92
ικανοποιητική.
Η
εφαρμογή
που
υλοποιήθηκε
έχει
ευελιξία
και
προσαρμοστικότητα
σε
νέα
δεδομένα
αφού
μπορεί
να
ανιχνεύσει
αντικείμενα
διαφορετικών
χρωμάτων.
Με
μικρές
αλλαγές
στον
πηγαίο
κώδικα
μπορεί
να
εντοπίσει
αντικείμενα
διαφορετικού
γεωμετρικού
σχήματος
από
το
προκαθορισμένο, σχηματίζοντας το αντίστοιχο περίγραμμα.
Η
γραμμή
μεταφοράς
που
χρησιμοποιήσαμε
ήταν
ερασιτεχνική
και
η
απόσταση
της
κάμερας
από
αυτή
δεν
ήταν
προκαθορισμένη,
με
αποτέλεσμα
να
χρειάζεται
χειροκίνητη
μεταφορά
της
συσκευής
λήψης
διαδοχικών
εικόνων,
για
να
γίνεται
η
παρακολούθηση
αντικειμένων.
Με
γνώμονα
το
πρόβλημα
αυτό,
καταφέραμε
να
υλοποιήσουμε
την
εφαρμογή
μας
με
τη
δυνατότητα
της
ανίχνευσης
και
ταξινόμησης
των
αντικειμένων
ανεξάρτητα
από
την
κλίμακα
και
το εμβαδό που έχουν στην οθόνη.
Η
ενασχόληση
μας
με
τη
βιβλιοθήκη
όρασης
μηχανής
OpenCV
μας
οδήγησε
στο
συμπέρασμα
ότι
η
βιβλιοθήκη
αυτή
περιέχει
ένα
τεράστιο
πλήθος
συναρτήσεων
με
απεριόριστες
δυνατότητας
επεξεργασίας
εικόνας,
στατικής
και
μη,
κάνοντας
την
ανίχνευση
και
παρακολούθηση
αντικειμένων
μια
διαδικασία
με
μεγάλο
βαθμό
αξιοπιστίας.
Χάρη
στη
βιβλιοθήκη
OpenCV
καταφέραμε
να
υλοποιήσουμε
ένα
σύστημα
που
μπορεί
να
εφαρμοστεί
ως
έχει,
για
ανίχνευση
αντικειμένων
σε
μια
μικρή
βιομηχανία
για
έλεγχο
παραγωγής.
Ο
χρήστης
της
εφαρμογής
χωρίς
να
έχει
εξειδικευμένες
γνώσεις,
μπορεί
να
αξιοποιήσει
πλήρως
τις
δυνατότητες
του
συστήματος
που
αναπτύξαμε
για
έλεγχο
ποιότητας
στην
παραγωγή
καταλήγοντας
σε
μια
γραμμή
που
δεν
μεταφέρει
ελαττωματικά
προϊόντα.
Συμπεραίνουμε,
λοιπόν,
ότι
η
όραση
μηχανής
με
τη
βοήθεια
της
βιβλιοθήκης
OpenCV
αποτελεί
ένα
πανίσχυρο
εργαλείο
στον
τομέα
της
βιομηχανίας
για
αξιόπιστο
έλεγχο
ποιότητας
και
ποσότητας
των
προϊόντων.
7.2 Μελλοντικές Προεκτάσεις
Το σύστημα που αναπτύξαμε βρίσκεται σε πρωταρχικό στάδιο και
κάποιες από τις πιθανές μελλοντικές προεκτάσεις και βελτιώσεις της
εφαρμογής
που
αναπτύξαμε
παρουσιάζονται
σε
αυτή
την
υπό-‐ενότητα,
με
αποτέλεσμα
να
γίνει
πιο
φιλικό
προς
τον
χρήστη
και
να
μεγιστοποιηθούν
οι
δυνατότητες
επεξεργασίας.
Η
εφαρμογή
θα
πρέπει
να
δοκιμαστεί
σε
πραγματικές
βιομηχανικές
συνθήκες,
για
να
ελέγξουμε
την
ταχύτητα
αναγνώρισης
και
ταξινόμησης
των
αντικειμένων,
κάτι
που
με
τα
μέσα
που
είχαμε
ήταν
αδύνατο.
Στην
περίπτωση
που
η
ταχύτητα
δεν
είναι
ικανοποιητική,
θα
πρέπει
να
αναζητηθεί
κάποια
προγραμματιστική
λύση.
Αν
εφαρμογή
χρησιμοποιηθεί
σε
μια
πραγματική
γραμμή
μεταφοράς,
η
κάμερα
θα
είναι
στατική
και
η
απόσταση
της
από
τη
γραμμή
μεταφοράς
θα
είναι
προκαθορισμένη.
Τα
αντικείμενα
θα
έχουν
σταθερή
απόσταση
μεταξύ
τους.
Το
συμπέρασμα
που
εξάγουμε
από
τα
δεδομένα
αυτά
είναι
ότι
μελλοντικά
μπορούμε
να
διαφοροποιήσουμε
τον
πηγαίο
κώδικα
στον
τρόπο ταξινόμησης, βρίσκοντας έτσι περισσότερα στοιχεία για το κάθε