Vision Skolen (4:4)

Integrasjon & robot vision

Fjerde og siste del av Vision Skolen dekker integrasjon i produksjonslinjen og robot vision.

Robotsyn kan være løsningen for superfleksibel produksjon, som her hos Sintef, og vilkårlig kasseplukking (random bin-picking).
Robotsyn kan være løsningen for superfleksibel produksjon, som her hos Sintef, og vilkårlig kasseplukking (random bin-picking).

Fjerde og siste del av Vision Skolen dekker integrasjon i produksjonslinjen og robot vision.

Bedre kunnskap om muligheter og begrensninger gir et riktigere grunnlag for å vurdere aktualiteten av vision systemer. Vision Skolen er et samarbeid med Helge Jordfall hos den norske vision pioneren Tordivel. De tidligere utgavene har dekket følgende:

  1. bruksområder og reduksjon i produksjonskostnader.
  2. spesifikasjon av krav til et vision system, samt valg av kamera, linse og belysning – en slags ”startpakke" for maskinsyn.
  3. de viktigste verktøyene som brukes. Denne delen viste også at produksjonsingeniører raskt kan lære seg å lage enkle vision systemer.

 

Smørbrødlisten

 

For å sikre en fornuftig og stabil funksjonalitet av et vision system i produksjonslinjen, og for operatører, må følgende på plass:

  1. Alle logiske tilstander, som kan forekomme i produksjonen (OK, feil etc.), må identifiseres og defineres.
  2. Skjermbilder, med aktuell informasjon for operatører, må konfigureres.
  3. Kommunikasjon mot PLS eller andre kontrollsystemer må settes opp og testes.
  4. Logging og lagring av relevante data for dokumentasjon og statistikk må konfigureres.

 

I praktiske eksempler vil vi vise hvordan dette gjøres.

 

Logiske tilstander

 

I en produksjonslinje oppstår gjerne forskjellige situasjoner. I tillegg kan inspeksjonene få forskjellige resultater. De logiske tilstandene skal entydig beskrive disse, slik at både vision systemet, sammen med en PLS eller robot, kan utføre korrekte aksjoner. Vi kan dele tilstandene i tre hovedgrupper:

  1. Godkjent produkt.
  2. Produkt med feil.
  3. Feil som har oppstått i produksjonslinjen eller vision systemet.

 

De logiske tilstander baserer seg på målinger og tester fra et eller flere vision verktøy. I Vision Skolen del tre så vi hvordan målinger kunne testes mot minimum og maksimum grenseverdier i et Logikkverktøy. Og det er resultatene i disse verktøyene ( 1 = sann, 0 = usann) som danner grunnlaget for å definere de logiske tilstandene.

 

Når en tilstand er detektert, kan denne kommuniseres, og den relevante businesslogikken kan iverksettes (pakke produktet, kaste produktet, vente på et nytt produkt etc.).

 

Finn feilene!

 

Feil som kan oppstå i produksjonslinjen, eller med vision systemet, neglisjeres ofte. Resultatet, er at produksjonslinjen plages med mange uforutsette stopp, stor feilprosent eller at produkter med feil rett og slett passerer kontrollen. Et stabilt og sikkert system tar alltid hensyn til de feil som kan oppstå. Men de må defineres, slik at vision systemet kan gjenkjenne situasjonene. De mest vanlige situasjonene er:

  1. Vision systemet tar et bilde og inspiserer, men intet produkt er tilstede.
  2. Feil produkttype eller udefinert produkt tilstede.
  3. Vision systemet kan ikke måle, og dermed heller ikke avgjøre om produktet er OK eller ikke.

 

En enkel metode for å teste om et produkt er tilstede, er å måle produktets areal med et Blob verktøy. Som vist i vision skolen del 3, finner en Blob et areal med gråtoneverdier innefor gitte grenser. Et av resultatene fra dette verktøyet, er arealet av dette området. Dersom alle produkter skal være større enn for eksempel 100 m2, kan vi bruke et logisk verktøy til å teste dette. Resultatet fra verktøyet vil være sann (=1) når produktet er tilstede, og usann (=0) ellers.

 

I visse situasjoner kan vision systemet ikke utføre oppgaven. Dette kan skyldes at ett eller flere verktøy ikke gir et forventet resultat. Det kan være at en Blob ikke finner ett areal, eller et linjefinnerverktøy ikke finner en linje/kant. Dersom andre verktøy er avhengig av disse resultatene, vil inspeksjonen feile.

 

Dette kan skyldes varierende og/eller vanskelige lysforhold eller en feil på produktet. Dersom det skyldes varierende lysforhold, må dette rettes med en bedre lyssetting og eventuelt bedre beskyttelse mot eksternt lys. Det kan også være nødvendig å finjustere verktøyene, slik at de bedre håndterer naturlige variasjoner. Dersom dette forsatt er et problem, og i alle fall dersom det skyldes en feil på produktet, må det settes opp egne logiske tester som kontroller situasjonen.

 

I eksempelet nedenfor genereres et referansesystem basert på linjen mellom senterpunktene på de to store hullene i produktet. Referansesystemet måler dreining av objektet. Den er nødvendig for å plassere verktøy som måler dimensjonene på produktet. I enkelte situasjoner mangler det ytterste hullet, og systemet feiler. Et Blob verktøy brukes til å finne det ytterste hullet (se vision skolen del 3). Videre kan et logikkverktøy brukes for å sette opp en test som er sann når det ytterste hullet er funnet, og usann dersom det ikke finnes.

 

Ulike produkttyper

 

En fleksibel produksjonslinje håndterer mange forskjellige produkttyper, og det må også vision systemet. Vanligvis kjøres et produkt av gangen, og dersom dette er kjent, kan det enten kommuniseres automatisk fra en PLS eller operatøren legger det inn manuelt. I noen tilfeller må vision systemet identifisere produkt selv. Da benyttes ett eller flere vision verktøy til denne oppgaven, og resultatene fra verktøyene testes i ett logikkverktøy for hvert produkt. Det logikkverktøyet som gir resultatet ”sann”, definerer hvilket produkt som er på linjen. I eksemplet nedenfor brukes en Blob, som blant annet kan beregne et koordinatsystem med aksekors i henhold til lengde, bredde og sirkulariteten av det arealet som er funnet. De tre produktene skilles fra hverandre ved å sette opp forskjellige kriterier for hvert produkt.

 

Etter identifikasjon skal produktet inspiseres. Ofte må det benyttes forskjellige verktøy til de forskjellige produkter, men dette håndteres enkelt med en ”Guard” funksjon. Denne funksjonen sikrer at bare de verktøyene, som er relatert til det spesifikke produktet, kjører. Dette gjør det enkelt å håndtere mange forskjellige produkter i samme system.

 

Operatører trenger enkel informasjon om hva som skjer i sanntid og historisk informasjon som trender og statistikk. I for eksempel Scorpion Vision Software kan skjermbilder med relevant informasjon enkelt konfigureres.

 

Integrasjon med PLS & robot

 

I de fleste tilfeller er vision systemer en ”slave” i et større automatiseringsanlegg. Dette betyr at en PLS eller en robot initierer en inspeksjon ved å sende en ”Ta bilde” kommando. Vision systemet svarer med å sende resultatet av inspeksjonen (den logiske tilstand som er funnet), og eventuelle måleresultater. Det kan kommunisere via RS232, TCP/IP eller med tradisjonelle I/O signaler, og som opsjon kan man få feltbusskommunikasjon som ProfiBus. Det er fullt mulig å sette opp flere kommunikasjonslinjer, for eksempel en RS232 linje for kommunikasjon mot en PLS, og en annen RS232 linje mot en robot.

 

Logging og lagring

 

Stadig flere krever dokumentasjon av inspeksjonen/kvalitetskontrollen som en del av produktleveransen. I tillegg er disse data viktige for å overvåke produksjon. I Scorpion Vision Software kan man enten logge data til fil, eller sende det direkte over en kommunikasjonslinje til et annet system (Statistical Process Control – SPC eller database). Alle måleresultater fra verktøyene er tilgjengelige for logging. Dersom det logges til en fil, kan dataene enkelt importeres i Excel for videre bearbeiding. Det er også mulig å lagre bilder. Spesielt i innkjøringsfasen kan det være ønskelig å lagre feil inspeksjoner for senere verifisering.

 

Robot Vision

 

Fleksibel automasjon betyr at roboter, tradisjonell automatisering og vision arbeider tett sammen. Dette reduserer kostnadene, øker fleksibiliteten, og gir mulighet for å produsere flere produktvarianter i en og samme produksjonslinje – 24 timer om dagen – med (større) fortjeneste. Vision systemets evne til å lokalisere og identifisere produkter, er kritiske elementer i et slikt system.

 

Vision systemet kan enkelt arbeide i robotkoordinater med en 4 punkt kalibreringsprosedyre, og ved å gjøre en linsekalibrering (se vision skolen del 2), kan lokasjon/plukkepunktet (x, y og vinkel) finnes med stor nøyaktighet og kommuniseres direkte til roboten over for eksempel en RS232 linje.

 

Kamera kan monteres i taket, eller på roboten, alt avhengig av oppgavens art. De fleste vision systemer har verktøy for å tilpasse målesekvenser og businesslogikk, slik at oppgaven, og ikke minst takten, kan optimaliseres.

 

I de senere årene har investeringskostnadene på både roboter og spesielt vision systemer falt. Samtidig har funksjonaliteten og påliteligheten økt dramatisk. Med robot vision har mange industribedrifter muligheten til å skaffe seg et konkurransefortrinn.

 

I vision skolen har vi tatt opp de viktigste elementer i et vision system. Vi håper dette har gitt inspirasjon til å se mulighetene, samt å forstå at dette ikke er MAGI – det er bare en ny teknikk.

 

Etterord

 

Vi takker markedssjef Helge Jordfald i Tordivel for gode bidrag til Automatiserings vision skole. Innholdet er bygget rundt selskapets vision system, Scorpion Vision Software. Dette kjører i standard- eller industri-PCer, og benytter 3. parts kameraer. Men, framgangsmåten for etablering og bruk av vision systemer er uansett forholdsvis lik. En annen systemløsning kalles gjerne smartsensor, hvor både kamera og datamaskin/software er integrert i en enhet.

Eksklusivt for digitale abonnenter

På forsiden nå