NVIDIA Jetson專案 製作樂高輸送帶 執行自動光學檢測 AOI(Automated Optical Inspection)

在2022年的南港瓶蓋工廠Maker Faire所展出RK-AOI樂高自動光學檢測專題,受到很多大朋友小朋友的喜愛,吸引了很多好奇的民眾來觀看,紛紛都來詢問是如何透過樂高與微控器和reComputer來做結合,本篇就來分享這三者的協作溝通,以及原理說明。

 

RK-AOI光學檢測專題設備介紹

 

由以下設備所組成:

 

將不同顏色的積木放置輸送帶中,IR感測器偵測到後,便會停止馬達,使得攝影機能夠辨識積木。當攝影機辨識完畢,輸送帶便會重新啟動運輸積木,撥桿也會開始分類。流程圖如下。

 

嵌入式系統和MCU之溝通

再來是reComputer和Link7697的溝通,是藉由UART的模式來做溝通,這類的溝通模式不限定reComputer和Link7697,只要是嵌入式系統和MCU(Microcontroller)搭配即可,如下圖所示:

 

即是reComputer和Link7697之間,是藉由一條Micro USB傳輸線來溝通,如下圖所示。

 

 

先說明reComputer接那些設備,如下圖所示:

 

樂高PF馬達控制

接下來是樂高PF馬達控制。筆者是透過L298N馬達驅動板,接上樂高PF馬達來控制,樂高PF馬達配線說明,如下圖所示。

 

c1和c2的線可以配合Arduino程式,來控制樂高PF馬達的正/反轉。也就是說,馬達轉向若有錯,是可以直接互換c1和c2位置,或者改Arduino程式。

 

LinkIt7697與其他感測器的腳位說明

再來以下說明的是LinkIt7697擴充板與感測器及樂高PF馬達腳位接法,如下圖所示。

 

以及LinkIt7697擴充板和reComputer溝通的接線圖,是為了控制伺服馬達撥桿。

 

 

機器學習軟體

那重點來了,輸送帶AI識別積木顏色的軟體是用甚麼甚麼呢?筆者是透過微軟的Lobe.ai,不僅免費使用,還可直接安裝在電腦中,且可離線收集資料、訓練、推論及匯出模型。

 

 

有鑑於之前有使用過Google Teachable Machine做過類似顏色辨識的專題,但是效果卻差強人意,於是選擇Lobe.ai。

其最大優點是Lobe.ai有提供Optimize for Speed Optimize for Accuracy 兩種優化模型。前者精度低,辨識率差,但辨識速度快,模型較小,適合資料集外型特徵差異大時使用;後者精度高,辨識率佳,但模型較大,適合資料集特徵外型差異小時用。本專案便選了Optimize for Accuracy ,在真實使用上除了在辨識樂高積木顏色時需要等10~20秒,時間稍久時,其辨識率也非常準確。

 

控制介面說明

筆者設計了可以辨識樂高積木顏色的畫面,以及控制伺服馬達撥桿,和馬達轉速控制的控制介面,如下圖所示。

 

以上是本次的分享,如果對製作輸送帶方面的專題想更多了解,歡迎聯繫我們。

 

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *