프로젝트 인식 정확도 향상

비전 인식 오차는 비전 프로젝트의 인식 정확도와 반복 정밀도를 반영합니다.

비전 프로젝트에서 “3D 매칭” 알고리즘을 사용하여 인식하는 경우, 3D 매칭 정확도 향상을 참조하여 프로젝트의 인식 정확도를 향상하십시오.

비전 프로젝트에서 “딥 러닝” 알고리즘을 사용하여 인식하는 겨우, 딥 러닝 추론 효과 향상을 참조하여 프로젝트의 인식 정확도를 향상하십시오.

3D 매칭의 정확도 향상

다음과 같은 방법으로 3D 매칭의 정확도를 향상시킬 수 있습니다.

이미 “비전 시스템 하드웨어 구축” 단계에서 카메라의 포인트 클라우드 품질을 검사한 경우 본 섹션을 건너뛸 수 있습니다.

카메라의 포인트 클라우드 품질을 검사하지 않은 경우 카메라 포인트 클라우드 품질 검사 내용을 참조하시기 바랍니다.

카메라로 이미지를 캡처하여 포인트 클라우드 모델을 획득할 때 다음 요구 사항에 주의해야 합니다.

모델 유형의 올바른 선택: 대상 물체가 상대적으로 평평하지만 카메라에 명확하고 고정된 에지 특징(예: 패널, 트랙슈, 커넥팅 로드, 브레이크 디스크 등)이 표시되는 경우 에지 모델을 사용하는 것이 좋습니다. 대상 물체의 표면에 기복 모양 특징(예: 크랭크 축, 회전자, 강철 막대 등)이 많은 경우 면 모델을 사용하는 것이 좋습니다.
노이즈 제거: 모델 작업 과정 중 포인트 클라우드에 노이즈가 포함되어 있으면 인식 오류 상황이 발생합니다. 그러므로 대상 물체의 포인트 클라우드만 유지하고 다른 노이즈는 제거해야 합니다.

CAD 파일을 도입하여 포인트 클라우드 모델을 생성할 때 모델의 단위를 정확하게 설정하는 데 주의해야 합니다. 그렇지 않으면 모델 매칭이 계속 실패할 수 있습니다.

Mech-Vision에서는 드래그 방법과 티칭 방법을 지원하여 포인트 클라우드 모델에 픽 포인트를 추가합니다.

상대적으로 정확도가 높고, 작업물 방향이 일치하며, 로봇 TCP 오차 분석이 쉽지 않은 시나리오의 경우 티칭 방법을 사용하는 것이 좋습니다.

티칭 방법을 사용하여 픽 포인트를 추가할 때 다음 사항에 주의하십시오.

픽 포인트의 플랜지 포즈 입력 시 정확한 오일러 각 유형을 선택해야 합니다.
픽 포인트의 플랜지 포즈 입력 시 데이터 길이에 주의해야 합니다. 티치 펜던트에서 읽은 플랜지 포즈 포맷은 포즈 편집 인터페이스의 포맷과 일치해야 합니다. 플랜지 포즈가 오일러 각 포맷을 사용하는 경우 6개의 데이터를 입력해야 하고, 사원수를 사용하는 경우 7개의 데이터를 입력해야 합니다.
7축 로봇의 경우 티치 펜던트 및 소프트웨어의 플랜지 포즈 중 7축 값의 포함 여부가 일치해야 합니다.

다음 방법으로 딥 러닝 추론 효과를 향상시킬 수 있습니다.

2D 이미지의 퀄리티를 향상합니다. 딥 모델 훈련에 사용되는 2D 이미지는 다음 요구 사항을 충족해야 합니다.
- 이미지에 노출 과다 또는 과하게 어두운 경우가 없어야 합니다.
- 이미지 컬러가 실제 물체에 가깝고 색상 왜곡 문제가 없어야 합니다.
- 충분한 수량의 이미지를 캡처하여 이미지 유형의 다양성을 보장해야 합니다.
  
  이미지에 대한 디테일 사항은 딥 러닝 이미지 데이터 수집 내용을 참조하시기 바랍니다.
딥 러닝 모델을 반복합니다. 모델을 일정 기간 사용하면 모델이 적용될 수 없는 시나리오가 나타날 수 있는데, 모델 파인튜닝을 통하여 모델을 반복하고 모델의 정확도를 향상시킬 수 있습니다.
딥 러닝 파라미터를 조정합니다. 딥 러닝 파라미터를 조정하는 방법을 통하여 최적화된 딥 러닝 추론 효과를 얻습니다. 디테일한 정보는 “딥 러닝 모델 패키지 추론” 스텝의 파라미터 설명을 참조하시기 바랍니다.