چارچوبی برای هدایت واقعیت افزوده در صنعت

چکیده:امروزه، بسیاری از شرکت‌ها واقعیت افزوده (‏AR)‏را به عنوان یک ابزار مهم برای ارائه خدمات جدید مربوط به محصولات خود می‌بینند. با این حال، چالش‌های زیادی باقی می‌ماند که باید برای پذیرش گسترده این فن‌آوری حل شود، مانند توسعه ابزارهای تایید مناسب و الگوریتم های زمان واقعی و قوی برای شناسایی و ردیابی اشیایی که در آن‌ها مرزهای مجازی در دنیای واقعی ثابت خواهد ماند. این مقاله یک چارچوب کامل به نام ARgitu برای تولید و ارایه اطلاعات مجازی و افزوده، از جمله ابزارهای مورد نیاز برای توسعه محتوای جدید ارائه می‌کند. برای حل تشخیص و ردیابی شی در محیط‌های صنعتی پیچیده، ما همچنین یک روش تک چشمی جدید برای شناسایی شی غیر لامبرتین سه‌بعدی در محیط‌های دل‌خواه پیشنهاد می‌کنیم. این روش بر پایه روش‌های تطابق چمفر با تلاش محاسباتی کاهش‌یافته و در عین حال حفظ دقت آن‌ها می‌باشد. ​

کلمات کلیدی: تولید، تعمیر و نگهداری، واقعیت افزوده، نظارت، شناسایی اشیا

​​​مقدمه

پیشرفت‌های اخیر در قدرت محاسباتی و فن‌آوری‌های ارتباطی مانند اینترنت، انقلابی را در چگونگی تعامل مردم با یکدیگر ایجاد کرده‌است. این انقلاب امروزه به کاربردهای صنعتی رسیده‌است که در آن الگوهای جدید در این که چگونه مردم با سیستم‌های تولید، تحت نام متداول صنعت ۴، که شامل فناوری‌هایی مانند رباتیک، هوش مصنوعی، واقعیت مجازی و واقعیت افزوده می‌شود، در حال توسعه هستند. ​

واقعیت افزوده (AR) امکان یکپارچه‌سازی اطلاعات مجازی در یک تصویر واقعی را با اضافه کردن تفسیر مجازی مانند مدل‌های ۳ بعدی، متن راهنما، یا انیمیشن‌ها در دنیای واقعی فراهم می‌کند. واقعیت افزوده این احساس را ایجاد می‌کند که این اشیا مجازی با اشیا واقعی هم‌زیستی دارند. استفاده از سیستم‌های AR به یک تکنیسین اجازه می‌دهد تا چیدمان فضایی تمام اشیایی که یک وظیفه را تشکیل می‌دهند و هر گونه اطلاعات مرتبط با آن‌ها را تجسم کند. ​

از AR می توان برای کاربردهای بسیاری در صنعت استفاده کرد. برای مثال [31]، یک سیستم AR که برای نگهداری و تعمیر موتور احتراق استفاده می‌شود، ارایه می‌دهد. "هانسون" و همکاران [‏ ۱۵ ]‏ سیستمی را برای راهنمایی کارگران در یک کار آماده‌سازی کیت ارایه می‌دهند، در حالی که [‏ ۲۵ ]‏ یک سیستم تعامل مبتنی بر AR برای روباتیک مشترک ارائه می‌دهند. با وجود پیشرفت‌های تکنولوژیکی اخیر، چالش‌های متعددی وجود دارد که پذیرش گسترده این فن‌آوری را در کاربردهای صنعتی محدود می‌کند. برای مثال، سیستم‌های مبتنی بر AR به ابزارهای تالیف مناسب برای توسعه محتوای جدید، مانند حاشیه‌نویسی مجازی و انیمیشن‌های آن‌ها نیاز دارند [‏ ۴۶ ]‏. چارچوب‌های فعلی معمولا نیازمند استفاده از انیمیشن‌های پیچیده و ابزارهای طراحی هستند که در بسیاری از موارد نیاز به برنامه‌نویسی پیشرفته دارند. با اینکه این یک مساله جزئی در برخی کاربردها، مانند بازی‌ها است، اما پذیرش AR را در شرکت‌های کوچک و متوسط که ممکن است فاقد پرسنل با مهارت‌های مورد نیاز باشند، محدود می‌کند. علاوه بر این، اتخاذ AR در محیط‌های صنعتی ممکن است نیازمند تغییراتی در بسیاری از حوزه‌های یک شرکت باشد. به طور خاص، توسعه محتوای مناسب برای AR می‌تواند بر بسیاری از سطوح یک سازمان از بازاریابی گرفته تا مهندسی تاثیر بگذارد. این تغییرات یافتن برنامه‌های کاربردی مناسب را که این نوع تلاش را ارزشمند کند، دشوار می‌سازد [‏ ۱۳ ]‏. علاوه بر این، محدودیت‌هایی نیز در سخت‌افزار موجود برای AR وجود دارد. بسیاری از دستگاه‌ها مانند نمایشگرهای نصب‌شده روی سر، در بسیاری از موارد، نفوذ می‌کنند و برای استفاده طولانی‌مدت در شرایط ارگونومیک یا در شرایطی که به ایمنی نیاز دارند، مناسب نیستند. سیستم‌های مبتنی بر تصویر، مسایل خوانایی دارند و دستگاه‌های دستی، مهارت کاربران را کاهش می‌دهند. ​

با این حال، AR همچنین با کمک به کارگران در یک محل کار همیشه چالش برانگیز، وعده مهمی دارد. با توجه به تولید پیشرفته، بسیاری از نویسندگان مزایای راه‌حل‌های مبتنی بر AR را برای راهنمایی در امور نگهداری و مونتاژ در صنعت نشان داده‌اند. در [‏ ۱۵ ]‏، AR به کاهش تعداد خطاها از میانگین ۵ به ۱ در تکالیف آماده‌سازی کیت کمک کرد. کارهای دیگر مانند [‏ ۱۲ ]‏ نشان می‌دهند که AR می‌تواند عملکرد در عملیات تعمیر و نگهداری را تا ۷۹ % در زمان و بیش از ۹۲ % کاهش خطا بهبود بخشد. ​

چارچوب‌های AR به درک محیط و مولفه‌های آن نیاز دارند. تخمین موقعیت و جهت گیری اهداف سه‌بعدی برای تنظیم صحیح حاشیه‌نویسی مجازی در تصویر بسیار مهم است. بینایی کامپیوتری یک راه‌حل درک غیر تهاجمی را ارایه می‌دهد که می‌تواند با بسیاری از محیط‌ها و برنامه‌های کاربردی با یک سخت‌افزار مقرون‌به‌صرفه و در دسترس سازگار شود. در دهه‌های گذشته، الگوریتم های تشخیص شی زیادی برای کاربردهای تولید و نگهداری پیشنهاد شده‌اند. برخی از آن‌ها مبتنی بر مارکرها هستند که یک موقعیت سه‌بعدی ساده و دقیق از اشیا را در زمان واقعی فراهم می‌کنند [‏ ۳۲ ]‏. با این حال، این راه‌حل‌ها نیازمند سازگاری با محیط هستند. علاوه بر این، آن‌ها به کثیفی و گرفتگی حساس هستند: آن‌ها فقط وقتی خوب کار می‌کنند که شاخص‌ها کاملا توسط دوربین قابل‌مشاهده باشند. در واقع، با توجه به اینکه دست‌ها و ابزارها می‌توانند به راحتی فضای کاری را مسدود کنند، این یک سناریوی رایج در کارهای تولیدی است. سایر گزینه‌ها از نقاط ویژگی استفاده می‌کنند، که در آن موقعیت شی با تطبیق نقاط تصویر با یک پایگاه‌داده از پیش پردازش‌شده از تصاویر شی ایجاد می‌شود [‏ ۳۳، ۴۰، ۴۷ ]‏. این جایگزین‌ها برای اشیا با سطوح الگو دار که در محیط‌های صنعتی معمول نیستند، بهینه‌سازی شده‌اند. روش‌های مبتنی بر مکان‌یابی و نگاشت همزمان (‏SLAM)‏جایگزین‌های ردیابی خوبی هستند، اما آن‌ها تنها موقعیت نسبی دوربین را در محیط آن بازیابی می‌کنند و در مورد صحنه‌های دینامیک شکست می‌خورند [‏ ۱۹، ۲۷، ۳۰، ۳۴ ]‏. اخیرا، روش‌های یادگیری عمیق نتایج قابل‌توجهی را نشان داده‌اند [‏ ۱۴، ۲۰، ۳۵، ۴۳ ]‏. آن‌ها به هیچ ویژگی دستی طراحی‌شده نیاز ندارند و در عوض به طور خودکار از مقدار زیادی داده یاد می‌گیرند. ​ در حال حاضر، ثابت شده‌است [‏ ۱۴ ]‏ که وقتی یک شی بیش از ۲۰ % مسدود می‌شود، آن‌ها شکست می‌خورند. علاوه بر این، مقدار زیاد داده‌های با ساختار بالا مورد نیاز در طول مرحله آموزش، آن‌ها را برای کاربرد مستقیم صنعت نامناسب می‌سازد. ​

محیط‌های صنعتی با صحنه‌های به هم ریخته با تغییرات روشنایی کنترل‌نشده مشخص می‌شوند. آن‌ها معمولا شامل اجسامی با سطوح غیر لامبرتیسی هستند (‏برای مثال فلزی)‏. در این حالت، روشنایی یک نقطه از سطح با توجه به زاویه دید تغییر می‌کند. این سطوح برای اکثر الگوریتم های تشخیص شی مناسب نیستند. با این حال، در این زمینه، بسیار رایج است که مدل CAD از موضوعات مورد علاقه صحنه را بدانیم. مدل‌های CAD منبع غنی عناصر متمایز مانند لبه‌ها و گوشه‌ها هستند که می‌توانند به غلبه بر چالش‌های تشخیص به دلیل انعکاس کمک کنند. به عنوان مثال، تعداد زیادی از اشیا ساخته‌شده توسط انسان شامل عناصر انقلابی مانند حفره‌ها یا استوانه‌ها هستند که به راحتی در این نوع از محیط‌ها قابل‌شناسایی هستند و تحت تغییرات نور پایدار هستند. این روش‌های مبتنی بر مدل CAD به طور گسترده برای سیستم‌های AR مورد استفاده قرار گرفته‌اند [‏ ۴۱ ]‏ اما آن‌ها به پس‌زمینه‌های به هم ریخته حساس هستند و به دلیل فضای جستجو گسترده، زمان زیادی را برای شناسایی یک شی از یک تصویر طلب می‌کنند. ​

در این مقاله، ما به چالش درک هدف در محیط‌های صنعتی و ادغام تکنولوژی‌های AR در یک ابزار هدایت نگهداری صنعتی واقعی، همانطور که در شکل ۱ نشان‌داده شده‌است، می‌پردازیم. ​

این متن ترجمه‌ای خودکار از چکیده و مقدمه مقاله A framework for augmented reality guidance in industry چاپ‌شده در مجله The International Journal of Advanced Manufacturing Technology می‌باشد.
برای مطالعه کامل این مقاله به همراه ترجمه‌ به این لینک مراجعه فرمایید.​