Machine vision stelt machines in staat om beelden te inspecteren en te analyseren. Een camera legt een scène vast. Software haalt er informatie uit: is het onderdeel defect? ​​Is het label goed uitgelijnd? Is de lasnaad compleet? De machine neemt een beslissing en activeert een actie, meestal accepteren of afwijzen.

Fabrieksautomatisering was de drijvende kracht achter deze ontwikkeling. In de jaren 80 maakten machinevisiesystemen gebruik van analoge camera's en op maat gemaakte hardware. Deze systemen waren duur en kwetsbaar. Tegenwoordig sturen GigE Vision- en USB3-camera's beelden naar industriële pc's waarop deep learning-modellen draaien. Eén enkel systeem kan honderden onderdelen per minuut inspecteren met een nauwkeurigheid die die van menselijke inspecteurs overtreft.

Toepassingen van machinaal zien

• Defectdetectie op productielijnen.
• Dimensionale meting en ijking.
• Barcode- en OCR-lezen.
• Robotbesturing en het oppakken van afval uit bakken.
• Controle van de aanwezigheid en afwezigheid bij de bijeenkomst.

Het moeilijkste onderdeel is de belichting. Een goede afbeelding maakt het werk van de software makkelijk. Een slechte afbeelding maakt het onmogelijk. Machine vision-engineers besteden meer tijd aan belichting dan aan algoritmes. Tegenlicht creëert silhouetten. Ringlicht vermindert schaduwen. Koepellicht verspreidt reflecties. Gestructureerd licht voegt diepte toe. Zodra de afbeelding schoon is, kunnen deep learning-modellen defecten classificeren of objecten segmenteren met hoge nauwkeurigheid. Machine vision gaat niet over zien zoals een mens. Het gaat erom te zien wat belangrijk is voor de taak, consistent, snel en zonder vermoeidheid.