吾爱光设 › 首页 ›资讯 › 查看内容

工业自动化中的光谱技术综述

2022-5-25 21:54| 发布者: everydayness| 查看: 3003| 评论: 1

摘要: 2021年，工业自动化和机器视觉市场价值132.3亿美元，预计2022年将继续保持7.7% 的同比增长。机器视觉的应用，使产品生产过程中的信息可以实时输入到自动化制造的反馈回路，从而使复杂的自动化成为可能。建立机器 ...

2021年，工业自动化和机器视觉市场价值132.3亿美元，预计2022年将继续保持7.7% 的同比增长。机器视觉的应用，使产品生产过程中的信息可以实时输入到自动化制造的反馈回路，从而使复杂的自动化成为可能。

建立机器视觉实时反馈回路可以改善制造过程中的质量控制，并可以制造更复杂和更精密的设备，例如使用离子束方法制造纳米级和微机电系统(MEMS)

在自动化生产过程中加入实时反馈，使得样品定位可得到实时纠正，从而使系统的准确性与精密性更高，这对于纳米级制造来说非常重要，哪怕是最极小的不精确性都可能导致制造错误。

在机器视觉系统中使用光谱学技术，会使得系统效率更高。虽然机器学习分析和可见光摄像机的结合可用于检查制造过程中的缺陷和尺寸公差，但光谱学应用为质量控制和产品性能评估提供了新维度的信息。

机器视觉中的光谱学

许多领域中的机器视觉系统都加入了光谱技术，包括农作物健康诊断，以及食品工业中确定产品的新鲜度且帮助产品分类。

在制造行业，红外光谱分析等光谱分析技术可以提供关于原材(如木材)质量的重要信息

使用红外光谱技术，可以提高机器视觉系统识别材料表面缺陷的能力，例如木材。材料表面缺陷的许多特征，例如表面缺陷，不仅能从外观探测，它们通常具有独特的红外吸收特征。

局部材料区域的红外吸收频率和波段形状，也能反映材料环境中的局部应力和应变，这可以用于识别新产品的潜在失效点。

红外光谱技术在机器视觉系统中的另一个应用是，识别药品的混合程度；结合另一种光谱技术，紫外-可见光谱学，可以提供更佳的实时反馈，由此研究人员建立了一个高灵敏度和准确度的系统来监测药品混合程度。这样，活性药物成分(API)的浓度可以实时监测。许多地方的药品法规明确规定，API 浓度不得过高，因为这可能会导致患者的服用剂量不准确，从而产生潜在风险。

可持续发展

随着在制造过程中逐步使用可回收的原材以提高制造过程的可持续性，自动化面临的一个挑战是尝试和处理具有不一致性的原材。

现阶段，特别是聚合物正被证明是一个重大的环境挑战，因为它无法被生物降解从而会对生态造成长期危害。但对于无菌医疗应用以及需要精确的强度与重量比率的地方来说，找到合适的替代材料才是一项挑战。

解决这个问题的一个方法是回收聚合物，但这通常会产生其它复杂的混合物，因此我们需要预先按类分类塑料。大多数类型的聚合物虽然肉眼不能分辨，但它们的红外吸收光谱却大不相同。因此，将红外光谱技术和机器视觉结合起来，就可以对复杂的聚合物混合物进行表征分辨，并根据需要优化混合物的制造条件。

这种结合红外光谱技术的机器视觉系统现在正被用于计算再生纺织服装中的聚酯含量，以及住宅和商业塑料废料的塑料分类。

在高光谱影像相机和反馈系统上的投资虽然开始是昂贵的，但所有这些都有助于提高回收原材的可行性，并降低回收的成本，这也提高了在工业自动化中使用更多复杂材料的可能性。

机器学习

探测器灵敏度和光源质量的改进，使我们更容易获得工业自动化所需的光谱信息，但提高这些复杂数据集的分析效率从而使工业自动化实时过程更加准确也至关重要。

为使反馈系统能够减少制造的时间，获得的初始光谱必须具有高信噪比，并且分析光谱数据的时间也必须非常短。

机器学习算法以及高精度化学计量学技术的发展，使得红外光谱学和其他一些技术(包括紫外可见光谱和 X射线光谱仪光谱技术)，更容易应用于工业自动化。

光谱学技术现在在质量控制自动化和制造方面扮演者至关重要的角色。随着过程分析技术的进一步发展，这一角色将会变得更加重要。