Production Preparation Processes

Zivid SDK에는 시스템을 설정하고 생산을 준비하는 데 도움이 되는 여러 프로세스와 도구가 있습니다. 배포하기 전에 권장하는 필수 항목은 다음과 같습니다.

warm-up
infield correction
hand-eye calibration

이러한 프로세스를 사용하여 작업 온도, 거리 및 FOV 에 대해 카메라를 최적화하기 위해 생산 조건을 모방하려고 합니다. 생산 중 처리 시간을 줄여 피킹 속도를 최대화하는 데 도움이 되는 다른 도구는 다음과 같습니다.

downsampling
transforming and ROI box filtering

Robot Calibration 

생산을 시작하기 전에 로봇이 잘 보정되어 위치 정확도가 좋은지 확인해야 합니다. 로봇 운동학적 교정 및 로봇 마스터링/영점 조정에 대한 자세한 내용은 로봇 공급업체에 문의하십시오.

Zivid 3D 카메라가 예열되고 열 평형에 도달하도록 허용하면 애플리케이션의 전반적인 정확성과 성공을 향상시킬 수 있습니다. 애플리케이션이 엄격한 허용 오차를 요구하는 경우(예: 카메라에서 미터 거리당 허용 오차가 5mm 미만인 애플리케이션 선택)에 권장됩니다. 예열된 카메라는 Infield Correction과 Hand-Eye Calibration 결과를 모두 개선합니다.

카메라를 예열하기 위해 코드 샘플을 실행하여 주기 시간과 카메라 설정 경로를 제공할 수 있습니다.

Python

Sample: warmup.py

python /path/to/warmup.py --settings-path /path/to/settings.yml --capture-cycle 6.0

워밍업이 필요한 이유와 SDK로 워밍업을 수행하는 방법을 더 잘 이해하려면 Warm-up 를 확인하십시오.

팁

If your camera encounters prolonged periods without capturing that last longer than 10 minutes, it is highly beneficial to enable Thermal Stabilization.

infield correction 

Infield correction은 Zivid 카메라의 Dimension Trueness을 확인하고 수정하도록 설계된 유지 관리 도구입니다. 사용자는 시야각(FOV)의 여러 지점에서 포인트 클라우드의 Dimension Trueness을 확인하고 해당 애플리케이션에 적합한지 결정할 수 있습니다. 확인 결과 카메라가 애플리케이션에 대해 충분히 정확하지 않은 것으로 나타나면 포인트 클라우드의 Dimension Trueness을 높이기 위해 수정을 수행할 수 있습니다. 여러 측정의 평균 Dimension Trueness 오차는 0에 가까울 것으로 예상됩니다(<0.1%).

Why is this necessary?

당사의 카메라는 산업 작업 환경을 견딜 수 있도록 제작되었으며 계속해서 고품질 포인트 클라우드를 반환합니다. 그러나 대부분의 고정밀 전자 기기와 마찬가지로 최상의 성능을 유지하기 위해 약간의 조정이 필요할 수 있습니다. 카메라가 환경에 상당한 변화를 겪거나 무리한 작업을 하는 경우 새로운 설정에서 최적으로 작동하려면 보정이 필요할 수 있습니다.

처음 하는 경우 Infield Correction 을 자세히 읽어보십시오.

infield verification을 실행할 때 빈의 상단과 하단 모두에서 Dimension Trueness가 양호한지 확인하십시오. 온암 애플리케이션의 경우 infield verification을 수행할 때 로봇을 캡처 포즈로 이동합니다. 검증 결과가 좋으면 Infield Correction을 실행할 필요가 없습니다.


Calibration board at bin top for infield verification	Calibration board at bin bottom for infield verification

Infield Correction이 필요한 경우 최적의 결과를 위해 전체 작업 볼륨을 확장합니다. 이는 Zivid calibration board 를 주어진 거리의 여러 위치에 배치하고 전체 보드가 FOV 안에 있도록 하면서 다양한 거리에서 수행하는 것을 의미합니다. 빈의 바닥에 있는 두 개의 위치와 상단의 두 개의 위치는 Piece Picking에 충분합니다. 자세한 내용은 Guidelines for Performing Infield Correction 을 확인하십시오.

카메라에서 Infield Verification 또는 Correction을 실행하려면 다음을 사용할 수 있습니다.

Zivid Studio
CLI tool
SDK

팁

Infield correction을 처음 실행하는 경우 Zivid Studio를 사용하는 것이 좋습니다.

Infield correction 실행에 대한 단계별 가이드는 Running Infield Correction 을 확인하십시오.

Hand-Eye Calibration 

비전 가이드 로봇 시스템의 피킹 정확도는 카메라, Hand-Eye Calibration, 머신 비전 소프트웨어 및 로봇 위치 지정을 모두 결합합 정확도에 따라 달라집니다. 로봇은 일반적으로 반복성이 높지만 정확하지는 않습니다. 온도, 조인트 마찰, 페이로드 및 제조 공차는 로봇이 사전 프로그래밍된 위치에서 벗어나게 하는 요인 중 일부입니다. 그러나 로봇 자체를 보정하여 로봇 포즈 정확도를 개선할 수 있으며, 이는 피킹 정확도에 영향을 미치는 여러 요소가 있는 복잡한 시스템에 적극 권장됩니다. 로봇이 보정을 잃으면 피킹 정확도가 떨어집니다. Calibration(로봇 또는 hand-eye)을 반복하면 이러한 성능 저하를 보상할 수 있습니다. 또한 카메라를 고정 구조물이나 로봇에서 분리했다가 다시 장착한다면 Hand-Eye Calibration을 반복해야 합니다.

Hand-Eye Calibration을 쉽게 수행할 수 있는 코드 샘플이 있습니다.

또는, CLI 도구를 사용하여 Hand-Eye Transform 컴퓨팅을 수행할 수 있습니다.

Zivid CLI Tool For Hand-Eye Calibration

Hand-Eye Calibration을 완료한 후 결과 변환 매트릭스가 정확하고 정확도 요구 사항 내에 있는지 확인할 수 있습니다. 우리는 두 가지 옵션을 제공합니다:

이 주제에 대해 자세히 알아보려면 Hand-Eye Calibration 을 확인하십시오.

Color Balance 

SDK에는 빨강, 녹색 및 파랑 색상 채널의 색상 균형 값을 조정하는 기능이 있습니다. 완벽하게 흰색이 아니거나 매우 강한 주변 조명은 컬러 이미지의 RGB 값에 영향을 미칩니다. 응용 프로그램에 올바른 RGB가 필요한 경우 카메라에서 색상 균형을 실행하십시오. Zivid 카메라 프로젝터를 사용하여 컬러 이미지를 캡처하지 않는 경우 특히 그렇습니다.


Point cloud before color balance	Point cloud after color balance

사용하는 2D 획득 설정에 대한 경로를 입력하면 2D 이미지의 색상 균형을 맞추기 위해 코드 샘플을 실행하여 설정 값을 얻을 수 있습니다.

Python

Sample: color_balance.py

python color_balance.py /path/to/settings.yml

출력으로 새로운 색상 밸런스 게인을 사용한 2D 획득 설정이 파일에 저장됩니다.

자세한 설명, SDK로 수행하는 방법 및 코드 샘플 walk-through는 Adjusting Color Balance 페이지를 확인하십시오.

ROI Box Filtering 

The camera field of view is often larger than our Region of Interest (ROI), e.g., a bin. To optimize data processing, we can set an ROI box around the bin and crop the point cloud accordingly, capturing only the bin contents. ROI box filtering not only decreases the capture time but also reduces the number of data points used by the algorithm, consequently enhancing its speed and efficiency.

팁

Smaller point clouds are faster to capture, and can make the detection faster and total picking cycle times shorter.

구현 예시로 ROI Box via Checkerboard 을 확인하십시오. 이 튜토리얼은 Zivid calibration board 사용하여 체커보드에 상대적으로 주어진 ROI 상자를 기반으로 포인트 클라우드를 필터링하는 방법을 보여줍니다.


Point cloud before ROI cropping	Point cloud after ROI cropping

Example and Performance

Here is an example of heavy point cloud processing using a low-end PC (Nvidia MX 250 laptop GPU and a 1G network card) where ROI box filtering is very beneficial.

Imagine a robot picking from a 600 x 400 x 300 mm bin with a stationary-mounted Zivid 2+ M130 camera. For good robot clearance, the camera is mounted at 1700 mm distance from the bin top, providing a FOV of approximately 1000 x 800 mm. With the camera mounted at this distance, a lot of the FOV is outside of the ROI, allowing one to crop ~20/25% of pixel columns/rows from each side. As can be seen from the table below, the capture time can be significantly reduced with ROI box filtering.

Presets	Acquisition Time		Capture Time
Presets	No ROI	ROI	No ROI	ROI
Consumer Goods Quality	0.90 s	0.88 s	5.0 s	3.0 s

Downsampling 

참고

Downsampling may not be necessary if Monochrome Capture is employed. Monochrome capture is a hardware-based subsample method that reduces the resolution of the point cloud during capture while also reducing the acquisition and capture time.

일부 애플리케이션에는 고밀도 포인트 클라우드 데이터가 필요하지 않습니다. 예를 들어 상자 표면에 평면을 맞추는 상자 감지와 물체가 뚜렷하고 쉽게 식별할 수 있는 기능이 있는 CAD 일치가 있습니다. 또한 이 데이터 양은 머신 비전 알고리즘이 애플리케이션에 필요한 속도로 처리하기에는 너무 큰 경우가 많습니다. 포인트 클라우드 다운샘플링이 작동하는 애플리케이션입니다.

포인트 클라우드 컨텍스트에서 다운샘플링은 동일한 3D 표현을 유지하면서 공간 해상도를 줄이는 것입니다. 일반적으로 데이터를 보다 관리하기 쉬운 크기로 변환하여 저장 및 처리 요구 사항을 줄이는 데 사용됩니다.

There are two ways to downsample a point cloud with Zivid SDK:

Via the setting Settings::Processing::Resampling (Resampling), which means it’s controlled via the capture settings.
Via the API PointCloud::downsample.

In both cases the same operation is applied to the point cloud. Via the API version you can choose to downsample in-place or get a new point cloud instance with the downsampled data.


ROI cropped point cloud before downsampling	ROI cropped point cloud after downsampling

현재 포인트 클라우드를 수정하는 다운샘플링을 내부에서 수행할 수 있습니다.

C++

pointCloud.downsample(Zivid::PointCloud::Downsampling::by2x2);

C#

pointCloud.Downsample(Zivid.NET.PointCloud.Downsampling.By2x2);

Python

point_cloud.downsample(zivid.PointCloud.Downsampling.by2x2)

다운샘플링된 포인트 클라우드를 기존 포인트 클라우드를 변경하지 않는 새로운 포인트 클라우드 인스턴스로 가져올 수도 있습니다.

C++

auto downsampledPointCloud = pointCloud.downsampled(Zivid::PointCloud::Downsampling::by2x2);

C#

var downsampledPointCloud = pointCloud.Downsampled(Zivid.NET.PointCloud.Downsampling.By2x2);

Python

downsampled_point_cloud = point_cloud.downsampled(zivid.PointCloud.Downsampling.by2x2)

Zivid SDK는 다음과 같은 다운샘플링 비율을 지원합니다: by2x2 , by3x3 및 by4x4, 그리고 다운샘플링을 여러 번 수행할 수 있습니다.

포인트 클라우드를 다운샘플링하려면 코드 샘플을 실행할 수 있습니다.

Python

Sample: downsample.py

python /path/to/downsample.py --zdf-path /path/to/file.zdf

ZDF 파일이 없는 경우 다음 코드 샘플을 실행할 수 있습니다. 설정으로 캡처한 Zivid 포인트 클라우드를 파일에 저장합니다.

Python

Sample: capture_with_settings_from_yml

python /path/to/capture_with_settings_from_yml.py --settings-path /path/to/settings.yml

다운샘플링에 대한 자세한 내용은 Downsample 을 참조하십시오.

축하합니다! 당신은 당신의 Piece Picking system을 생산에 투입할 준비를 하기 위한 Zivid의 모든 내용을 다루었습니다. Maintenance 에서는 최소한의 다운타임으로 Piece Picking cell이 안정적인지 확인하기 위해 수행하는 구체적인 프로세스에 대해 설명합니다.

Version History 

SDK	Changes
2.12.0	Added section to demonstrate how ROI box filtering provides a speed-up in capture time.
2.10.0	Monochrome Capture 는 Downsampling 을 대체할 수 있는 보다 빠른 대안을 제공합니다.