Wizja maszynowa bez tajemnic: dobór obiektywu, kalibracja i pułapki na starcie

Od „kamery jak w telefonie” do systemu wizyjnego w fabryce

Po co w ogóle ta cała wizja maszynowa?

Typowy cel czytelnika jest dość prosty: zbudować układ, który działa zawsze tak samo, bez marudzenia, bez gorszych dni, bez „nie zauważyłem”. Wizja maszynowa zapewnia stałą kontrolę jakości, automatyczne pomiary i identyfikację, a przy tym pozwala dokumentować każdy produkt przechodzący przez linię.

System wizyjny nie zastępuje całej automatyki — jest jego oczami. Kamera z odpowiednim obiektywem i oświetleniem ocenia, czy element ma poprawny kształt, wymiar, kolor, czy znaki są czytelne, a komponent leży dokładnie tam, gdzie ma leżeć. Działa z powtarzalnością, której człowiek nie utrzyma przy tysiącach sztuk dziennie.

Cel jest więc jasny: wyeliminować subiektywność i błędy ludzkie, a do tego gromadzić dane, na których da się później budować AI i analitykę predykcyjną. Żeby to się udało, trzeba zapanować nad fizyką: optyką, geometrią i światłem.

Czym różni się kamera przemysłowa od „zwykłej”?

Na pierwszy rzut oka kamera przemysłowa i kamera w telefonie robią to samo: rejestrują obraz. Różnica zaczyna się, gdy trzeba zrobić to powtarzalnie, przy 40°C, wibracjach od pras i zderzeniu z olejem chłodzącym w tle.

Kamera przemysłowa ma zwykle:

• stałe parametry ekspozycji (brak automatyki „upiększającej” obraz),
• standardowe interfejsy (GigE, USB3, Camera Link, CoaXPress) z gwarantowaną przepustowością i opóźnieniami,
• stabilne mocowanie obiektywu (C/CS, S-mount), które można mechanicznie zablokować,
• brak agresywnej obróbki obrazu — to, co widzi matryca, dostaje aplikacja.

Telefon próbuje upiększyć scenę i dostosować się do oka człowieka, a kamera przemysłowa ma być przewidywalna. To ogromna różnica, bo algorytm (zwłaszcza AI) nie lubi niespodzianek: HDR raz działa inaczej, balans bieli sam się przestawia, ostrość „pływa”. W wizji przemysłowej wszystko ma być ustawione raz, a dobrze.

Co widzi człowiek, a co widzi algorytm?

Człowiek widzi obraz, ale też domyśla się braków, uzupełnia kontekst. Jeśli fragment detalu jest w cieniu, mózg i tak „wie”, że tam jest krawędź. Algorytm nie ma tej uprzejmości — dostaje surowe piksele i na ich podstawie musi podjąć decyzję.

Dla systemu wizyjnego kluczowe są:

• kontrast między obiektem a tłem (lub między defektem a otoczeniem),
• ostrość w obszarze zainteresowania (ROI),
• powtarzalność — każdy obraz z tej samej sytuacji ma wyglądać praktycznie tak samo.

Dlatego w wizji maszynowej nie chodzi o „ładne zdjęcie”. Chodzi o takie warunki optyczne i świetlne, by konkretny detal był wyraźny i odseparowany od reszty sceny. Stąd tyle uwagi doborowi obiektywu, jego ogniskowej, głębi ostrości, kalibracji i oświetleniu.

Typowe zastosowania systemów wizyjnych w przemyśle

Zakres zastosowań jest szeroki, ale w praktyce większość projektów mieści się w kilku grupach:

• Inspekcja jakościowa – wykrywanie rys, wtrąceń, braków, przesunięć, niepełnego montażu, zabrudzeń.
• Pomiary geometryczne – weryfikacja wymiarów, odległości, kątów, promieni, prostoliniowości, współosiowości.
• Pozycjonowanie – wskazywanie robota lub chwytaka, gdzie dokładnie leży detal i jak jest obrócony.
• Czytanie kodów – 1D, 2D, kody DPM, OCR/OCV (czytanie i weryfikacja nadruków, dat, numerów seryjnych).
• Bezpieczeństwo i nadzór – strefy bezpieczeństwa, detekcja obecności operatora, monitoring procesów.

W każdym z tych zastosowań wymagania wobec obiektywu i kalibracji są nieco inne. Pomiary wymagają stabilnej geometrii, inspekcja defektów – odpowiedniej rozdzielczości przestrzennej, a czytanie kodów – dobrego kontrastu i ostrości w całym polu widzenia kamery.

Dlaczego hardware potrafi zabić najlepszy model AI

Model AI, nawet bardzo dopracowany, dostaje jako wejście to, co da mu kamera. Jeśli:

• obiektyw ma dużą dystorsję,
• kamera drży na uchwycie,
• światło zmienia się co godzinę,
• a obiekt jest raz ciemniejszy, raz jaśniejszy,

to AI widzi za każdym razem inny problem, choć fizycznie produkt jest taki sam. Taki model trzeba nieustannie douczać, a i tak będzie podejmował błędne decyzje.

W praktyce wiele projektów z AI „nie działa”, bo ktoś pominął etap: dobór obiektywu, kalibracja układu kamera–optyka–scena, projekt oświetlenia i stabilny montaż. Model dostaje „śmieciowe” dane, więc efekt jest równie śmieciowy. Stąd tyle nacisku na te pozornie nudne elementy hardware’owe.

Gdzie kończy się prosty projekt, a zaczyna integracja z AI

Granica jest dość wyraźna. Prosty projekt inżynierski to sytuacja, gdy:

• detale i defekty są dobrze zdefiniowane,
• obraz jest powtarzalny,
• można użyć klasycznych narzędzi (progowanie, wykrywanie krawędzi, korelacja, fitowanie okręgów/linii).

Integracja z AI / uczeniem maszynowym zaczyna się, gdy:

• defekty są subtelne, nieregularne, trudne do opisania regułami,
• warunki nie są idealne i obraz „żyje”, mimo wysiłków sprzętowych,
• chcemy klasyfikować złożone wzorce (np. rodzaje uszkodzeń, warianty produktów).

Niezależnie od podejścia, fundamenty są te same: właściwy obiektyw, a potem staranna kalibracja i kontrola sceny. AI nie jest wymówką do „jakoś to będzie z optyką” – raczej odwrotnie, im lepszy hardware, tym prostsze modele i mniej problemów w utrzymaniu.

Podstawy optyki w trzech zdaniach więcej niż w szkole

Ogniskowa, matryca i kąt widzenia

Ogniskowa obiektywu (np. 8 mm, 16 mm, 50 mm) określa, jak „wąsko” lub „szeroko” widzi kamera. Im większa ogniskowa, tym węższy kąt widzenia i większe powiększenie. Im mniejsza ogniskowa, tym szerszy obraz, ale mniejsze powiększenie.

Rozmiar sensora (np. 1/3”, 1/2”, 2/3”, 1”) wpływa na to, jak ogniskowa przekłada się na pole widzenia kamery. Ten sam obiektyw 16 mm na małej matrycy da węższe pole widzenia niż na większej. W praktyce dobieramy kombinację: ogniskowa + rozmiar matrycy + odległość od obiektu.

Kąt widzenia to geometryczne przełożenie ogniskowej i sensora. Wzory można znaleźć w katalogach, ale w optyce przemysłowej częściej stosuje się proste zależności liniowe zbliżone do: pola widzenia ≈ odległość robocza × (rozmiar sensora / ogniskowa) — na tyle dokładne, by dobrać sprzęt.

Głębia ostrości – kiedy obiekt „ucieka” z ostrości

Głębia ostrości to zakres odległości od obiektywu, w którym obiekty są akceptowalnie ostre. W systemach wizyjnych to krytyczny parametr, bo detale mogą się poruszać w osi Z (np. różna wysokość komponentów na taśmie, ugięcie taśmy, tolerancje mechaniczne).

Na głębię ostrości wpływają głównie:

• Przysłona (F-number) – im większa liczba (mniejszy otwór), tym większa głębia, ale mniej światła.
• Ogniskowa – dłuższa ogniskowa (tele) ma mniejszą głębię przy tej samej odległości roboczej.
• Odległość od obiektu – im bliżej ostrzymy, tym mniejsza głębia.

W praktyce, jeśli scena ma „grubość” kilku milimetrów, trzeba:

• zmniejszyć przysłonę (np. z F/2.8 do F/8),
• wydłużyć czas ekspozycji lub zwiększyć jasność oświetlenia,
• czasem zastosować krótszą ogniskową i „podejść dalej”, kosztem rozdzielczości.

Brak kontroli głębi ostrości kończy się tym, że raz model widzi ostre krawędzie, a raz rozmyte, mimo że detal jest poprawny. Dla AI to jak uczenie się raz na ostrych zdjęciach, a raz na zdjęciach zrobionych w biegu.

Pole widzenia, rozmiar sensora i odległość robocza

Pole widzenia (FOV – Field of View) to fragment sceny, jaki obejmuje kamera. Dla projektanta kluczowe jest pytanie: jak duży obszar ma być widoczny na obrazie oraz jak duży ma być każdy piksel w świecie rzeczywistym.

Powiązanie jest następujące:

• znając szerokość obiektu i rozdzielczość sensora w pikselach poziomo, można policzyć wymaganą liczbę mm/piksel,
• z mm/piksel i rozmiarem sensora (w mm) można dobrać ogniskową i odległość.

Prosty przykład: obiekt ma 100 mm szerokości, a kamera ma 1920 pikseli w poziomie. Załóżmy, że obiekt ma wypełnić niemal cały kadr. Wychodzi ~0,052 mm/piksel. To wartość, która mówi, jak małe detale możesz potencjalnie odróżnić.

Rozdzielczość przestrzenna i piksel fizyczny

Rozdzielczość przestrzenna to liczba milimetrów przypadających na jeden piksel (mm/piksel). Im mniejsza ta liczba, tym większa zdolność rozróżniania detali.

Najprostsza zasada praktyczna: detal, który chcesz wykryć lub zmierzyć, powinien zajmować kilka pikseli na obrazie — zwykle mówi się o 3–5 pikselach minimum, więcej dla pomiarów precyzyjnych.

Drugi parametr to fizyczny rozmiar piksela na matrycy (np. 3,45 µm, 5,5 µm). Większe piksele:

• zbierają więcej światła (lepszy SNR, mniej szumu),
• są tolerancyjniejsze na drobne błędy ostrości,
• często lepiej znoszą krótkie czasy ekspozycji.

Przeskalowanie obrazu dla AI (np. z 5 Mpix do 512×512) nie zmienia faktu, że rozdzielczość przestrzenna została zdeterminowana na etapie hardware’u. Jeśli na wejściu kamera nie „widzi” detalu, żadne przeskalowanie tego nie odzyska.

Rola przysłony: jasność kontra głębia ostrości i szum

Przysłona to mechanizm w obiektywie regulujący ilość światła wpadającego na sensor. Ma trzy kluczowe konsekwencje:

• Jasność obrazu – mniejsza liczba F (np. F/1.8) = więcej światła = krótszy czas ekspozycji.
• Głębia ostrości – większa liczba F (np. F/8) = większy zakres ostrości.
• Jakość optyczna – wiele obiektywów daje najlepszą jakość przy średnich wartościach przysłony (np. F/4–F/8), z mniejszą aberracją i lepszą ostrością w rogach.

Zbyt otwarta przysłona (F/1.4, F/2) przy bliskim ostrzeniu sprawi, że tylko cienka warstwa sceny będzie ostra. Z kolei zbyt przymknięta (F/16, F/22) może zwiększyć dyfrakcję i wymusić bardzo mocne oświetlenie, by utrzymać krótki czas ekspozycji.

Balans jest więc następujący: tak mała przysłona, by utrzymać wymaganą głębię ostrości, ale jak największa, by nie pogarszać szumu i dyfrakcji. Często kończy się to na F/4–F/8 w systemach wizyjnych.

Dlaczego trzeba to policzyć, a nie „wyczuć” na oko

Próba „dobierania na oko” kończy się zwykle serią drogich niespodzianek: obiektyw kupiony, zmontowane, a potem okazuje się, że:

• obiekt zajmuje tylko 1/10 kadru,
• brakuje rozdzielczości, by mierzyć,
• przy taśmie „pływającej” o 3 mm część detali wypada z ostrości.

Projektowanie „na serwetce” – prosta procedura obliczeniowa

Zanim pojawi się jakiekolwiek zamówienie na kamerę, warto przejść prosty, papierowy proces. Nie trzeba do tego symulatorów optyki – wystarczy kilka liczb i kalkulator.

Kolejność decyzji wygląda zwykle tak:

1. Zdefiniuj minimalny detal, który ma być widoczny (np. rysa 0,2 mm, średnica otworu 1 mm, grubość krawędzi 0,5 mm).
2. Określ, ile pikseli ma mieć ten detal. Dla prostego wykrycia: 3–5 pikseli. Dla pomiaru: 8–10 i więcej.
3. Policz wymaganą rozdzielczość przestrzenną – np. 0,2 mm / 4 piksele = 0,05 mm/piksel.
4. Porównaj to z rozmiarem obiektu i dobierz rozdzielczość matrycy. Jeżeli obiekt ma szerokość 200 mm, a mm/piksel = 0,05, to potrzeba 4000 pikseli w poziomie.
5. Sprawdź dostępne kamery – czy są matryce o takiej lub większej rozdzielczości, z rozsądnym rozmiarem piksela i sensora.
6. Dobierz ogniskową z relacji: ogniskowa ≈ (odległość robocza × rozmiar sensora) / pole widzenia.
7. Zweryfikuj głębię ostrości przy założonej przysłonie i „pływaniu” obiektu w osi Z.

Taki „suchy” proces często oszczędza kilku tygodni walki z konfiguracją „może jednak spróbujmy jeszcze innego obiektywu”. Eksperymenty są potrzebne, ale dopiero na końcu, gdy liczby mówią, że ma szansę się udać.

Jak dobrać obiektyw do zadania – proces krok po kroku

Krok 1: Zdefiniuj zadanie i kryteria sukcesu

Obiektyw do „oglądania czegoś” to zbyt ogólne wymaganie. Trzeba zejść poziom niżej:

• czy głównym celem jest inspekcja powierzchni (defekty, zarysowania),
• pomiary geometryczne (średnice, odległości, kąty),
• czytanie kodów (1D, 2D, kody DPM),
• nawigacja robota lub pozycjonowanie (większe sceny, mniejsza dokładność detali).

Każdy typ zadania pociąga za sobą inny kompromis między polem widzenia, rozdzielczością, głębią ostrości i potrzebną jasnością. Inspekcja mikrorys łączy się zwykle z małym polem widzenia i dużym powiększeniem. Pozycjonowanie palety – odwrotnie.

Krok 2: Ustal fizyczne ograniczenia – kadrowanie w świecie rzeczywistym

Następny etap to „geometria sceny”:

• jak duży jest obiekt lub obszar inspekcji,
• z której strony możesz patrzeć (góra, bok, kąt),
• jak daleko można realnie zamontować kamerę (przestrzeń nad taśmą, osłony, inne urządzenia),
• czy są przeszkody (ramy, przewody, inne głowice).

Często to mechanika, a nie katalog optyki, dyktuje wybór: na przykład kamera nie może być bliżej niż 600 mm od taśmy, bo inaczej wjedzie w tor zasilający. To natychmiast zawęża wybór ogniskowej i typu obiektywu.

Krok 3: Pole widzenia i rozdzielczość przestrzenna

Mając ograniczenia mechaniczne i wymagany detal, można policzyć, czy dana kombinacja „w ogóle zadziała”.

Załóżmy, że obiekt ma 300 mm szerokości, kamera ma być 800 mm nad nim, a dostępny jest sensor szerokości 8 mm (np. 2/3”). Chcemy objąć cały obiekt w poziomie. Potrzebne pole widzenia = 300 mm. Szacunkowa ogniskowa:

ogniskowa ≈ odległość robocza × (rozmiar sensora / pole widzenia) ≈ 800 × (8 / 300) ≈ 21 mm

To mówi, że szukamy obiektywu z okolic 20–25 mm. Jeśli dodatkowo wiemy, że potrzebujemy ~0,1 mm/piksel, a obiekt ma 300 mm, wychodzi 3000 pikseli w poziomie – czyli kamera co najmniej 3 Mpix w tym kierunku.

Krok 4: Sprawdzenie głębi ostrości i przysłony

Gdy ogniskowa i odległość robocza są wstępnie dobrane, trzeba zmierzyć się z rzeczywistością: obiekt nie stoi w miejscu idealnie w osi Z. Taśma się wygina, produkt ma tolerancje wysokości, robot nie zawsze trafia co do dziesiątej części milimetra.

Typowe pytania kontrolne:

• o ile może zmieniać się odległość obiektu od obiektywu (np. ±2 mm, ±10 mm),
• jak ma wyglądać „ostrość graniczna” – czy lekkie rozmycie jest akceptowalne, czy nie,
• jak długi maksymalny czas ekspozycji dopuszcza ruch (np. szybkość taśmy).

Jeśli okaże się, że przy wymaganej głębi ostrości trzeba przymknąć obiektyw do F/11, dochodzimy do tematu oświetlenia: czy da się dostarczyć tyle światła, żeby przy F/11 i krótkim czasie ekspozycji szum nie zjadł wszystkich detali.

Krok 5: Weryfikacja z realnym obiektywem i kamerą

Na koniec przychodzi moment, który ratuje przed rozczarowaniem po uruchomieniu linii. Trzeba wziąć fizyczny obiektyw, kamerę, kawałek taśmy lub fragment maszyny i sprawdzić:

• czy pole widzenia pokrywa to, co obliczono,
• czy ostrość jest równomierna w centrum i na krawędziach,
• czy dystorsja nie jest zbyt duża do danego typu pomiarów,
• czy oświetlenie „dzieje się” tak, jak planowano (refleksy, cienie, flary).

Ten etap często obnaża detale, które nie wyszły z obliczeń: refleks od polerowanego elementu w rogu, cień od prowadnicy, winietowanie obiektywu przy mocno przymkniętej przysłonie. Im lepiej przygotowany papier, tym mniej przykrych niespodzianek – ale testów nic nie zastąpi.

Rodzaje obiektywów stosowanych w przemyśle i ich charakter

Klasyczne obiektywy C-mount – koń roboczy systemów wizyjnych

Najczęściej w systemach przemysłowych spotyka się obiektywy w standardzie C-mount (ewentualnie CS-mount). To kompromis między ceną, elastycznością i jakością.

Typowe cechy:

• ogniskowe od kilku do kilkudziesięciu mm (np. 6, 8, 12, 16, 25, 35, 50 mm),
• ręczna regulacja ostrości i przysłony (z pierścieniami blokowanymi śrubkami),
• wystarczająca jakość do większości zadań, jeśli nie wymagamy ekstremalnej precyzji na całym polu.

Sprawdzają się w większości aplikacji: inspekcji na taśmie, odczycie kodów, prostych pomiarach. Ich zaletą jest różnorodność modeli – praktycznie każdy producent kamer ma listę rekomendowanych obiektywów C-mount dla swoich sensorów.

Telecentryczne obiektywy pomiarowe – gdy geometria musi być święta

Gdy wchodzimy w precyzyjne pomiary geometryczne, klasyczne obiektywy zaczynają pokazywać swoje ograniczenia: powiększenie zmienia się z odległością od obiektywu, a prostopadłe krawędzie na brzegu pola widzenia „uciekają” przez perspektywę.

Obiektywy telecentryczne rozwiązują te problemy:

• zapewniają niemal stałe powiększenie w pewnym zakresie głębi (zmiana odległości detalu w tym zakresie nie zmienia skali obrazu),
• minimalizują efekty perspektywy – krawędzie są równoległe, a wymiar na brzegu pola jest podobny jak w centrum,
• często mają mniejszą dystorsję i lepszą jednorodność ostrości.

Kosztują dużo więcej, są większe i cięższe, ale w aplikacjach typu „mierzymy średnicę wałka na 0,02 mm” nie ma realnej alternatywy. Jeżeli projekt wymaga dokładnych pomiarów na całym polu widzenia, a budżet przewiduje miejsce na coś więcej niż „obiektyw jak do monitoringu”, telecentryk powinien znaleźć się wysoko na liście.

Obiektywy makro i mikroskopowe – gdy piksel staje się naprawdę mały

Przy inspekcji bardzo małych detali (np. struktury na PCB, mikropęknięcia, krawędzie narzędzi) okazuje się, że klasyczne obiektywy przy sensownych odległościach roboczych nie dają wystarczającego powiększenia lub pracują daleko poza optymalnym zakresem.

Tu pojawiają się:

• obiektywy makro dedykowane do małych pól widzenia (np. kilka–kilkanaście mm),
• układy typu „camera link + obiektyw mikroskopowy”, często z dodatkowymi tubusami i adapterami,
• specjalizowane moduły inspekcyjne, gdzie optyka i oświetlenie są już zintegrowane do konkretnego powiększenia.

Przy takich aplikacjach każde drgnięcie, minimalne przekoszenie czy niedoskonałość montażu staje się widoczna w obrazie. Zyskujemy rozdzielczość, ale tracimy tolerancję na błędy mechaniczne – to często zaskakuje zespoły, które dotąd robiły tylko „zwykłe” systemy na dystans kilkudziesięciu cm.

Obiektywy typu „fisheye” i szerokokątne – kiedy trzeba widzieć „za róg”

Czasem trzeba objąć jeden widokiem bardzo duży obszar albo wnętrze niewielkiej przestrzeni (np. inspekcja w środku zbiornika, widok całej kabiny, szeroki nadzór bezpieczeństwa). Wtedy pojawia się pokusa użycia obiektywów szerokokątnych lub „rybie oko”.

Zyskujemy:

• ogromne pole widzenia przy małej odległości od obiektu,
• możliwość „zobaczenia wszystkiego naraz”,
• czasem redukcję liczby kamer.

Płacimy za to potężną dystorsją i nierównomiernym skalowaniem. Linie proste stają się łukami, a rozdzielczość przestrzenna w centrum i na brzegu różni się bardzo wyraźnie. Do zadań pomiarowych takie obiektywy się nie nadają, ale do detekcji obecności/nieobecności czy monitoringu – jak najbardziej, z kalibracją i odpowiednim przetworzeniem.

Obiektywy „machine vision” a fotoamatorskie – dlaczego nie każdy „pięćdziesiątak” się nada

Naturalne pytanie brzmi: czy nie można użyć obiektywów fotograficznych (np. z lustrzanki)? Da się, ale trzeba mieć świadomość różnic:

• obiektywy foto są projektowane pod duże sensory (APS-C, full frame), nie zawsze dobrze współpracują z małymi matrycami 1/2” czy 2/3”,
• często mają wbudowaną automatykę (AF, sterowaną elektronicznie przysłonę), co w systemach przemysłowych jest bardziej przekleństwem niż błogosławieństwem,
• nie są zazwyczaj zoptymalizowane pod jednorodność ostrości w całym polu na nieskończoną głębię ostrości w fabryce, tylko pod bardziej „fotograficzne” scenariusze.

Da się nimi zrobić poprawne zdjęcia, ale gdy problemem są powtarzalność, absolutna stabilność geometrii i możliwość sztywnego zablokowania ustawień, dedykowane obiektywy przemysłowe wygrywają.

Ustawienie kamery i obiektywu względem sceny

Prostopadle, pod kątem czy „z boku” – geometria patrzenia

Najbardziej przewidywalna konfiguracja to kamerę ustawioną prostopadle do obserwowanej płaszczyzny (np. nad taśmą, nad stolikiem pomiarowym). Taki układ:

• minimalizuje zniekształcenia perspektywiczne,
• ułatwia kalibrację geometryczną,
• sprzyja równomiernemu oświetleniu.

Są jednak sytuacje, kiedy trzeba patrzeć pod kątem – np. do wnętrza gniazda, wzdłuż krawędzi, na boczną powierzchnię elementu. Wtedy obowiązuje kilka zasad bezpieczeństwa:

• kąt patrzenia nie powinien być zbyt mały, bo obraz staje się bardzo „spłaszczony” i trudno odróżnić wysokości,
• im większy kąt, tym bardziej zróżnicowana skala na obrazie (bliższa część obiektu ma inną liczbę mm/piksel niż dalsza),
• kalibracja musi uwzględniać tę perspektywę – prosta przelicznia typu „1 piksel = X mm” przestaje działać.

Oglądanie „z boku” często kończy się też problemami z oświetleniem – błyszczące powierzchnie chętnie oddają refleks prosto do obiektywu, a cienie robią się długie i zdradliwe.

Stabilność montażu – wróg numer jeden: mikroruchy

Nawet najlepszy obiektyw nie poradzi sobie, jeśli cały układ kamera–obiektyw drży jak antena na wietrze. W aplikacjach z AI szczególnie mocno widać, jak małe przesunięcia kadru zmieniają to, co „widzi” model.

Kluczowe praktyki montażowe:

Sztywne konstrukcje zamiast „wieszaka na kamerę”

Najpewniejsza droga do kłopotów to przykręcić kamerę do cienkiego kątownika, który przy każdym ruszeniu maszyny sprężyście się ugina. Przy uczeniu modeli AI wychodzi to szczególnie boleśnie: system uczy się tła, położenia elementów, a potem po tygodniu montaż „pływa” o kilka pikseli i część detekcji zaczyna się sypać.

Dobry montaż to przede wszystkim:

• sztywność – krótkie ramiona, możliwie grube profile, brak zbędnych przegubów,
• stabilne odniesienie – konstrukcja kamery i oświetlenia odniesiona do tej samej bazy co maszyna (a nie np. do osłony z cienkiej blachy),
• separacja od drgań, jeśli to potrzebne – gumowe elementy tłumiące między maszyną a ramieniem kamery albo osobna rama na podłodze.

Warto też ograniczyć liczbę regulowanych stopni swobody. Im więcej przegubów kulowych i śrubek regulacyjnych, tym łatwiej coś przypadkiem przestawić podczas serwisu.

Powtarzalne pozycjonowanie: kiedy milimetr to przepaść

W wielu aplikacjach wizja obserwuje ruchomy obiekt: paletę, tackę, uchwyt. Jeśli pozycja obiektu względem kamery zmienia się z cyklu na cykl o kilka milimetrów, to geometria obrazu też się zmienia – zwłaszcza przy ujęciach pod kątem i przy małym polu widzenia.

Sprawdza się tu prosta zasada: albo bardzo stabilne pozycjonowanie, albo porządna kalibracja ruchu. Najczęściej jednak szybciej i taniej jest:

• stosować mechaniczne bazowanie detali (pin, rant, gniazdo),
• zaciskać element w powtarzalnym uchwycie zamiast „kłaść w przybliżeniu”,
• unikać nadmiernych luzów w prowadnicach i przenośnikach w strefie inspekcji.

Jeżeli to się nie uda, trzeba wkalkulować w algorytm krok wyszukiwania pozycji detalu (alignment) i pamiętać, że przy dużych zmianach perspektywy nie wszystko da się łatwo skompensować software’owo.

Odległości i kąty a serwisowalność

Kamery lubią być montowane w miejscach, do których nikt nie sięga. Dopóki wszystko działa, jest dobrze; problem pojawia się, gdy po roku trzeba obiektyw przeczyścić albo wymienić zasilacz i cały cudownie ustawiony montaż trzeba rozebrać. Po ponownym skręceniu obraz „prawie taki jak był”, czyli w praktyce konieczne jest ponowne strojenie.

Przy projektowaniu wsporników i ramion dla kamer i oświetlenia rozsądnym kompromisem jest:

• zachowanie dostępu serwisowego do obiektywu i przewodów,
• uniknięcie konieczności demontażu całej konstrukcji przy drobnych pracach,
• oznaczenie kluczowych pozycji (np. fizyczne markery, skale na regulacjach, blokady na gwintach).

Prosta kreska markerem na pierścieniu ostrości i obudowie nieraz uratowała kilka godzin strojenia po planowym przeglądzie.

Wpływ tła i otoczenia sceny

Często koncentrujemy się na detalu, a ignorujemy to, co jest „za nim”. Tło jednak ma ogromny wpływ zarówno na analogowy obraz z kamery, jak i na to, jak widzi świat algorytm czy model AI.

Przy ustawianiu kamery względem sceny warto zadbać o:

• jednolite, nieodblaskowe tło – drobne śrubki czy prowadnice w tle potrafią udawać defekty na detalu,
• kontrast obiektu do tła – jasny detal na ciemnym tle lub odwrotnie, co znacznie upraszcza segmentację,
• ograniczenie ruchomych elementów w tle (taśmy, inne maszyny), które wprowadzają „szum wizualny”.

Przy AI nierzadko model uczy się przypadkowych elementów w tle jako cechy klasy – po ich zmianie (np. przemalowaniu osłony za taśmą) skuteczność gwałtownie spada, choć sam detal się nie zmienił.

Rola oświetlenia – bez światła nie ma wizji (ani AI)

Oświetlenie jako część układu optycznego

Światło w systemie wizyjnym jest tak samo ważne, jak obiektyw czy kamera. Słabe oświetlenie nie tylko obniża kontrast i podbija szum, ale często sprawia, że niektóre wady dosłownie znikają z obrazu. Z drugiej strony zbyt intensywne, źle ukształtowane światło potrafi „przepalić” kluczowe obszary.

Do projektowania oświetlenia przydaje się myślenie o nim jako o formie „rzeźbienia” sceny: kierunek, rozmiar źródła i jego charakter (rozproszone vs punktowe) decydują, które cechy detalu staną się widoczne, a które schowają się w cieniu lub refleksie.

Rodzaje oświetlaczy wizyjnych i ich zastosowania

Na rynku jest sporo form oświetlenia dedykowanego do wizji maszynowej. Kilka z nich pojawia się w prawie każdym projekcie:

• Oświetlenie pierścieniowe (ring) – montowane wokół obiektywu, daje stosunkowo równomierne światło z kierunku kamery. Dobre do inspekcji z góry, gdzie zależy na minimalizacji cieni i podbiciu kontrastu kształtów.
• Oświetlenie płaskie z góry (dome, coaxial, diffuse) – duże, rozproszone źródła światła, które „owijają” detal światłem ze wszystkich stron. Przydatne przy powierzchniach błyszczących, gdzie zmniejszają punktowe refleksy, choć kosztem uwidocznienia mikrotekstury.
• Bary LED (światła liniowe) – sprawdzają się przy dużych obszarach i obiektach wydłużonych (np. profile, rury). Umożliwiają oświetlenie „pod kątem”, podkreślając relief i krawędzie.
• Backlight (światło od tyłu) – panel lub listwa pod obiektem, kamera patrzy na cień detalu. Idealne do pomiarów konturu, średnic, szczelin i obecności otworów – geometria jest czysta, a pomiar automatyczny stosunkowo prosty.

Dobór formy oświetlenia jest często bardziej krytyczny niż wybór konkretnych lumenów czy kelwinów.

Światło przechodzące, odbite i boczne

Trzy podstawowe schematy oświetlenia da się opisać prostym pytaniem: gdzie jest źródło światła względem kamery i detalu.

• Światło przechodzące – źródło za obiektem, kamera z przodu. Widzimy cień i kontur. Świetne do pomiarów 2D oraz wykrywania obiektów na taśmie, gorzej nadaje się do inspekcji powierzchni.
• Światło odbite (frontalne) – źródło blisko osi optycznej kamery. Daje dobre doświetlenie płaskich elementów; przy błyszczących powierzchniach tworzy jednak mocne refleksy w centralnych obszarach obrazu.
• Światło boczne (skośne) – źródło z boku, pod kątem. Uwydatnia strukturę, rysy, wytłoczenia, wypukłości. Im bardziej skośne, tym silniejszy efekt „rzeźbienia” powierzchni, ale też większe cienie i wrażliwość na pozycję detalu.

W praktyce często łączy się kilka rodzajów: np. backlight do pomiaru konturu i boczne LED-y do inspekcji powierzchni zarysów.

Kolor światła i dobór długości fali

Domyślne „białe LED-y” sprawdzają się w wielu przypadkach, lecz kolor światła można wykorzystać jako dodatkowe narzędzie. Proste sztuczki kolorystyczne potrafią rozwiązać problem, z którym algorytm walczył bez sukcesu.

Najczęściej stosowane podejścia:

• Kontrast barwny – jeśli detal jest czerwony, a tło zielone, zastosowanie światła czerwonego sprawi, że detal „rozjaśni się”, a tło przyciemni; światło zielone zadziała odwrotnie. Ułatwia to segmentację progowaniem.
• Długości fali a materiał – niektóre materiały (np. tworzywa, kleje, powłoki) zachowują się inaczej w podczerwieni niż w świetle widzialnym. Niewidoczne gołym okiem defekty mogą stać się bardzo czytelne w IR.
• Unikanie zakłóceń z otoczenia – zastosowanie np. oświetlenia w wąskim paśmie i filtrów w obiektywie (przepuszczających tylko tę długość fali) pozwala „wyciąć” zmiany oświetlenia otoczenia: słońce zza okna przestaje być tak groźne.

Kamera widzi inaczej niż człowiek – scenariusz „na oko wszystko wygląda dobrze, ale algorytm się gubi” często kończy się właśnie korektą barwy i widma oświetlenia.

Ciągłe vs impulsowe – światło w ruchu

Im szybciej porusza się obiekt, tym krótszego czasu ekspozycji potrzeba, żeby uniknąć poruszenia obrazu. Krótki czas ekspozycji przy stałym świetle oznacza jednak mało fotonów na piksel i wysoki szum. Do gry wchodzi wtedy oświetlenie impulsowe.

Typowy schemat:

• LED-y pracują z bardzo krótkimi, ale mocnymi impulsami synchronizowanymi z kamerą,
• podczas impulsu kamera ma otwartą migawkę (ekspozycja), poza nim jest „ciemno”,
• średnia moc cieplna oświetlacza pozostaje rozsądna, choć chwilowa jaskrawość jest wysoka.

Takie podejście pozwala „zamrozić” ruch nawet przy dużych prędkościach taśmy czy obrotach wałka. Trzeba jedynie dobrze zaprojektować synchronizację: czujnik pozycji, sterownik oświetlenia, wejścia trigger w kamerze i zgodność z czasami reakcji całego łańcucha.

Refleksy, cienie i inne niespodzianki z fabryki

Na rysunkach technicznych wszystko wygląda pięknie: promienie światła płynnie oświetlają detal, kamera widzi równomierny obraz. Na linii produkcyjnej pojawiają się: smary, kurz, palce operatora, zarysowania, a przede wszystkim – nieidealnie matowe powierzchnie.

Typowe problemy:

• Refleks wprost do obiektywu – lustrzane elementy (polerowane metalowe krawędzie, szkło) odbijają światło jak lustro. Jeśli źródło jest blisko osi optycznej, powstaje jasna plama zasłaniająca fragment obrazu. Zmiana kąta oświetlenia o kilka stopni lub użycie dyfuzora potrafi rozwiązać problem.
• Cienie od sąsiednich elementów – prowadnice, śruby, uchwyty rzucają cień na obszar inspekcji przy każdej zmianie położenia detalu. W wersji „hardcore” cień pada dokładnie w miejscu krytycznego wymiaru. Często pomaga przestawienie oświetlacza o kilkanaście centymetrów lub dodanie drugiego z przeciwnej strony.
• Flary i „mgła” w obrazie – silne źródła światła widoczne w polu widzenia lub tuż poza nim (np. lampa hali, „goły” reflektor LED) wprowadzają rozświetlenie całego obrazu, obniżając kontrast. Rozwiązaniem są blendy, osłony przeciwsłoneczne, czarne matowe powierzchnie wewnątrz obudów.

Tu często przydaje się zwykła kartka papieru lub kawałek pianki – po przysłonięciu potencjalnego źródła flary lub dołożeniu prowizorycznego dyfuzora szybko widać, czy problem da się zlikwidować prostą modyfikacją hardware’u.

Kontrola stabilności oświetlenia w czasie

LED-y starzeją się, zasilacze zmieniają parametry, osłony matowieją, a w oknach pojawia się dodatkowe światło dzienne. System wizji działał idealnie podczas odbioru, po kilku miesiącach liczba fałszywych alarmów rośnie – bardzo często winne jest właśnie oświetlenie.

Praktyczne sposoby ograniczania takich problemów:

• stosowanie zamkniętych, zaciemnionych obudów wokół strefy inspekcji,
• zasilacze oświetlenia z regulacją i monitoringiem prądu (nie tylko „byle by świeciło”),
• referencyjne wzorce w kadrze lub dostępne do okresowego testu, pozwalające sprawdzić, czy poziom jasności i kontrast nie uległ istotnej zmianie,
• okresowe czyszczenie optyki – obiektywu, szyby ochronnej, dyfuzorów oświetlaczy; cienka warstwa kurzu potrafi zmienić histogram obrazu bardziej niż zmiana kamery na „lepszą”.

Jeżeli system korzysta z AI, warto co jakiś czas logować przykładowe obrazy w stałych warunkach (np. na wzorcu) – daje to prostą bazę do porównania, gdy „coś zaczyna działać inaczej”.

Synergia: obiektyw, oświetlenie i algorytm

Na koniec pojawia się kluczowe spostrzeżenie: nie ma „idealnego” oświetlenia w oderwaniu od obiektywu, kamery i samego zadania. To, co pomaga w wykrywaniu zarysowań, bywa szkodliwe przy pomiarze konturu. Światło dobrane pod klasyczny algorytm progowania może nie być optymalne dla modelu segmentacji głębokiej – i odwrotnie.

Najczęściej zadawane pytania (FAQ)

Co to jest wizja maszynowa i po co stosuje się ją w przemyśle?

Wizja maszynowa to system złożony z kamery, obiektywu, oświetlenia i oprogramowania, który automatycznie analizuje obraz. W praktyce zastępuje ludzkie oko w zadaniach takich jak kontrola jakości, pomiary czy identyfikacja produktów na linii produkcyjnej.

Stosuje się ją wszędzie tam, gdzie potrzebna jest powtarzalność i brak „gorszych dni”: przy tysiącach sztuk dziennie człowiek zaczyna się mylić, a system wizyjny nadal widzi tak samo. Dodatkowo każde zdjęcie można archiwizować i później wykorzystać do analityki lub trenowania modeli AI.

Czym różni się kamera przemysłowa od kamery w telefonie?

Kamera w telefonie ma upiększać obraz dla człowieka: działa automatyka ekspozycji, HDR, balans bieli, odszumianie i ostrzenie „jak jej się uda”. Dla algorytmu to koszmar, bo ten sam detal może wyglądać inaczej na każdym zdjęciu.

Kamera przemysłowa ma być przewidywalna i stabilna. Oferuje:

• stałe, kontrolowane parametry ekspozycji (bez samodzielnego „kombinowania”),
• standardowe interfejsy przemysłowe z gwarantowaną przepustowością,
• sztywne mocowanie obiektywu i brak agresywnej obróbki obrazu.

To daje powtarzalne dane wejściowe dla klasycznych algorytmów i AI.

Jak dobrać obiektyw do systemu wizyjnego w fabryce?

Punkt wyjścia jest zawsze ten sam: jak duży obszar chcesz widzieć i z jakiej odległości. Z szerokości obserwowanego obiektu, odległości roboczej i rozmiaru sensora kamery da się policzyć potrzebną ogniskową obiektywu (często producenci mają do tego proste kalkulatory).

Poza ogniskową zwraca się uwagę na:

• jasność obiektywu (przysłona) – wpływa na ilość światła i głębię ostrości,
• dystorsję – przy pomiarach geometrycznych potrzebna jest optyka o małych zniekształceniach,
• rozdzielczość optyczną – obiektyw musi „nadążyć” za rozdzielczością matrycy.

Częsty błąd: wybór obiektywu „byle był ostry w centrum”, a potem zdziwienie, że na brzegach pola widzenia nic nie da się zmierzyć.

Po co robić kalibrację kamery w systemie wizyjnym?

Kalibracja usuwa błędy wynikające z optyki i geometrii układu: dystorsję obiektywu, niedokładne ustawienie kamery względem sceny, przelicza też piksele na milimetry. Dzięki temu pomiar 10 mm na obrazie odpowiada faktycznie 10 mm w świecie.

Bez kalibracji:

• pomiary geometryczne są obarczone błędem zależnym od miejsca w obrazie,
• pozycjonowanie robota może być przesunięte o milimetry (czasem o więcej),
• model AI uczy się na „krzywym” świecie, którego później nie da się dobrze skorygować programowo.

Raz dobrze zrobiona kalibracja potrafi uratować wiele godzin „magicznego” strojenia algorytmów.

Jakie są najczęstsze problemy z wizją maszynową na starcie projektu?

Najczęściej zawodzi hardware, a nie AI. Typowe problemy to:

• zbyt słabe lub niestabilne oświetlenie (co zmienia wygląd detali w ciągu dnia),
• zły dobór obiektywu – zbyt szeroki kąt, mała rozdzielczość na detal, duża dystorsja,
• brak sztywnego montażu kamery i obiektywu, przez co obraz „pływa”,
• brak lub zła kalibracja, przez co pomiary są losowe.

Efekt: model trzeba ciągle douczać, klasyczne algorytmy „głupieją”, a system jest niestabilny. Często wystarcza poprawa optyki i oświetlenia, by nagle wszystko zaczęło działać „magicznie lepiej”.

Kiedy wystarczą proste algorytmy wizyjne, a kiedy trzeba użyć AI?

Klasyczne narzędzia (progowanie, wykrywanie krawędzi, dopasowywanie okręgów/linii, korelacja wzorca) wystarczają, gdy defekty są dobrze zdefiniowane, obraz jest powtarzalny, a scena dobrze ustawiona optycznie. Przykład: sprawdzenie, czy jest śrubka, czy ma poprawną średnicę i leży w wyznaczonym okienku.

Po AI sięga się wtedy, gdy:

• defekty są nieregularne, „wizualne”, trudne do opisania prostymi regułami,
• warunki zmieniają się mimo wysiłków sprzętowych,
• chcemy klasyfikować złożone wzorce (rodzaje uszkodzeń, warianty produktów).

Nawet wtedy obowiązuje ta sama zasada: im lepszy obiektyw, kalibracja i światło, tym prostszy model AI i mniej niespodzianek na produkcji.

Jak głębia ostrości wpływa na działanie systemu wizyjnego?

Głębia ostrości określa, jaki zakres odległości od obiektywu jest „wystarczająco ostry”. Jeśli detal lub taśma porusza się w osi Z, a głębia jest zbyt mała, część zdjęć będzie ostra, a część lekko rozmyta – algorytm będzie widział raz wyraźną krawędź, a raz „mgłę”.

Kontroluje się ją głównie przysłoną, ogniskową i odległością od obiektu. W praktyce często:

• przymykamy przysłonę (np. do F/8),
• wzmacniamy oświetlenie lub wydłużamy ekspozycję,
• nieco odsuwamy kamerę, by zwiększyć głębię, kosztem wielkości detalu w pikselach.

Jeśli głębia ostrości jest policzona i sprawdzona na początku projektu, unika się późniejszych „cudów” z parametrami kamery i nerwowego trenowania modelu od nowa.