Makine görüşünde kenar algılama hakkında kısa bir tartışma

Makine görüşü, yüksek hız, yüksek hassasiyet, tekrarlanabilirlik, nesnellik gibi avantajlara sahiptir. Otomatikleştirilmiş ekipmanlara makine görüşü eklendikten sonra, manuel çalışmaya kıyasla algılama ve montaj verimliliği ve doğruluğu önemli ölçüde artacaktır. Makine görüşü alanı artık en ileri araştırma sıcak noktalarından biri haline gelmiştir. Kenar algılama, makine görüşünün vazgeçilmez bir parçası ve önemli bir görüntü ön işleme teknolojisidir.

Kenarlar, süreksiz gri tonlama değerlerinin sonucu olduğundan, bu süreksizlik genellikle türevler kullanılarak kolayca tespit edilebilir. Genellikle, kenarları algılamak için birinci ve ikinci dereceden türevler seçilir. Makine görüşü denetiminde bu yöntem genellikle kenar algılama yerel operatör yöntemi olarak adlandırılır. Görüntü kenarlarının algılanması için Canny algoritması, görüntüyü işlemek ve bölütlemek için kullanılır. Belirli algoritmanın temel adımları şunlardır:

1. Filtreleme: Kenar algılama algoritması esas olarak görüntü yoğunluğunun birinci ve ikinci dereceden türevlerine dayanır, ancak türevlerin hesaplanması gürültüye karşı çok hassastır, bu nedenle gürültüyle ilgili kenar dedektörünün performansını iyileştirmek için filtreler kullanılmalıdır. Çoğu filtrenin gürültüyü azaltırken kenar gücünde bir kayba neden olduğu unutulmamalıdır, bu nedenle kenar güçlendirme ve gürültü azaltma arasında bir denge vardır.
2. Güçlendirme: Kenar güçlendirmenin temeli, görüntüdeki her noktanın komşu yoğunluk değerindeki değişimi belirlemektir. Güçlendirme algoritması, komşu (veya yerel) yoğunluk değerlerinde önemli değişiklikler olan noktaları vurgulayabilir. Kenar güçlendirme genellikle gradyan genliğini hesaplayarak gerçekleştirilir.
3. Algılama: Görüntüde nispeten büyük gradyan genliklerine sahip birçok nokta vardır ve bu noktaların tümü belirli uygulama alanlarındaki kenarlar değildir, bu nedenle hangi noktaların kenar noktaları olduğunu belirlemek için bir yöntem kullanılmalıdır. En basit kenar algılama kriteri, gradyan genliği eşik kriteridir.
4. Konumlandırma: Bir uygulama kenar konumunu belirlemeyi gerektiriyorsa, kenar konumu piksel altı çözünürlükte tahmin edilebilir ve kenar yönü de tahmin edilebilir.

Kenar algılama algoritmalarında ilk üç adım çok yaygın olarak kullanılır. Bunun nedeni, çoğu durumda kenar dedektörünün yalnızca kenarın görüntüdeki belirli bir pikselin yakınında göründüğünü belirtmesinin yeterli olması, ancak kenarın kesin konumunu veya yönünü belirtmesine gerek olmamasıdır.

Bu dört adım, boyut ölçümü için makine görüşü kullanıldığında, özellikle kenarın hassas konumu ve yönü için esastır. Makine görüşü denetim teknolojisi, güçlü performans avantajları, standartlaştırılmış ürün kalitesi, hızlı denetim hızı, güvenilir ve kararlı denetim sonuçları ile uzun süre denetlenebilir ve çeşitli alanlarda yaygın olarak kullanılmaktadır.