Parámetros de la cámara alemana baslerl301kc, ¡consulte a expertos!
Cámara Basler color L301kc para clasificación de chapas
El ingeniero de software James Gibbon lidera a Ventek en el suministro de sistemas de visión artificial para aplicaciones de procesamiento y clasificación en la industria mundial de paneles a base de madera. En 2005, Ventek lanzó el sistema a todo color GSc2000 para clasificar chapas secas utilizadas en la producción de madera contrachapada. La Basler L301kc es su cámara preferida. La madera contrachapada se fabrica quitando finas chapas de bloques de madera en bruto. Los bloques de madera se empapan en agua para que se pelen fácilmente. La chapa cortada se enrolla en tamaños convenientes, generalmente de 4 a 8 pies,... pies, para formar tablas equilibradas, y las capas se pegan entre sí para crear la madera contrachapada terminada. Las tablas se secan y luego se cortan en diferentes grados para diferentes capas y grados de madera contrachapada. El proceso de calificación siempre se ha basado en la visión humana, la cual tiene cierto grado de subjetividad que también se manifiesta en períodos de alta productividad y largas transiciones. A medida que aumenta la productividad, la capacidad humana para clasificar con precisión las chapas se vuelve cada vez más difícil. Las carillas generalmente se introducen a través del nivel a velocidades superiores a 400 pies por minuto, con tasas de presentación cercanas al uno por ciento
Segundo. Los estudiantes de calificación deben determinar las calificaciones y presionar teclas a velocidades tan altas para fabricar madera contrachapada antes de que se utilice la mesa de clasificación del apilador automatizado en el proceso de fabricación de madera contrachapada. El escaneo de carillas es un procedimiento de red y las cámaras de escaneo lineal son la mejor opción para esta operación. Revisamos varias aplicaciones de cámaras en color y la Basler L301kc parecía ser la opción más adecuada. Las opciones principales son prismas o matrices trilineales dispuestas entre matrices CCD. Las cámaras basadas en prismas eliminan cualquier problema de ajuste, pero tienen requisitos de trabajo estrictos y no se pueden usar con la mayoría de las lentes. Las primeras pruebas de la cámara prismática de escaneo lineal en color Modelo 1000 comenzaron en 1998, y en 2000 se lanzó el primer sistema de escaneo horizontal de placa única, el GS2000. GS2000 ha creado muchas novedades en la industria, como la integración de interfaz hombre-máquina y tecnología de procesamiento de imágenes en una sola computadora, placas de interfaz estándar disponibles en el mercado, reglas flexibles de múltiples niveles (sin parámetros básicos fijos), etc. Fue el primer sistema basado en procesadores Pentium II duales de 600 MHz que, por primera vez, eran lo suficientemente potentes como para seguir el ritmo de la línea de producción. El GS2000 continuó con el desarrollo de hardware para aumentar la velocidad y, en última instancia, presenta un único procesador Pentium 4 con hiperprocesamiento con hasta 3 veces la resolución en escala de grises del procesador. Dado que el procesamiento de imágenes en color aumenta el tamaño de la imagen en un factor de 3 y los procesadores actuales no son lo suficientemente rápidos, Ventek decidió dar el salto al color.
Para mantener una buena imagen es imposible centrarse en toda la imagen. Al mismo tiempo, las matrices trilineales pueden tener problemas de alineación al rastrear objetos en movimiento porque no tienen obstrucciones en la trayectoria óptica, lo que puede causar distorsión del enfoque. Sólo las cámaras trilineales proporcionan un enfoque óptimo en todas las aplicaciones. Para ayudar con los problemas de seguimiento, el Basler L301kc está equipado con un registro de desplazamiento que configura la cámara a una velocidad lineal fija y la compensa en una cantidad de revoluciones, lo que permite sincronizar la cámara en las tres matrices de colores. Sin esta característica, el software tendría que reutilizar matrices de colores, lo que aumentaría significativamente el tiempo de procesamiento. Comprender cómo utilizar la pérdida de señal de color para clasificar objetos es un poco más complicado. El resultado final del procesamiento de imágenes de chapa es una lista de posibles defectos del objeto que deben clasificarse en diferentes tipos de defectos para poder clasificarlos. Para ello necesitamos algún tipo de clasificación automática de estos objetos y determinar su tipo. Se pueden utilizar redes neuronales para realizar dicha clasificación estadística. Hay muchos tipos de redes neuronales y muchas formas de usarlas, por lo que este artículo solo puede analizar las redes neuronales básicas, pero son muy importantes para GSc2000. Otro factor para conseguir el color adecuado es el sistema de iluminación. El sistema de iluminación necesitaba iluminar una línea de escaneo de 120 pulgadas de ancho, y la vida útil de la bombilla variaba entre las bombillas de larga duración que aún no habían utilizado esta tecnología.
Esto parece una aplicación ideal para los sistemas de iluminación LED, pero al mismo tiempo no son lo suficientemente brillantes como para que estos proyectos iluminen un área demasiado pequeña. La chapa no siempre es plana, ya que se enrolla desde la mesa de escaneo y puede salirse del área de proyección del LED. Las luces LED se pueden usar en productos de iluminación de respaldo para explorar áreas abiertas, mientras que los sistemas de difusión con mayor potencia se usan para iluminación directa, utilizando luminarias de color estable que pueden durar más de un año antes de necesitar reemplazo. Hay dos cosas principales para que las imágenes en color funcionen correctamente. Uno es el esfuerzo consciente por medir correctamente las imperfecciones de los clasificadores de entrada y otras calibraciones de luz apropiadas. GSc2000 utiliza un escaneo de la propia madera para determinar el equilibrio de color del sistema de iluminación, teniendo en cuenta los cambios de nivel utilizados para compensar.
No todos los defectos de la madera son iguales, por lo que las redes neuronales proporcionan un muestreo estadístico de los objetos defectuosos asignando etiquetas de clase a los operadores. A través del proceso de capacitación, la red neuronal aprende a clasificar los objetos de manera similar. La red proporciona mediciones de tamaño, forma e intensidad de color de los objetos y luego ingresa y emite señales, nivel de código que indica qué objeto tiene más probabilidades de ser un objeto defectuoso. Se les retroalimenta una evaluación de la clasificación y de cómo seleccionar nuevos objetos en la categoría apropiada. Ventek descubrió que la precisión general de la clasificación era de aproximadamente el 90 % cuando se utilizaban cámaras en escala de grises. Teniendo en cuenta que la calificación manual solo logra una precisión promedio de alrededor del 70% en la mayoría de los casos, puede obtener mucho por su inversión incluso con el escáner de escala de grises GS2000. La cámara en color Basler L301kc eleva la precisión de clasificación a más del 95 %, e incluso más para ciertos tipos de defectos. Aunque la precisión de la calificación es solo una parte de la precisión total de la calificación, es el factor más básico.