Välj och placera Robot Vision: 2D vs 3D Guide|RBTIC

Att väljaett visionsystem för en pick-and-place-robotär inte bara en fråga om att avgöra om 3D-teknik är mer avancerad än 2D. Den mer användbara frågan är:Hur mycket positionell osäkerhet måste roboten lösa innan den kan göra ett tillförlitligt val?

Om varje del anländer i samma position och orientering behöver roboten kanske inte synen alls. Om delar rör sig oförutsägbart över en plan yta kan 2D-seende vara tillräckligt. Om roboten måste hantera ändrade höjder, lutande föremål, staplade produkter eller slumpmässiga papperskorgar, blir 3D-seende mycket mer relevant.

En praktisk regel är: Ju mer osäkerhet det finns i tre-dimensionell produktposition och orientering, desto mer avkänningskapacitet kommer applikationen sannolikt att kräva.

Syn bör dock inte väljas isolerat. Produktpresentation, grepp, cykeltid, noggrannhetskrav, belysning, ytegenskaper och integrationskomplexitet kan alla avgöra om ett teoretiskt lämpligt visionsystem kommer att fungera tillförlitligt i produktionen. Den här guiden förklarar när du ska använda ingen vision, 2D-vision och 3D-vision för att välja och placera applikationer och ger en praktisk ram för att välja mellan dem.

Om du planerar att välja-och-platsautomatisera, utforskaRBTIC plocka-och-robotserierför att granska konfigurationer och specifikationer.

RBTIC Pick and Place Robot Vision

A plocka och placera robotbehöver endast maskinseende när den måste identifiera eller kompensera för produktvariationer som inte kan kontrolleras mekaniskt eller genom andra avkänningsmetoder.

Två olika applikationer.

Scenario	Dellägesskick	Robotdriftslogik	Vision Systemkrav
Scenario 1	En komponent är alltid placerad i samma fixtur inom en repeterbar tolerans.	Plocka och placera roboten kan flytta till en inlärd koordinat varje cykel.	Kan fungera tillförlitligt utan kamera
Scenario 2	Delar anländer slumpmässigt över en transportör i olika positioner och orienteringar.	Roboten måste bestämma var varje del är innan den kan plocka den.	Kräver normalt någon form av syn- eller positionsdetekteringssystem-

Syftet med robotvision är därför inte att göra automationssystemet mer sofistikerat. Syftet är att ta bort osäkerhet som annars skulle förhindra ett tillförlitligt val.

Innan du jämför ingen vision, 2D-vision och 3D-vision, utvärdera själva applikationen.

Flera variabler är särskilt viktiga.

Kärnfaktor	Beskrivning
Variation av produktposition	Fråga hur mycket produkten rör sig från cykel till cykel. En del som hålls i en precisionsfixtur kan ha nästan ingen positionsvariation. En lös produkt som färdas på en transportör kan förskjutas avsevärt i X- och Y-riktningarna. En slumpmässigt staplad komponent kan variera i X, Y, Z, stigning, rullning och girning. Antalet okontrollerade variabler är en av de starkaste indikatorerna på den avkänningsförmåga som krävs.
Variation i höjd och djup	Om varje produkt presenteras på ungefär samma höjd kanske djupmätning inte är nödvändig. När produkter väl kan dyka upp på avsevärt olika höjder kan det dock hända att en 2D-bild inte längre ger tillräckligt med information för att bestämma en tillförlitlig plockposition. Detta är särskilt viktigt för staplade produkter, slumpmässiga papperskorgar, ojämna ytor och komponenter som kan luta.
Produktorientering	En robot kan behöva mer än en produkts mittposition. Beroende på applikationen kan den också behöva bestämma: i-planrotation; fullständig tre-dimensionell orientering; vilken sida av produkten är vänd uppåt; om en nödvändig gripfunktion är tillgänglig. Ju mer orienteringsfrihet en produkt har, desto mer krävande blir avkänningsproblemet.
Överlappning och ocklusion	Produkter som förblir separerade och fullt synliga är lättare att hitta. Staplade, överlappande eller delvis nedgrävda produkter skapar en annan utmaning. Systemet kan behöva särskilja enskilda objekt, avgöra vilket som är tillgängligt och undvika kollisioner med omgivande produkter. Detta är en anledning till att slumpmässig plockning av soptunnor vanligtvis kräver mer sofistikerad avkänning och planering än plockning med platt transportör.
Noggrannhetskrav	Syn bör också väljas efter processens tolerans. En förpackningsapplikation som placerar produkter i en stor kartong kan tolerera fler positionsfel än en monteringsoperation som sätter in en liten komponent i en hårt kontrollerad funktion. Kameraupplösning, kalibreringskvalitet, monteringsstabilitet, arbetsavstånd, objektivval och robotens repeterbarhet kan alla påverka den slutliga systemets noggrannhet.
Cykeltid	Ett tekniskt kapabelt visionsystem är inte automatiskt rätt produktionslösning. Bildinsamling, objektdetektering, poseringsberäkning, robotkommunikation, vägplanering och grepp tar allt tid. För höghastighetsapplikationer bör hela avkännings- och robotcykeln utvärderas snarare än att bara överväga kameraprestanda.

A inget-vision pick and place systemkan vara den lämpligaste lösningen när produkten redan presenteras i en känd och repeterbar position.

Typiska applikationer inkluderar:

delar placerade i fasta fixturer;

komponenter presenterade i exakt placerade brickor;

produkter stoppade vid en kontrollerad indexerad position;

repetitiv överföring mellan fasta maskiner;

applikationer där mekaniska styrningar bestämmer produktens position.

I dessa situationer har det mekaniska systemet redan tagit bort det mesta av osäkerheten. Roboten kan ofta flytta till fördefinierade eller inlärda plockkoordinater utan att beräkna en ny ställning för varje cykel.

Detta tillvägagångssätt har flera potentiella fördelar. Det kan minska hårdvarukraven, förenkla programmering och kalibrering, förkorta driftsättningstiden och eliminera onödiga bildbearbetningssteg-. Mer teknik ger inte automatiskt en bättre automationscell. Om mekanisk positionering redan är mycket repeterbar, kan lägga till ett visionsystem introducera komplexitet utan att lösa ett meningsfullt produktionsproblem.

En robotcell utan maskinseende kan fortfarande kräva sensorer.

Vanliga exempel inkluderar fotoelektriska närvarosensorer, närhetsbrytare, fixturbekräftelsesensorer, vakuumtryckomkopplare, del-sensorer, säkerhetssensorer.

Dessa enheter svarar på frågor som om en produkt är tillgänglig eller om en fixtur är korrekt placerad. Den viktigaste skillnaden är att de normalt inte beräknar en ny plockposition från en bild.

En användbar beslutsfråga är:Behöver roboten beräkna en annan produktposition eller orientering för varje cykel? Om svaret är nej kan det räcka med ett fast-koordinerat tillvägagångssätt.

Ett no-vision-system blir mindre lämpligt när produktpresentationen börjar glida.

Potentiella problem inkluderar inkonsekvent fixturbelastning, ackumulerade transportörens positioneringsfel, variabel förpackning, ändrad produktorientering, instabila mekaniska stopp, frekventa formatbyten.

Om dessa variationer överskrider den tillåtna plocktoleransen kan processen behöva förbättrad mekanisk kontroll, ytterligare avkänning eller maskinseende.

2D-seende används ofta när produkter rör sig främst över ett känt plan medan deras höjd förblir relativt stabil.

Typiska exempel inkluderar:

enskilda produkter på en platt transportör;

komponenter med varierande X-Y-positioner;

produkter som roterar på en plan yta;

delar fördelade över ett-enkellagersmagasin;

applikationer som kräver visuell identifiering eller funktionsdetektering.

En 2D-kamera kan vanligtvis hjälpa till att bestämma information som X-position, Y-position, i-planrotation, synlig form eller funktionsinformation, produktidentitet när särskiljbara visuella funktioner är tillgängliga.

Till exempel kan produkter som färdas på en transportör anlända med oregelbundna avstånd och olika orienteringar. Istället för att förlita sig på en fast plockkoordinat kan ett 2D-visionssystem lokalisera varje produkt och ge en uppdaterad position till roboten. Om transportören rör sig kontinuerligt kan robotens styrsystem också behöva spårning av transportören och kodarsynkronisering så att den beräknade plockpositionen förblir giltig medan produkten rör sig.

För huvudsakligen plana applikationer kan 2D-vision ge den flexibilitet som behövs utan att införa onödiga djupmätningar.

Jämfört med mer komplexa 3D-applikationer innehåller avkänningsproblemet vanligtvis färre variabler.

Det kan förenkla kamerainställningar, bildbehandling, kalibrering, robotintegration, felsökning.

Dessa fördelar beror dock på att applikationen förblir tillräckligt plan.

En konventionell 2D-bild ger inte direkt information om fullt djup.

Problem kan uppstå när:

produkter visas på betydligt olika höjder;

föremål staplas;

greppytan kan lutas;

höjden påverkar önskad plockposition;

överlappande produkter måste separeras rumsligt;

roboten behöver en fullständig 3D-pose.

Belysning är en annan viktig faktor. Dålig kontrast, skuggor, bländning eller inkonsekvent belysning kan göra annars enkel 2D-detektion opålitlig. Reflekterande och transparenta produkter kan kräva noggrann belysning och optisk design.

Beslutet bör därför baseras på geometrin och variationen i den verkliga produktionsmiljön snarare än på antagandet att 2D-vision alltid är det enklare svaret.

3D-seende blir användbart när djup, höjd eller tredimensionell orientering är en del av plockningsproblemet.

Vanliga applikationer inkluderar:

slumpmässigt lagerplockning;

staplade komponenter;

produkter på olika höjder;

oregelbundna ytor;

överlappande föremål;

slumpmässigt lutade komponenter;

applikationer som kräver en tre-dimensionell objektposition.

Istället för att endast lokalisera ett objekt inom ett bildplan kan 3D-avkänning ge information om djup och ytgeometri. Beroende på avkänningsteknik och tillämpning kan denna information hjälpa systemet att uppskatta ett objekts tre-dimensionella ställning och identifiera potentiella plockytor.

En slumpmässig bina visar skillnaden mellan plan och tre-dimensionell avkänning särskilt väl.

Föreställ dig flera metallkomponenter staplade ihop. Att veta att en komponent visas nära mitten av en 2D-bild kanske inte räcker.

Roboten kan också behöva avgöra om komponenten ligger ovanpå högen, hur hög den är, om den lutar, om en annan komponent täcker den, om den avsedda greppytan är åtkomlig, om roboten kan närma sig utan att kollidera med omgivande delar. Dessa frågor kräver mer än grundläggande X-Y-positionsinformation.

En av de viktigaste designprinciperna vid robotplockning är att framgångsrik objektdetektering inte är detsamma som framgångsrik objektplockning. Ett 3D-visionssystem kan identifiera en komponent korrekt medan pick-and-place-roboten fortfarande inte kan greppa eller dra ut den.

Möjliga orsaker inkluderar allvarlig ocklusion, dålig greppgeometri, instabila produkthögar, otillgängliga greppytor, kollisionsrisker, reflekterande eller transparenta material, otillräckligt avstånd mellan produkterna.

Av denna anledning bör 3D-vision utvärderas tillsammans med gripdon, robotens räckvidd, kollisionsstrategi, produktgeometri och väg-planeringsmetod. Det ska inte behandlas som en oberoende lösning på alla svåra plockproblem.

Följande tabell sammanfattar de viktigaste skillnaderna.

Faktor	Ingen vision	2D Vision	3D-vision
Typisk produktposition	Fast och repeterbar	Variabel huvudsakligen i X-Y	Variabel i X-Y-Z
Höjdvariation	Minimal	Låg eller förutsägbar	Måttlig till hög
Orientering	Fast eller mekaniskt styrd	Främst i-planrotation	Fullständig 3D-orientering kan vara möjlig
Överlappande produkter	Vanligtvis olämpligt	Begränsad kapacitet beroende på sikt	Bättre lämpad för staplade eller överlappande scener
Typiska applikationer	Inventarier, indexerade stationer, fasta överföringar	Transportbandsplockning, plansortering, brickplockning	Lågplockning, staplade delar, variabel-höjdplockning
Systemkomplexitet	Lägst	Måttlig	Generellt högst
Kalibreringskrav	Minimal	Vision-till-robotkalibrering krävs	Mer krävande 3D-kalibrering och validering
Ljuskänslighet	Låg ur ett visionsperspektiv	Ofta viktigt	Beror starkt på avkänningsteknik och ytegenskaper
Relativ integrationssatsning	Låg	Medium	Högre
Passar bäst för	Deterministisk produktpresentation	Flexibel planplockning	Tre-dimensionell osäkerhet

Denna tabell bör behandlas som en utgångspunkt snarare än en stel regel.

Verkliga applikationer kan kombinera teknologier. Till exempel kan ett system använda mekaniska guider för att minska produktvariation, 2D-vision för lokalisering och ytterligare sensorer för processbekräftelse. Målet är inte att välja det mest avancerade avkänningssystemet. Det är att använda den enklaste avkänningsarkitekturen som konsekvent kan lösa den osäkerhet som är viktig för processen.

Att välja mellan ingen vision, 2D-vision och 3D-vision är bara en del av automationsdesignen. Flera andra faktorer kan ha en lika stor inverkan på tillförlitligheten.

Andra påverkande faktorer	Beskrivning
Ljusförhållanden	Maskinseende beror på användbar bilddata. Förändringar i omgivande ljus, skuggor, bländning, reflektioner och inkonsekvent belysning kan minska detekteringsprestandan. Belysning bör därför behandlas som en del av synsystemet snarare än som en eftertanke.
Reflekterande och transparenta produkter	Mycket reflekterande, glänsande, mörka eller transparenta ytor kan vara utmanande för både 2D- och 3D-avkänning. Allvarligheten beror på avkänningstekniken, kameraarrangemanget, belysningen, produktgeometrin och erforderlig noggrannhet. Att testa representativa produktionsprover är ofta mer användbart än att välja teknik enbart utifrån specifikationer.
Kamera och robotkalibrering	Roboten måste förstå hur koordinaterna som mäts av visionsystemet relaterar till dess eget koordinatsystem. Kalibreringsfel kan förvandla exakt visuell detektering till felaktig robotrörelse. Monteringsstabilitet, kalibreringsprocedurer, verktygs-mittpunkt-noggrannhet och robotens repeterbarhet bör därför övervägas tillsammans.
Grip design	Synen avgör var produkten är. Gripdonet avgör om produkten faktiskt kan plockas. Vakuumkoppar, mekaniska fingrar, magnetiska gripdon och anpassade ände-av-armverktyg ställer alla olika krav på produktorientering, yttillstånd, kontaktyta och inflygningsriktning. Det är därför valet av vision och slut{6}}tillämpningen av-}verktyget bör vara en del av{6}}armens strategi.
Produktpresentation	Att förbättra produktpresentationen kan ibland minska behovet av mer komplex vision. Fixturer, guider, escapements, matare, singulationsmekanismer och kontrollerade transportörer kan ta bort osäkerhet innan roboten ser produkten. I vissa applikationer kan investeringar i bättre produktpresentation ge ett mer tillförlitligt system än att försöka lösa varje variation genom ytterligare bildbehandling.
Krävd produktionstillförlitlighet	Ett system som fungerar under en kort demonstration är inte automatiskt produktionsfärdigt-. Testningen bör inkludera realistiska variationer som acceptabla produkttoleranser, olika partier, ytförändringar, belysningsförändringar, delvis skadade förpackningar, extrema positioner, realistiska transportörhastigheter, normala föroreningar eller dammförhållanden där så är tillämpligt.

Den relevanta frågan är inte om systemet kan göra ett framgångsrikt val. Det är om det kan bibehålla den erforderliga prestandan över det förväntade intervallet av produktionsförhållanden.

Innan du väljer en visionsarkitektur, svara på följande frågor.

Kategori	Kontrollera frågor
Produktpresentation	Är produktpositionen fast eller variabel? Är orienteringen kontrollerad? Kan produkter överlappa varandra? Kan produkter staplas? Ändras produktens höjd?
Plockkrav	Vilken positionsnoggrannhet krävs? Behöver roboten bara X-Y-position eller en hel 3D-position? Förblir grippunkten tillgänglig? Kan griparen tolerera viss positionsvariation?
Produktionsförhållanden	Är produkten stillastående eller rör sig? Vilken cykeltid krävs? Är ljusförhållandena stabila? Är produkterna reflekterande, transparenta, mörka eller visuellt inkonsekventa? Kommer flera produktformat att använda samma cell?
Systemdesign	Kan mekaniska styrningar eller fixturer avlägsna viss osäkerhet? Är kamera-till-robotkalibrering praktiskt? Behöver roboten spårning av transportband? Kan visionsystemet kommunicera tillräckligt snabbt för den cykel som krävs? Har applikationen testats med representativa produktionsprover?

En praktisk urvalssekvens är:

Använd ingen vision när produktpresentationen redan ger repeterbar positionering.

Använd 2D-seende när den största osäkerheten uppstår över ett förutsägbart plan.

Använd 3D-seende när meningsfull höjd, djup, lutning, stapling eller tre-dimensionell orientering måste lösas.

Validera sedan valet mot grepp, noggrannhet, cykeltid, miljö och produktionstillförlitlighet.

F: Behöver en pick-and-place-robot ett visionsystem?

S: Inte alltid. Om produkterna konsekvent presenteras på kända koordinater kan roboten använda fördefinierade positioner utan maskinseende. Synen blir användbar när roboten måste kompensera för ändrad produktposition, orientering, identitet eller höjd.

F: Vad är skillnaden mellan 2D och 3D Pick And Place Robot Vision?

S: 2D-seende analyserar främst information inom ett bildplan och används vanligtvis för att bestämma X-Y-position, synliga egenskaper och i-planrotation. 3D-vision lägger till djup- eller ytinformation, vilket gör det mer lämpligt när objektets höjd, lutning, stapling eller tre-}dimensionell ställning påverkar valet.

F: När ska jag använda 2D Vision för val och plats?

S: 2D-seende är i allmänhet lämpligt när produkter rör sig oförutsägbart över en relativt plan yta men förblir på en känd eller förutsägbar höjd. Vanliga exempel inkluderar transportörsplockning, plansortering och flexibla brickapplikationer.

F: Krävs 3D-vision för pappersplockning?

S: 3D-seende används ofta för slumpmässig plockning av soptunnor eftersom objekt kan dyka upp i olika höjder och orienteringar och kan överlappa varandra. Den exakta avkänningslösningen beror dock på produktens geometri och presentation. Vissa mycket kontrollerade applikationer kan minska avkänningsbehovet genom mekanisk matning eller produktsingulering.

F: Är 3D-vision alltid bättre än 2D-vision?

S: No.3D-vision ger information som 2D-bildbehandling inte direkt kan tillhandahålla, men ytterligare kapacitet kan också öka systemets komplexitet. Om djupinformation är onödig kan ett väl-2D-system vara enklare och helt tillräckligt. Rätt system är det som på ett tillförlitligt sätt löser applikationens faktiska positioneringsproblem.

F: Kan en robot välja delar utan en kamera?

A: Ja. Robotar plockar vanligtvis komponenter från fixturer, brickor, indexerade transportörer och andra repeterbara platser med fördefinierade koordinater. Andra sensorer kan fortfarande användas för att bekräfta produktnärvaro eller processstatus.

F: Vad gör ett Robot Vision System opålitligt?

S: Vanliga orsaker inkluderar inkonsekvent belysning, dålig kalibrering, instabil kameramontering, otillräcklig bildkontrast, reflekterande eller transparenta produkter, ocklusion, orealistiska noggrannhetsförväntningar, dålig greppgeometri och produktvariation som inte beaktades under testningen.

Valet mellan ingen vision, 2D-vision och 3D-vision bör börja med osäkerheten i plockningsuppgiften, inte med kamerans sofistikerade.

Om produkten är mekaniskt begränsad till en stabil position kan fördefinierade robotkoordinater räcka. Om positionen varierar huvudsakligen över ett plant plan, kan 2D-seende ge den flexibilitet som behövs för att lokalisera och orientera produkten. Om roboten måste förstå meningsfullt djup, höjd, lutning, stapling eller tre-dimensionell orientering blir 3D-seende en starkare kandidat.

Men vision är bara en del av ett pålitligt pick and place-system. Produktpresentation, gripdonsdesign, kalibrering, belysning, cykeltid, noggrannhet och verklig produktionsvariation påverkar alla slutresultatet. Den mest effektiva lösningen är därför inte nödvändigtvis den med den mest avancerade visiontekniken. Det är den som tar bort tillräckligt med osäkerhet för att göra alla nödvändiga robotval repeterbara, praktiska och pålitliga.

Är du redo att implementera robotic pick and place?
Oavsett om du uppgraderar din end-of-line automation eller söker efter en pålitlig leverantör av plocka-och-robotar, kontakta RBTIC för kostnadsfria anpassade plocknings--och-placeringslösningar och layoutdesigner, eller för att boka en rundtur i fabriken.

Välj och placera Robot Vision Guide: No Vision vs 2D Vision vs 3D Vision

Behöver en pick-and-place-robot alltid syn?

Nyckelfaktorer som avgör hur mycket Pick and Place Robot Vision du behöver

När ska man använda en pick-and-place-robot utan syn

Ingen syn betyder inte ingen avkänning

När ingen vision blir riskabel

När 2D Vision är rätt val för val och plats

Varför 2D Vision ofta är ett praktiskt mellanland

Begränsningar för 2D Vision

När 3D-vision är det bättre valet för val och plats

Random Bin Picking: Varför djup betyder något

3D Vision löser inte alla plockproblem

Ingen Vision vs 2D Vision vs 3D Vision: Jämförelse

Andra faktorer som påverkar Robot Vision Prestanda för Pick and Place

Pick and Place Vision Selection Checklist

Vanliga frågor om Pick and Place Robot Vision

Sista takeaway

Populära produkter

Skicka förfrågan