Perfect Cut. Every Time. Any Wood.

1.Aktivitāte: HIP, CUDA un GPUFORTE savietojamība ar esošo Zippy Vision pieredzi, tehnoloģiju brieduma vērtējums un vērtējums attiecībā pret esošajām iestrādēm. 

2.Aktivitāte: Iegūt augstas frekvences mērījumus uz testa paraugiem

Iegūti augstas frekvences lāzera triangulācijas mērījumi/punktu mākoņi vienam un tam pašam objektam no savstarpēji kalibrētām lāzera triangulācijas kamerām.

Mērījumi izdarīti zināmu dimensiju objektam, pieļaujot tā nelielu vibrāciju un kustību.

3.Aktivitāte: Integrācijas API un SDK atbilstoši Zippy Vision iekārtu pieslēgumu arhitektūrai

Izveidoti kalibrācijas un konfigurācijas instrumenti kameru testēšanai un kameru savstarpējā novietojuma kalibrācijai izmantojot specifiski izveidotus kalibrācijas objektus

4.Aktivitāte: Digitālās stabilizācijas algoritma izveide HPC tehnoloģijās attiecībā pret rasējuma informāciju.

• Izveidots algoritms, ka nodrošina punktu mākoņa reģistrāciju attiecībā pret rasējumu izmantojot HPC.

• Jaunais algoritms vienu šķērsgriezumu apstrādā zem 1 ms. Tas ir 40x paātrinājums.

• Jaunajiem, HPC balstītiem algoritmiem precizitāte ir pietiekoši augsta, lai varētu 100% izmantot sensoru precizitāti.

1.Aktivitāte: Izveidot uz HPC balstīta 3D mērījumu stabilizācijas sistēmu attiecībā pret šķērsgriezuma rasējuma elementiem.

Tika iegūta metode, kas ļauj stabilizēt 3D punktu makoņu datus, stabilizējot secīgus punktu mākoņu šķērsgriezumus. Šīs metode strādā tikai uz punktu informāciju, neizmantojot papildus ģeometrisko informāciju par pašiem objektiem, jeb nav pieejams objekta rasējums. Viens no šķēlumiem tiek izvēlēts kā atbalsta šķēlums, un pārējie šķēlumi tiek pielīdzināti šim šķēlumam.

Stabilizācijā tika izvēlēts stabilākais no diviem transformācijas risinājumiem ar 5x stabilākiem rezultātiem. Katram no 500 šķērsgriezumam ir 2000 punktu, veidojot 1miljonu punktu kopu.

2.Aktivitāte: Izveidot koda bibliotēku, kas strādā attiecībā pret sintētiskiem datiem un dod prototipa rezultātu reāliem datiem.

Tika iegūts, ka stabilizēšana pret rasējumu dod salīdzināmu precizitāti ar stabilizēšanu pret punktu kopu. Vidējā kvadrātiskā kļūda ar kārtu ~0.1 mm. Ātrdarbības ziņā, tika iegūts ievērojams uzlabojums. Tika iegūts 6.5x ātrdarbības uzlabojums.

Izstrādātie algoritmi tika integrēti Zippy Vision sistēmu bibliotēkā, izmantošanai uz augstas veiktspējas skaitļošanas sistēmām. Šīs bibliotēkas tālāk tika izmantotas, lai izmantojot datus, kas iegūti no reālās vides (ražotnēs) spētu pielāgot šo algoritmu parametrus, lai nodrošinātu vēlamo precizitāti.

3.Aktivitāte: Veikt 3D mākoņa izvērtējumu attiecībā pret dažādu virsmas defektu identifikācijas iespēju.

Ņemot vērā, ka gala rezultāts ir 3D informācijas izmantošana vizuālu defektu kontrolei, sekmīgais risinājums bija metožu kombinācija:

· Izgaismojuma simulācija izmantojot visas virsmas 3D datus. Tika simulēta pilnībā matētas virsmas uzvedība sānu apgaismojumā;

· Paredzēta izejas datus lietot ML vizuālās defektu identifikācijas modelim.

Rezultātā tika konstatēts, ka metode, kas simulē vizuālos defektus, izmantojot apgaismojuma modeli, ļauj atteikties no sarežģītām, citām daudzparametru kalibrācijām.

4.Aktivitāte: Veikt vizuālās informācijas izvērtējums (izmantojot atstarošanās datus).

5.Aktivitāte: Pilota instalācija pie Zippy Vision vai sadarbības klienta.

1. Aktivitāte: Pilna cikla darbības testēšana ar atbalsta moduļiem

• Tehnoloģija tika testēta ar pilna cikla darbību testa vidē, izmantojot digitālās stabilizācijas algoritmus.

• Stabilizācija veikta, izmantojot daļēju virsmu informāciju, pieņemot, ka virsmām var būt atsevišķi defekti.

• Izstrādātie algoritmi veiksmīgi noteica "chip-out" un "feathered edges" defektus koka detaļās.

2. Aktivitāte: 3D punktu mākoņu apstrādes algoritmu uzlabošana

• Izstrādātie 3D punktu mākoņu apstrādes algoritmi tika paplašināti, lai apstrādātu sintētiskus baļķu datus.

• Sistēma tika izmantota, lai stabilizētu 3D punktu mākoņus, aprēķinot baļķa šķērsgriezumus.

2.1 Aktivitāte: Objektu ģeometrisko defektu konstatēšana

• Izstrādāta tehnoloģija ģeometrisko defektu noteikšanai, balstoties uz stabilizētajiem 3D punktu mākoņiem.

• Izstrādāts algoritms, kas identificē defektīvas virsmas, ignorējot "labās" virsmas.

2.2 Aktivitāte: "Chip-out" defektu detektēšana

• Tika izstrādāts algoritms, kas spēj detektēt "chip-out" defektus, kas izturīgs pret trokšņu datiem.

• Algoritms pielāgojams dažādu "chip-out" izmēru un trokšņu līmeņiem.

2.3 Aktivitāte: Sintētisku 3D virsmu stabilizācija

• Izstrādāts algoritms, kas stabilizē sintētiskas 3D virsmas, identificējot optimālo plakni punktu mākonī.

• Algoritma izpildes laiks ir līdz 1 sekundei pie 10^6 punktu skaita mākonī.