agosty.ru35.240 Применение информационных технологий35 ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

ПНСТ 867-2023 Приложения и сервисы для интеллектуального производства на основе машинного зрения. Требования

Обозначение:
ПНСТ 867-2023
Наименование:
Приложения и сервисы для интеллектуального производства на основе машинного зрения. Требования
Статус:
Действует
Дата введения:
01.01.2024
Дата отмены:
01.01.2027
Заменен на:
-
Код ОКС:
35.240

Текст ПНСТ 867-2023 Приложения и сервисы для интеллектуального производства на основе машинного зрения. Требования

ФЕДЕРАЛЬНОЕ АГЕНТСТВО

ПО ТЕХНИЧЕСКОМУ РЕГУЛИРОВАНИЮ И МЕТРОЛОГИИ

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

пнет

867—

2023

ПРИЛОЖЕНИЯ И СЕРВИСЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО ПРОИЗВОДСТВА НА ОСНОВЕ МАШИННОГО ЗРЕНИЯ

Требования

(ITU F.748.16(2022), NEQ)

Издание официальное

Москва

Российский институт стандартизации

2023

ПНСТ 867—2023

Предисловие

1 РАЗРАБОТАН Федеральным государственным бюджетным учреждением «Российский институт стандартизации» (ФГБУ «Институт стандартизации»)

2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 «Искусственный интеллект»

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 3 ноября 2023 г. № 49-пнст

4 Настоящий стандарт разработан с учетом основных нормативных положений международного стандарта ITU F.748.16(2022) «Требования к приложениям и услугам в интеллектуальном производстве на основе машинного зрения» (ITU F.748.16(2022) «Requirements for applications and services in smart manufacturing based on machine vision», NEQ)

Правила применения настоящего стандарта и проведение его мониторинга установлены в ГОСТР 1.16—2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: 117418 Москва, Нахимовский проспект, д. 31, к. 2 и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

©Оформление. ФГБУ «Институт стандартизации», 2023

Настоящий стандарт не может быть полностью или частично воспроизведен, тиражирован и распространен в качестве официального издания без разрешения Федерального агентства по техническому регулированию и метрологии

II

ПНСТ 867—2023

Содержание

1 Область применения..................................................................1

2 Термины и определения................................................................1

3 Требования к приложениям и сервисам на основе машинного зрения..........................1

4 Эталонная модель для поддержки приложений и услуг на основе машинного зрения.............5

Библиография.........................................................................9

III

ПНСТ 867—2023

ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ

ПРИЛОЖЕНИЯ И СЕРВИСЫ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО ПРОИЗВОДСТВА НА ОСНОВЕ МАШИННОГО ЗРЕНИЯ

Требования

Applications and services for smart manufacturing based on machine vision. Requirements

Срок действия — с 2024—01—01 до 2027—01—01

1 Область применения

Настоящий стандарт определяет требования к услугам и приложениям для интеллектуального производства на основе машинного зрения.

Настоящий стандарт предназначен для сбора данных, их предварительной обработке и реконструкции объектов в интеллектуальном производстве на основе машинного зрения.

2 Термины и определения

В настоящем стандарте применены следующие термины с соответствующими определениями:

2.1

алгоритм: Конечное упорядоченное множество точно определенных правил для решения конкретной задачи.

[ГОСТ 33707—2016, статья 4.39]

2.2

машинное зрение: Применение компьютерного зрения к машинам, роботам, процессам или для контроля качества.

Примечание — Термин «машинное зрение» применяется в инженерной области, его не следует путать с «компьютерным зрением».

[ГОСТ 33707—2016, статья 4.663]

2.3

эталонная модель: Модель, имеющая рекомендательный характер и которую обычно используют и признают приемлемой для получения конкретных моделей.

[ГОСТ Р 59799—2021, пункт 3.1.12]

3 Требования к приложениям и сервисам на основе машинного зрения

3.1 Сбор данных

Требования к сбору данных:

- обеспечение высокого разрешения собранных данных в виде изображений или видео;

- представление собранных изображений или видео в режиме реального времени;

- обеспечение частоты сбора данных.

Издание официальное

1

ПНСТ 867—2023

Примечания

1 Частота сбора данных зависит от fps (frames per second) или числа кадров в секунду. Выбор значения частоты сбора данных может быть увязан с технологической задачей. Для быстрых процессов необходимо выбрать высокое значение fps, для медленных — нет. Например, на стане горячего проката полоса металла разгоняется от 5 км/ч на первой клети до 60 км/ч на последней.

2 Значения характеристик сбора данных должны быть установлены в технической документации на объективы конкретных типов. В технической документации могут быть установлены и другие параметры, связанные с особенностями конструкции, технологических и области применения объективов.

3 Цветовая модель сбора видеоданных Red-Green-Blue (RGB color model) представляет цветовую информацию в виде трехкомпонентного кортежа чисел — красного (R), зеленого (G) и синего (В). Красная (R), зеленая (G) и синяя (В) цветовые компоненты соответствуют длинам электромагнитных волн 700 нм; 546,1 нм и 435,8 нм соответственно.

4 Цветовая модель сбора видеоданных Grayscale (Grayscale color model) содержит только один канал яркости изображения. Приведение изображения к модели Grayscale из модели RGB осуществляется по формуле: Grayscale = 0,299R + 0,587G + 0,114В.

3.2 Предварительная обработка данных

Предварительная обработка данных — это начальный этап преобразования данных в формат, который будет более легко и эффективно обрабатываться. Следовательно, важно иметь эффективную стадию предварительной обработки.

Требования к предварительной обработке данных:

- поддержка свойств улучшения изображения, например, удаление шума или коррекция контраста изображения;

- поддержка объектов (символов) в изображении, например отделение объектов друг от друга;

- обеспечение предварительной морфологической обработки текстов, для подавления тусклого изображения и подчеркивания целевых особенностей в изображении.

3.3 Обработка данных

3.3.1 Распознавание данных

Распознавание относится к набору связанных задач (классификация, обнаружение) для идентификации объектов. Требования к распознаванию данных (изображения объекта):

- поддержка функции выбора существенной информации, устранения избыточной информации, завершения классификации изображений и распознавания объекта;

- поддержка значений основных параметров при изменении местонахождения объекта, масштаба и наличия дефектов изображения объекта;

- обеспечение функции прогнозирования точных значений изображения объекта.

3.3.2 Контроль

Под контролем понимается обнаружение различного рода дефектов вследствие проверки деталей по соблюдению технических параметров (геометрия, допуски и посадки, линейные и угловые отклонения) и подтверждения качества. Требования к контролю приложений и сервисов машинного зрения:

- поддержка характеристик изображения, включая текстуру, геометрическую форму, цветовое разрешение и т. д.;

- поддержка отбора унифицированных технических изображений.

3.3.3 Расположение детали

Расположение детали относится к набору родственных задач для определения узлов и элементов конструкции изделия в пределах указанных допусков и посадок, линейных и угловых значений. Расположение детали в приложениях и сервисах машинного зрения:

- поддержка параметров расположения детали в приспособлении для сборки изделия;

- обеспечение требуемого расположения детали при быстрой переналадке производства.

3.3.4 Измерение

При измерении объектов технология обработки визуальной информации в основном зависит от обработки изображений, которая включает в себя улучшение изображения, калибровку, уточнение, определение унифицированных признаков, распознавание изображений.

Требования для поддержки измерения свойств в приложениях и сервисах машинного зрения:

- поддержка в обнаружении искажений измерения объекта;

2

ПНСТ 867—2023

- поддержка измерения, включая, помимо прочего, измерение прямой длины, диаметра, угла, радиана и площади.

3.3.5 Обучение алгоритму

Требования для обучения алгоритму в части приложений и сервисов машинного зрения:

- поддержка обучения алгоритму на полностью размеченном (маркированном) наборе данных;

- поддержка обучения алгоритму на немаркированном наборе данных по кластеризации, обнаружению предельных отклонений, обнаружению интересующих связей между переменными в большой базе данных, автокодировщиков и т. д. (полностью без присмотра);

- поддержка обучения алгоритму на размеченном и неразмеченном наборе данных для повышения точности и эффективности процесса обучения алгоритму.

Примечания

1 Обучение алгоритму включает представление подготовленных данных для использования в машинном обучении (МО). Перед предоставлением организация должна убедиться, что данные соответствуют всем указанным требованиям. Предоставление данных может включать передачу или перемещение данных из одной системы в другую. Организации следует обеспечить сохранение качества данных, если такая передача или перемещение необходимы.

2 При обучении с учителем обучающие данные используются алгоритмом МО для создания модели МО. Затем модель МО применяется к имеющимся данным для получения соответствующих выводов.

3 Хотя некоторые методы МО без учителя включают обучение (например, кластеризация К-средних), как правило, модель создается из исходных данных, а затем с помощью модели можно сделать выводы об этих данных (например, данные образуют центроид).

4 Машинное обучение с подкреплением представляет собой гибрид обучения с учителем и без учителя и использует немаркированные обучающие данные в дополнение к размеченным обучающим данным.

3.3.6 Оценка приложений и сервисов машинного зрения

Требования к оценке приложений и сервисов машинного зрения:

- поддержка возможности определения взаимосвязей и закономерностей между переменными (точность);

- поддержка способности понимать и измерять релевантность (точность);

- поддержка способности обрабатывать новые данные и делать прогнозы (обобщение);

- обеспечение возможности хранить знания, полученные при решении одной проблемы, и применения их к другой, но связанной проблеме (передача знаний).

3.3.7 Оценка систем машинного зрения

Современный этап развития систем машинного зрения позволяет разделить создаваемые решения на несколько категорий, среди которых: создание отдельных алгоритмов (обработка изображений, машинное обучение) и прикладные системы, построенные из известных алгоритмов. Оценку качества алгоритма машинного обучения принимают как отношение правильно распознанных образцов к общему объему коллекции. Более глубокий подход предполагает использование не только базовых статистических оценок, но и специальных протоколов для тестирования разработанного или существующего алгоритма. Для тестирования системы машинного зрения необходимо получить оценку эффективности распознавания с учетом следующих требований:

- производительность (решение допускает временные задержки или имеет жесткие ограничения по времени работы, а также требования к распараллеливанию вычислений и обработке информации);

- точность (важен как процент правильно принятых решений, так и ограничение по допустимому уровню ошибок);

- поддержка способности обрабатывать новые данные, относящиеся к тому же типу, что и были в обучающей выборке, и делать прогнозы (обобщение);

- требования по передаче и хранению фото- и видеоинформации (в том числе с использованием облачных технологий).

Примечание — Оценка систем машинного зрения позволяет определять не только эффективность распознавания приложений и сервисов машинного зрения в промышленной эксплуатации, которая может быть сопоставимой между сравниваемыми системами, а именно удобство эксплуатации целостного решения, возможность его поддержки и масштабирования, те. именно архитектурная составляющая [1] .

3

ПНСТ 867—2023

3.3.8 Безопасность

Приложения и сервисы машинного зрения должны быть защищены от несанкционированного доступа, включая предотвращение или снижение вероятности несанкционированного доступа, использования, раскрытия, нарушения, удаления, искажения, модификации, проверки или записи. Требования к безопасности для приложений и сервисов машинного зрения:

- поддержка механизма защиты от угроз безопасности, например обнаружение и регистрация неавторизованных конечных точек, приложений и услуг;

- поддержка параметров политики организации (например, политики взимания платы и политики защиты данных) по любому запросу пользователей;

- обеспечение защиты от угроз безопасности, таких как ненужная обработка услуг и/или мошенническое использование ресурсов;

- обеспечение защиты своей инфраструктуры от вредоносных атак, таких как отказ в обслуживании, прослушивание и фальсификация сообщений;

- поддержка механизмов конфиденциальности данных;

- поддержка механизмов целостности данных;

- защита пользовательских данных, например, данные пользователя должны быть защищены путем раскрытия информации только при предоставлении действительной авторизации.

3.3.9 Идентификация, аутентификация и авторизация

Идентификация, аутентификация и авторизация — это методы контроля доступа пользователей к своим учетным записям. Эти методы обеспечивают прослеживаемость поведения и предотвращают несанкционированный доступ. Требования к идентификации, аутентификации и авторизации для приложений и сервисов машинного зрения:

- наличие объекта в оптическом диапазоне, сигнал от которого воспринимается оптоэлектронной системой и преобразуется в электрический сигнал, определяющий скалярное поле отклика на изображение данного объекта;

- поддержка конвертации фиксируемого кадра из RGB в пространство HSV и их сравнение с диапазоном идентифицируемых цветов;

- поддержка аутентификации и авторизации конечных точек, осуществляющих доступ к системе;

- поддержка аутентификации и авторизации приложений, использующих ресурсы;

- поддержка только авторизованных пользователей, которым разрешено управлять системой;

- предоставление доступа к услугам аутентифицированным пользователям на основе их прав доступа;

- рекомендуется, чтобы аутентификация и авторизация, выполняемые поставщиком услуг, обрабатывались безопасным образом.

3.3.10 Открытая сервисная среда

Открытая среда разработки и применения приложений и сервисов машинного зрения направлена на эффективную и недорогую их разработку. Требования к открытой сервисной среде для приложений и сервисов машинного зрения:

- поддержка гибкой разработки приложений поставщиками услуг для машинного зрения, поставщиками приложений;

- раскрытие возможностей через стандартные прикладные интерфейсы;

- интеграция существующих услуг друг с другом и с существующими системами;

- поддержка свойства обнаружения новых приложений;

- поддержка интерфейсов с внутренними системами (например, начисление платы, учет, обеспечение, операции и управление и т. д.);

- поддержка свойства внедрения любой службой организации, любым авторизованным поставщиком услуг;

- расширение функциональных свойств для будущих приложений и сервисов, а также совместимость между ними.

3.3.11 Сеть

Сети, передающие визуальные данные, должны соответствовать требованиям качества обслуживания приложений и сервисов машинного зрения. Требования к сети:

- обеспечение поддержки для различных категорий трафика, включая трафик пакетного типа;

- поддержка измерений производительности.

4

ПНСТ 867—2023

4 Эталонная модель для поддержки приложений и услуг на основе машинного зрения

4.1 Эталонная модель высокого уровня

Эталонная модель машинного зрения состоит из семи функциональных доменов: домена управления, домена сбора видео, домена алгоритма, домена обслуживания, домена раскрытия возможностей, домена безопасности и домена разработки. Эталонная модель машинного зрения рекомендована к применению с учетом особенностей производства.

5

Домен приложения

Сортировка объектов (OBS)

Проверка качества (QV)

Управление роботом (RG)

Измерение объекта (ОМ)

....

Домен раскрытия возможностей

Услуги по раскрытию возможностей MV

Магазин алгоритмов

Управление порталом MV

Домен управления

Управление

видеообору-

дованием

Управление

камерой

Домен обслуживания

Алгоритмы расширенных услуг MV

OBS-алгоритмы услуг

QV-алгоритмы услуг

RG-алгоритмы услуг

QM-алгоритмы услуг

Домен алгоритма

Управление библиотекой алгоритмов

Библиотека сторонних алгоритмов

Управление моделями

OpenCV

YOLO

RCNN

....

Домен разработки

Домен безопасности

ПНСТ 867—2023

Инструменты ускорения модели

Алгоритм визуализации моделирования

Маркировка Моделирование

Обучение

Оценка

Безопасность данных

Безопасность приложений

Безопасность платформы

Домен сбора видео

Функция хранения видео

Программное обеспечение (SDK) для промышленных камор

Функция выполнения видеоанализа

Инструменты сжатия модели

Безопасность оборудования

Рисунок 1 — Эталонная модель для поддержки приложений и услуг на основе машинного зрения

ПНСТ 867—2023

4.2 Требования к функциональному домену

Функции, показанные на рисунке 1, обеспечиваются приложениями на платформе машинного зрения. Ожидается, что для сокращения затрат и времени на разработку приложений платформа машинного зрения будет обеспечивать базовые и общие подфункции для приложений. Например, программные функции платформы машинного зрения могут включать в себя сжатие видеоданных и управление камерой, а аппаратные функции могут включать хранение видеоданных (жесткий диск или SSD), камеру и интерфейс LAN для отправки данных камеры в другие системы.

4.2.1 Домен управления

Домен управления обеспечивает управление видеооборудованием и камерами. Требования к домену управления платформы машинного зрения:

- поддержка дистанционного управления, технического обслуживания, обновления, настройки и диагностики видеооборудования;

- обеспечение дистанционного управления, обслуживания, обновления, настройки и диагностики камер.

4.2.2 Домен сбора видео

Домен сбора видео отвечает за доступ к оборудованию, сбор данных, получаемых с помощью оборудования, хранение и управление данными оборудования, а также управление комплектом разработки программного обеспечения (SDK) для промышленных камер. Выходной видеосигнал устройства камеры преобразуется в двоичную цифровую информацию с помощью специального устройства аналогового и цифрового преобразования. Для получения видео используется несколько типов протоколов, а платформа поддерживает управление доступом к видеопотоку для таких протоколов, как общий протокол для обмена информацией между сетевыми видеоустройствами (ONVIF) и протокол потоковой передачи в реальном времени (RTSP). Изображения, сохраненные на этапе сбора видео, и загруженные видео могут использоваться в качестве источников расчетных данных для других этапов сбора видео. Требования к домену сбора видео платформы машинного зрения:

- поддержка программируемого управления устройством видеосъемки;

- поддержка настройки информации о дискретизации видео, такой как частота, разрешение и т. д.;

- обеспечение предварительной обработки видео, такой как сжатие, удаление шума и т. д.

4.2.3 Домен алгоритма

Приложения машинного зрения основаны на анализе видеоданных и данных изображения. Для приложений необходимо применять разные модели анализа и сопоставлять разные алгоритмы. Домен алгоритма обеспечивает управление библиотекой алгоритмов и управление моделями, поддерживает распространенные модели алгоритмов нейронных сетей глубокого обучения, такие как VSSNet, ResNet и YOLO, а также поддерживает библиотеки сторонних алгоритмов MV. Требования к домену алгоритма платформы машинного зрения:

- поддержка мультиалгоритмической структуры, такой как VSSNet, ResNet, YOLO;

- поддержка управления различными алгоритмами, такими как встроенное управление, управление полным жизненным циклом и т. д.;

- обеспечение подключаемых сторонних алгоритмов.

4.2.4 Домен обслуживания

Домен обслуживания обеспечивает управление такими услугами, как услуга алгоритма сортировки объектов, услуга алгоритма проверки качества и услуга алгоритма управления роботом, при наличии робота. Платформа настраивает пакет шаблонов задач анализа для сценариев машинного зрения, таких как шаблоны службы анализа объектов и шаблоны службы проверки объектов. Пользователям нужно только установить параметры шаблона, чтобы создать задачу анализа, которая будет проанализирована и обработана платформой. Задача анализа обеспечивает управление источниками данных, механизмом анализа, управление хранилищем, функциями анализа видео и анализа изображений. Домен обслуживания может поддерживать параллельное планирование и интеллектуальное управление потоком, чтобы обеспечить своевременную обработку больших кодовых потоков, а также оптимальное рабочее состояние коэффициентов расчета для обеспечения быстрого отклика всего канала. Задача анализа поддерживает хранение неструктурированных данных и структурированных данных после анализа, а также предоставляет функции управления и контроля для вычислительных задач. Требования для домена обслуживания платформы машинного зрения:

- поддержка алгоритмов служб сортировки объектов (OBS);

- поддержка алгоритмов услуг проверки качества (QV);

7

ПНСТ 867—2023

- поддержка алгоритмов для услуг управления роботом (RG);

- поддержка алгоритмов для услуг измерения объекта (ОМ);

- обеспечение алгоритмов расширенных услуг машинного зрения.

4.2.5 Домен раскрытия возможностей

В зависимости от возможностей платформы применимы несколько интерфейсов. Типы открытых интерфейсов могут включать в себя интерфейс модели алгоритма, интерфейс службы обучения, интерфейс задачи анализа и интерфейс службы данных. Требования для домена раскрытия возможностей платформы машинного зрения:

- поддержка алгоритма (модели), вызываемого сторонними приложениями машинного зрения;

- обеспечение вызова алгоритма (модели) со сторонней платформы машинного зрения;

- поддержка услуги по обучению алгоритму, внедряемой сторонним поставщиком услуг машинного зрения.

4.2.6 Домен безопасности

Домен безопасности гарантирует безопасность данных, безопасность приложений, безопасность платформы, безопасность доступа и безопасность оборудования. Требования к домену безопасности платформы машинного зрения:

- поддержка защиты данных машинного зрения;

- поддержка защиты приложений машинного зрения;

- обеспечение собственной защиты безопасности.

4.2.7 Домен разработки

Домен предоставлен набором инструментов для разработки моделей на основе машинного зрения, таких как сжатие модели и алгоритм визуализации моделирования, включая маркировку, обучение, конфигурацию и оценку. Требования к домену разработки платформы машинного зрения:

- поддержка маркировки обучающего набора данных;

- поддержка оптимизации модели;

- поддержка сжатия модели;

- поддержка визуализации разработки модели;

- поддержка конфигурации модели;

- обеспечение оценки производительности модели.

8

ПНСТ 867—2023

Библиография

[1] Фролов И. И. Протоколы оценки систем машинного зрения // Информационные технологии и системы 2015 (ИТС 2015): материалы международной научной конференции (БГУИР, Минск, Беларусь, 28 октября 2015)

9

ПНСТ 867—2023

УДК [006.05+006.07]:004.08:006.354 ОКС 35.240

Ключевые слова: искусственный интеллект, машинное зрение, приложения и сервисы, стандарты искусственного интеллекта

10

Редактор Л.В. Каретникова

Технический редактор И.Е. Черепкова

Корректор М.И. Першина

Компьютерная верстка Е.А. Кондрашовой

Сдано в набор 07.11.2023. Подписано в печать 17.11.2023. Формат 60x84%. Гарнитура Ариал.

Усл. печ. л. 1,86. Уч.-изд. л. 1,58.

Подготовлено на основе электронной версии, предоставленной разработчиком стандарта

Создано в единичном исполнении в ФГБУ «Институт стандартизации» , 117418 Москва, Нахимовский пр-т, д. 31, к. 2.

Превью ПНСТ 867-2023 Приложения и сервисы для интеллектуального производства на основе машинного зрения. Требования