TwinCAT 3 Functions TFxxxx

Разъем для камер TwinCAT 3 Vision Beckhoff обеспечивает возможность интеграции камер Beckhoff непосредственно в архитектуру TwinCAT. Камеры настраиваются в той же среде разработки, что и компоненты полевой шины или оси. Запускаемые в реальном времени процессы захвата изображения и ПЛК или движения могут работать с высокой степенью синхронизации.

Конфигурация полностью выполнена в технике TwinCAT. Доступны помощники для настройки параметров камеры, калибровки и моделирования. Используя File Source Control, можно читать сохраненные изображения с диска и делать их доступными в режиме реального времени. Программирование задач обработки изображений можно подготовить и протестировать в автономном режиме.

Разъем камеры TwinCAT 3 Vision Beckhoff обеспечивает основу для связи и позволяет подключать до 64 камер.

TwinCAT 3 Vision Code Reading содержит функции для чтения различных 1D и 2D кодов. Это основа проверки содержимого кода непосредственно в системе управления в режиме реального времени и отслеживания продукции в процессе производства. Это устраняет необходимость в дополнительных интерфейсах и задержках связи с внешними устройствами.

Результаты считывания могут отображаться в виде изображения в любой момент производства для мониторинга процесса или сохраняться для постоянного контроля качества.

TwinCAT 3 Vision Code Quality содержит функции для оценки качества различных 1D и 2D кодов. Оценка проводится по стандартам ISO/IEC 15415 и ISO/IEC 15416.

Качество кодов можно контролировать непосредственно в процессе производства. Это означает, что проблемы можно выявить на ранней стадии и гарантировать возможность дальнейшей обработки кодов.

Тестирование кода обычно происходит сразу после его применения или когда в производственную линию вводятся новые детали с существующим кодом.

TwinCAT 3 Vision Machine Learning предоставляет интегрированное решение машинного обучения (ML) для конкретных случаев использования машинного зрения. Как обучение, так и выполнение моделей машинного обучения происходят в режиме реального времени. Эти модели можно использовать для автоматического обучения сложному анализу данных. Это можно использовать для замены сложных, созданных вручную программных конструкций.

Доступно множество различных классических моделей машинного обучения, таких как: B. Машина опорных векторов (SVM), случайный лес (RTrees), k-Means++ и анализ главных компонентов (PCA). Их можно использовать для классификации, регрессии, кластерного анализа и обнаружения аномалий.

Функции ML можно легко комбинировать с другими функциями библиотеки Vision. Кроме того, пакет предлагает методы извлечения и нормализации признаков.

Примеры приложений включают распознавание/обнаружение объектов, сортировку, контроль качества или мониторинг процессов.

TwinCAT 3 Vision Neural Network предлагает интегрированное решение машинного обучения (ML) для конкретных случаев использования машинного зрения. Модели машинного обучения выполняются в реальном времени. Эти модели можно использовать для автоматического обучения сложному анализу данных. Это можно использовать для замены сложных, созданных вручную программных конструкций.

Функция TwinCAT 3 TF7810 — это высокопроизводительный модуль выполнения (механизм вывода) для обученных нейронных сетей. Нейронные сети обучаются в установленных средах, таких как: B. PyTorch, TensorFlow или MATLAB®. Информация об изученной сети загружается в механизм вывода в виде файла описания. Поддерживается стандартизированный формат обмена Open Neural Network Exchange (ONNX), благодаря чему мир автоматизации и науки о данных плавно переплетаются.

Примером нейронной сети является сверточная нейронная сеть (CNN). В отличие от классических моделей ML, данные изображения передаются напрямую, и в моделях происходит извлечение признаков. С помощью этих моделей можно решать различные задачи. Примеры приложений включают обнаружение объектов, сегментацию, классификацию и обнаружение аномалий для контроля качества или мониторинга процессов.