多模型模式匹配加快了零件间的识别

制造中的经典机视觉检查应用是二进制的。例如，在典型的应用中，视觉系统捕获搁置在进给式输送机上的部件的图像，并确定它是否是右侧部分。如果它不是正确的部分，那么就被拒绝，没有任何想法的实际可能是什么。这种类型的应用通常使用在正确部件的图像上培训的模式匹配算法。模式匹配算法了解对象的几何图形，并且当检查部分时，它会查找图像中的那些形状。

当被要求超越真假时，申请更具挑战性的应用程序来回答多项选择问题。假设我们希望视觉系统捕获图像并告诉我们有12个不同的部分中的哪一个存在，因此我们可以将其与构建的材料匹配。这对大多数愿景系统来说不是问题，但它需要相当多的额外工作。而不是在单个部件上培训模式匹配算法，而是必须在12份上培训。然后，对于检查的每个部分，算法必须搜索所获取的图像12不同的时间。在单个周期中完成所有12个检查可能是具有挑战性的。例如，典型的检查操作可能需要38毫秒（MS）以将所获取的图像与每个型号进行比较总共460毫秒或近一秒以比较所有12型号。

多模型模式匹配算法可以大大减少执行此类检查所需的时间。该算法的工作原理是捕捉所有需要检查的部件或特征的图像，并将它们合并到一个单一的、多个模型中。在获取图像后，算法只需要对其进行一次搜索。基于模型中包含的几何特征，算法确定出现的部分。该方法比传统的单模型模式匹配算法节省了大量的时间。

让我们看一下使用12个不同轮子的汽车组装厂的典型例子。四个视觉系统用于确保每个车辆上的四个轮子中的每一个都匹配构建顺序。在罩下方，多模型模式匹配工具收集每个滚轮的显着特征，并将它们存储在单个模型中。当多模型模式匹配算法运行时，它将基于产生最佳结果的模型返回注册或检查结果。如果被检查的部件与任何存储的模型不匹配，则算法返回未找到的结果。

多模型模式匹配算法比传统的单模型模式匹配效率高得多，因为只需要对捕获图像的特征进行一次检测。所附照片显示多个模型模式匹配算法,可以捕获的图像,确定哪些12种不同的轮子只出现在190毫秒,大约40%的所需的时间由一个模型模式匹配算法和足够快以满足几乎任何生产线的周期时间。这种方法还减少了视觉应用程序所需的内存数量。

尝试在良好部件外观存在大量变化的应用中培训传统模式通常产生不可用的模式，因为该模式包括在其他运行时部分图像中不存在的许多特征。智能自学习复合模式匹配工具可以通过自动化学习过程来改进检查精度并简化应用程序设置，以区分重要图像特征和可以安全地被忽略的过程。