют изображения продукции, затем специальные алгоритмы выполняют детекцию, сегментацию, локализацию и декодирование кодов. Далее обработанные данные передаются в учетную систему 1С и контроллеры производства.

Основные процессы решения:
  • Генерация и заказ кодов маркировки.
  • Нанесение кодов на продукцию и их проверка с использованием машинного зрения.
  • Ввод кодов в оборот и учет продукции в государственных системах.
  • Автоматизированная агрегация упаковок и перемещение на склад

Если у вас возникают задачи, связанные с созданием системы машинного зрения - отправьте свой запрос на info@list.dev.rtsoft.ru.

Наши статьи:

Блог ЦПР РТСофт