بازرسی مشارکتی بینایی ربات زمانی کار می‌کند که هر ویژگی مورد نیاز به یک مرجع قطعه پایدار، یک دید و شرایط روشنایی کنترل‌شده، یک قانون تصمیم‌گیری صریح و یک مسیر بررسی مجدد قابل بازیابی گره خورده باشد. حرکت ربات می‌تواند یک حسگر را در اطراف یک محفظه پیچیده قرار دهد، اما حرکت به تنهایی کیفیت تصویر یا قابلیت تشخیص را ایجاد نمی‌کند. قبل از هرگونه ادعای پوشش یا کیفیت، قطعات نمونه، شرایط شناخته‌شده، موارد انسداد، عدم قطعیت را اعتبارسنجی کنید و از جابجایی خودداری کنید.
کلاهبرداریهای کلیدی
- به جای فهرستی از حالت‌های دوربین، با یک ماتریس ویژگی و شرایط شروع کنید.
- تعریف کنید که چگونه سیستم مختصات قطعه با فیکسچر، ربات، حسگر و تصویر مرتبط است.
- نورپردازی، نوردهی، شرایط سطح، فوکوس و میدان دید را به عنوان یک چیدمان تصویربرداری در نظر بگیرید.
- به جای طبقه‌بندی بی‌سروصدای موارد انسداد، اعتماد پایین، تصویر از دست رفته و موارد ارتباط، آنها را ثبت کنید.
- دوربین‌های ثابت، دوربین‌های حمل‌شده توسط ربات و تأیید دستی را با قوانین پذیرش و بررسی مجدد یکسان مقایسه کنید.
شواهد انتخاب‌شده چه چیزی را نشان می‌دهند—و چه چیزی را نشان نمی‌دهند
توالی انتخاب‌شده، یک ربات مشارکتی را نشان می‌دهد که در اطراف یک محفظه فلزی پیچیده حرکت می‌کند و دستگاهی را به سمت سطوح مختلف ارائه می‌دهد. دیدگاه‌های متغیر، بحث در مورد حسگرهای حمل‌شده توسط ربات، دسترسی به ویژگی‌ها، برنامه‌ریزی دید، انسداد احتمالی و مسیریابی مجدد را پشتیبانی می‌کنند.
این فیلم نوع حسگر، اینکه آیا دستگاه داده‌های دوبعدی یا سه‌بعدی را ثبت می‌کند، لنز، روشنایی، نوردهی، لیست ویژگی‌ها، روش مرجع، کالیبراسیون، عدم قطعیت اندازه‌گیری، الگوریتم، داده‌های آموزشی، مجموعه نقص، پوشش بازرسی، دقت، رفتار تشخیص اشتباه، زمان چرخه، سیستم ردیابی، نتیجه پذیرش یا استقرار تولید را مشخص نمی‌کند. هیچ ادعایی مبنی بر «بازرسی ۱۰۰٪» یا نتیجه تشخیص عددی از آن نمی‌توان استخراج کرد.
این مرز، بحث طراحی را تغییر می‌دهد. سوال این نیست که «آیا بازو می‌تواند اطراف محفظه را نگاه کند؟»، بلکه این است که «آیا می‌توان هر شرایط مورد نیاز را با شواهد کنترل‌شده مشاهده کرد و به حالت‌های تعریف‌شده‌ی قبولی، ردی یا بررسی مجدد هدایت کرد؟»
یک روش بازرسی بینایی ربات مشارکتی: CLEAR
EVST از CLEAR برای ساختاردهی بررسی اولیه بازرسی استفاده می‌کند:
- ج - مرجع مختصات: مبنای قطعه، مرجع فیکسچر، قاب ربات، قاب حسگر و هویت ویژگی.
- ل - روشنایی: جهت، انتخاب طیف یا منبع، کنترل خیرگی، ایزولاسیون محیط و پایش وضعیت.
- ه - نوردهی و میدان دید: فاصله کاری، فوکوس، اندازه ویژگی، ناحیه تصویر، حالت حرکت و ماشه ثبت.
- الف - دسترسی و انسداد: فاصله ابزار، موقعیت دوربین، سطوح مسدود شده، کابل‌ها و پوشش برخورد.
- ر - بررسی مجدد و ثبت سوابق: حالت‌های اطمینان یا اعتبار، قوانین تکرار، تعیین تکلیف دستی، حفظ تصویر و کنترل تغییر.
CLEAR دوربینی را انتخاب نمی‌کند یا نتیجه‌ای را تضمین نمی‌کند. این نرم‌افزار شواهد پروژه مورد نیاز برای مقایسه معماری‌ها و آزمایش‌های طراحی را آشکار می‌کند.
۱. الزامات محصول را به یک ماتریس ویژگی تبدیل کنید
هر ویژگی یا شرایطی را که باید بررسی شود فهرست کنید و آن را به نقشه، مشخصات، طرح کنترل یا الزامات توافق‌شده محصول پیوند دهید. بدون فرض یک روش بینایی، شرح دهید که چه چیزی یک مشاهده قابل قبول را تشکیل می‌دهد. مثال‌ها ممکن است شامل وجود، جهت‌گیری، وضعیت سطح، خوانایی برچسب یا کد، وضعیت اتصال یا یک بعد باشد - اما هر کدام به دامنه و شواهد خاص خود نیاز دارند.
۲. ایجاد زنجیره مختصات و هویت
یک حسگر حمل‌شده توسط ربات باید بداند کدام قطعه وجود دارد و ویژگی هدف نسبت به حسگر در کجا قرار دارد. محل قطعه در فیکسچر، مرجع فیکسچر به ربات، ابزار ربات یا قاب حسگر و ناحیه تصویر مورد استفاده برای تصمیم‌گیری را تعریف کنید. نحوه انتخاب و تأیید نوع محصول و برنامه را بیان کنید.
تکرارپذیری حالت ربات تنها یکی از عوامل مؤثر است. تغییر در فیکسچر، محل قرارگیری قطعات، نصب حسگر، کالیبراسیون، رفتار لنز، شرایط حرارتی و هندسه ویژگی می‌تواند آنچه را که در تصویر ظاهر می‌شود تغییر دهد. استاندارد ISO 9283 روش‌هایی را برای ارزیابی عملکرد ربات‌های صنعتی در حال دستکاری ارائه می‌دهد؛ اما عملکرد اندازه‌گیری را برای یک سلول کامل بازرسی بینایی تعیین نمی‌کند.
بررسی‌های مرجعی را برنامه‌ریزی کنید که می‌توانند یک رابطه تغییر یافته را آشکار کنند. این موارد ممکن است شامل یک مصنوع شناخته شده، هدف ثابت، اعتبارسنجی، ویژگی سلامت تصویر یا روش خاص پروژه دیگری باشد. مشخص کنید چه زمانی یک بررسی مرجع مورد نیاز است - پس از سرویس، تصادف، تنظیم حسگر، تغییر نرم‌افزار یا یک بررسی سلامت ناموفق - و چه اتفاقی می‌افتد وقتی که خارج از شرایط مجاز خود باشد.
۳. قبل از بهینه‌سازی منطق تصمیم‌گیری، نورپردازی را طراحی کنید
تصاویر ماشین بینایی از طریق برهمکنش نور، سطح، هندسه، لنز و حسگر ایجاد می‌شوند. یک ویژگی قابل مشاهده برای یک فرد زیر نور یک کارگاه ممکن است زمانی که قطعه روغنی، چرخیده، بازتابنده‌تر یا در معرض نور محیطی متغیر باشد، ناپدید شود.
راهنمای روشنایی بینایی ماشین انجمن اتوماسیون پیشرفته توضیح می‌دهد که چگونه هندسه و تکنیک روشنایی بر کنتراست و قابلیت دید تأثیر می‌گذارد. برای یک سیستم حمل‌شده توسط ربات، روشنایی ممکن است همراه با حسگر نصب شود، در ایستگاه ثابت شود یا ترکیبی از این دو باشد. هر چیدمان، سایه، خیرگی، بار کابل، پوشش برخورد و تکرارپذیری شرایط نوری را تغییر می‌دهد.
۴. پنجره ضبط را تعریف کنید
برای هر ویژگی، فاصله کاری، میدان دید، ناحیه تصویر مورد نظر، شرایط فوکوس، جهت دوربین، وضعیت روشنایی، تنظیمات نوردهی یا معادل آن، وضعیت ربات و تأیید فعال‌سازی را مشخص کنید. تصمیم بگیرید که آیا ربات باید ثابت باشد، می‌تواند در یک حالت قرار گیرد یا فقط در صورت تأیید آن روش، می‌تواند در حین حرکت تصویربرداری کند.
یک میدان دید وسیع‌تر می‌تواند زمینه بیشتری را نشان دهد، اما ممکن است جزئیات مفید تصویر موجود برای یک ویژگی کوچک را کاهش دهد. یک نمای نزدیک می‌تواند قابلیت مشاهده ویژگی را بهبود بخشد، در حالی که تلورانس را نسبت به مکان قطعه یا موقعیت ربات کاهش می‌دهد. این بده بستان‌ها باید با حسگر انتخاب شده و قطعات واقعی آزمایش شوند؛ فیلم نمی‌تواند آنها را حل کند.
بررسی اعتبار تصویر را اضافه کنید. نبود ماشه، قاب اشباع، تاری، مسدود شدن لنز، نور از دست رفته، نوع اشتباه یا انتقال ناقص نباید به عنوان یک قطعه سالم بررسی شده در نظر گرفته شود. یک وضعیت صریح "تصمیم معتبری وجود ندارد" ایجاد کنید.
۵. برنامه‌ریزی دسترسی و انسداد به عنوان یک مجموعه نما
محفظه‌های پیچیده، حفره‌ها، دنده‌ها، فلنج‌ها، رابط‌ها و سطوح بازتابنده‌ای ایجاد می‌کنند که دید را مسدود یا تحریف می‌کنند. برای ماتریس ویژگی‌ها، یک مجموعه دید ایجاد کنید. یک حالت ممکن است چندین ویژگی سازگار را پوشش دهد؛ یک ویژگی دیگر ممکن است برای مدیریت انسداد یا جهت‌گیری به دو دید نیاز داشته باشد.
محفظه حسگر، محافظ لنز، روشنایی، پایه، مچ، کابل و بدنه ربات را مدل‌سازی کنید. نه تنها حالت گرفتن، بلکه حالت نزدیک شدن و عقب رفتن را نیز در نظر بگیرید. وسایل، محافظ‌ها، نوار نقاله‌ها، ابزارهای مجاور و قطعه را در محدوده تلرانس بررسی کنید. بدون مسدود کردن مسیر نوری آن، از حسگر در برابر برخورد و آلودگی فرآیند محافظت کنید.
وقتی نمی‌توان یک ویژگی را به طور قابل اعتماد مشاهده کرد، شکاف را مستند کنید. گزینه‌ها شامل تغییر جهت فیکسچر، اضافه کردن یک دوربین ثابت، اضافه کردن نورپردازی کنترل‌شده، اصلاح نحوه نمایش قطعه، استفاده از یک روش حسگری متفاوت یا ارجاع آن ویژگی به تأیید دستی است. پنهان کردن شکاف پشت یک برچسب کلی «بازرسی چند زاویه‌ای» یک ادعای پوشش بدون پشتوانه ایجاد می‌کند.
۶. یک تصویر و مجموعه شرایط نمونه بسازید
آزمایش‌ها به قطعات شناسایی‌شده‌ای نیاز دارند که نشان‌دهنده‌ی تغییرات عادی تولید و شرایط شناخته‌شده‌ی مرتبط با ماتریس ویژگی باشند. در صورت امکان و مجاز بودن، نمونه‌های قابل قبول و غیرقابل قبول را به همراه حالت‌های مرزی یا مبهم که باید بررسی مجدد یا تعیین تکلیف دستی را آغاز کنند، در نظر بگیرید.
کار اندازه‌گیری تولید و رباتیک NIST بر ارزیابی عملکرد و علم اندازه‌گیری به جای نتیجه‌گیری از نمایش‌ها تأکید دارد. همین اصل در اینجا نیز صدق می‌کند: تعریف معیار یا تصمیم، شرایط مرجع، عوامل عدم قطعیت، رویه آزمایش و مرز گزارش‌دهی.
۷. معیارهایی را انتخاب کنید که با ریسک تصمیم‌گیری مطابقت داشته باشند
عملکرد را در یک عدد «دقت» نامشخص خلاصه نکنید. برای یک کار طبقه‌بندی، تیم‌ها ممکن است به دسته‌بندی‌های سردرگمی، پذیرش نادرست، رد نادرست، نرخ تصویر نامعتبر و رفتار بر اساس نقص یا کلاس وضعیت نیاز داشته باشند. برای یک کار اندازه‌گیری، ممکن است به بایاس، تکرارپذیری، تکرارپذیری، عدم قطعیت، محدوده، وضوح و قابلیت ردیابی متناسب با نیاز نیاز داشته باشند.
معیارهای دقیق و طراحی نمونه به کاربرد و پیامد خطا بستگی دارد. جمعیت نشان داده شده توسط قطعات آزمایش و شرایط پوشش داده نشده را بیان کنید. نتیجه یک نمونه محدود، یک بیانیه تشخیص یا پوشش جهانی را توجیه نمی‌کند.
هر معیار را به یک وضعیت (disposition) مرتبط کنید. یک نتیجه با اطمینان پایین یا خارج از چارچوب ممکن است به یک نمای خودکار دوم، یک برداشت مجدد پس از تمیزکاری، تأیید دستی، رد یا توقف منجر شود. این مسیر را قبل از تولید تعیین کنید تا سیستم دچار بداهه‌پردازی نشود.
۸. بررسی مجدد طراحی و بازیابی خطا
مشخص کنید چه چیزی باعث می‌شود که یک برداشت مجدد در همان حالت، یک نمای جدید، تغییر موقعیت قطعه، بررسی لنز، تنظیم مجدد فیکسچر یا بررسی دستی انجام شود. تلاش‌های مجدد خودکار را محدود کنید تا یک وضعیت بد مداوم باعث اتلاف وقت یا بازنویسی شواهد اصلی نشود.
پاسخ‌های کنترل‌شده‌ای برای قطعه اشتباه، قطعه در جای خود قرار نگرفته، خطای بررسی مرجع، خطای موقعیت ربات، قطع ارتباط حسگر، خطای روشنایی، تصویر از دست رفته، خطای ذخیره‌سازی، نتیجه با اطمینان کم، نتیجه مبهم و رد بازرسی ایجاد کنید. نتیجه اصلی و هویت قطعه را از طریق بازیابی حفظ کنید.
۹. مقایسه معماری‌ها با ماتریس شرایط یکسان
| معماری | مفید است وقتی که | مزیت اصلی برای آزمایش | محدودیت اصلی برای آزمایش |
|---|---|---|---|
| مجموعه دوربین ثابت | ویژگی‌ها به مکان‌ها و نماهای پایدار می‌رسند | زمان‌بندی ساده برای ضبط و عدم حرکت ربات بین نماها | ممکن است به چندین دوربین یا تغییر جهت قطعه نیاز باشد؛ انسداد را می‌توان برطرف کرد |
| دوربین حمل شده توسط ربات | ویژگی‌ها در اطراف یک قطعه پیچیده توزیع شده‌اند | دیدگاه‌های انعطاف‌پذیر و اشتراک‌گذاری بالقوه حسگر | وابستگی‌های بیشتر به ژست، کابل، برخورد، زمان ضبط و کالیبراسیون |
| تایید دستی | شرایط نیاز به تفسیر انسانی یا انعطاف‌پذیری کم حجم دارد | مشاهده تطبیق‌پذیر و قضاوت زمینه‌ای | ارگونومی، ثبات، مستندسازی و استخدام کارکنان باید مدیریت شود |
از یک ماتریس ویژگی، مجموعه شرایط نماینده، منطق تعیین تکلیف و طرح نگهداری شواهد برای هر سه مورد استفاده کنید. تصمیمات پذیرفته شده کامل، شامل مدیریت، ضبط، پردازش، بررسی مجدد، بررسی دستی، تغییر، نگهداری و بازیابی را با هم مقایسه کنید.
معماری‌های ترکیبی اغلب معقول هستند. دوربین‌های ثابت می‌توانند نماهای با فرکانس بالا و پایدار را مدیریت کنند، یک حسگر حمل‌شده توسط ربات می‌تواند به سطوح توزیع‌شده دسترسی پیدا کند و تأیید دستی می‌تواند موارد مبهم تعریف‌شده را حل کند. معماری باید نیازهای شواهد را دنبال کند، نه اینکه بخواهد هر نما را با یک دستگاه خودکار کند.
۱۰. کمیسیون از اعتبار تصویر تا وضعیت تولید
با شناسایی قطعه، مرجع فیکسچر، سلامت حسگر، روشنایی و تأیید تصویر شروع کنید. یک ویژگی را در شرایط عادی و چالش‌برانگیز قابل قبول اثبات کنید، سپس حالت‌های غیرقابل قبول و تصویر نامعتبر شناخته شده را ارزیابی کنید. در ماتریس ویژگی‌ها و انواع محصول گسترش دهید.
اجرای توالی کامل قطعه، شامل انتقال، سفارش مشاهده، تجمیع تصمیمات، بررسی مجدد، مسیریابی رد و ثبت داده‌ها. آزمایش تغییر مسیر، سرویس سنسور یا چراغ، تغییر وضعیت سطح، عدم قرارگیری قطعه در جای خود، برنامه اشتباه، قطع ارتباط، مسدود شدن دید و چرخه قطع شده.
فقط ویژگی‌ها، متغیرها، شرایط و پیکربندی‌هایی را که واقعاً ارزیابی شده‌اند، منتشر کنید. یک لیست کنترل تغییرات برای پایه حسگر، لنز، روشنایی، محفظه، فیکسچر، قاب ربات، نرم‌افزار، آستانه‌ها و تغییرات محصول که می‌توانند شواهد قبلی را بی‌اعتبار کنند، نگه دارید.
اظهارات قابل استناد
یک تصمیم بینایی به یک زنجیره مرجع از قطعه و فیکسچر تا ربات و حسگر و در نهایت تصویر نیاز دارد؛ موقعیت ربات به تنهایی نتیجه اندازه‌گیری نیست. مبنای منبع: ISO 9283 ارزیابی عملکرد ربات را تعریف می‌کند، در حالی که NIST اتوماسیون تولید را حول محور ارزیابی عملکرد و علم اندازه‌گیری چارچوب‌بندی می‌کند. مرز: پروژه باید مرجع کامل سلول و روش عدم قطعیت را تعریف کند.
اعتبارسنجی روشنایی و دید، ورودی‌های بازرسی هستند: یک تصویر اشباع‌شده، تار، مسدود شده، از دست رفته یا با گونه‌ی نادرست، نتیجه‌ی بازرسی‌شده‌ی معتبری نیست. منبع: انجمن اتوماسیون پیشرفته توضیح می‌دهد که چگونه هندسه نورپردازی بر کنتراست و قابلیت مشاهده ویژگی‌ها تأثیر می‌گذارد؛ بررسی CLEAR مقاله، این اصل را برای اعتبارسنجی ترسیم می‌کند. مرز: آستانه‌ها و بررسی‌های سلامت به تجهیزات انتخاب شده و قطعات نماینده نیاز دارند.
یک دوربین که توسط ربات حمل می‌شود، با دسترسی کنترل‌شده به ویژگی‌های توزیع‌شده یا مسدود شده توجیه می‌شود، نه صرفاً با حرکت. مبنای منبع: توالی منبع مشاهده شده، چندین نقطه دید در اطراف یک محفظه پیچیده را نشان می‌دهد. مرز: پوشش ویژگی، نوع حسگر، دقت یا عملکرد تشخیص را مشخص نمی‌کند.
یک نتیجه نامشخص در بینایی، به جای یک تایید خودکار، نیاز به بررسی مجدد صریح، تایید دستی، رد یا توقف مسیر دارد. مبنای منبع: روش CLEAR بررسی مجدد و سوابق را از کسب مشاهده جدا می‌کند. مرز: مسیر و ریسک تصمیم‌گیری مختص پروژه باقی می‌ماند.
چک لیست ورودی پروژه
- ماتریس ویژگی و شرایط با الزامات و وضعیت‌های منبع.
- انواع قطعه، فیکسچر و مبنا، وضعیت جابجایی و تغییرات سطح مورد انتظار.
- حسگر، لنز، نورپردازی، پایه، کابل، سخت‌افزار محافظ و رابط‌های کاندید.
- نماهای مورد نیاز، فواصل کاری، میدان دید، موانع و مسیرهای دسترسی.
- شرایط تصویر عادی، غیرقابل قبول، مرزی و نامعتبر را نشان می‌دهد.
- معیارها، روش‌های مرجع، طرح نمونه‌برداری، قوانین پذیرش و محدودیت‌ها.
- بررسی مجدد، بررسی دستی، رسیدگی به موارد رد شده، حفظ تصویر، بازیابی خطا و کنترل تغییرات.
برگه ورودی موجود را می‌توان قبل از آزمایش دوربین پر کرد تا الزامات، فرضیات و شواهد تأیید شده مشخص شوند.
سوالات متداول
آیا این فیلم ثابت می‌کند که از دوربین سه‌بعدی استفاده شده است؟
خیر. این تصویر یک ربات را نشان می‌دهد که دستگاهی را به سمت چندین سطح نشان می‌دهد. نوع حسگر و روش داده مشخص نشده است.
آیا یک تصویر عریض می‌تواند جایگزین چندین نمای نزدیک شود؟
گاهی اوقات، اما فقط در صورتی که هر ویژگی مورد نیاز، دید کافی و شواهد تصمیم‌گیری را در شرایط نمونه حفظ کند. میدان دید، جزئیات ویژگی، میزان خیرگی، انسداد و تغییرات قطعه باید آزمایش شوند.
وقتی تصویر واضح نیست چه اتفاقی باید بیفتد؟
آن را به یک وضعیت نامعتبر یا نامشخص تعریف‌شده هدایت کنید. سلول ممکن است قطعه را دوباره ضبط کند، نمای آن را تغییر دهد، درخواست تمیزکاری دهد، قطعه را برای تأیید دستی ارسال کند، آن را رد کند یا طبق طرح ریسک و فرآیند توافق‌شده، متوقف کند.
چگونه باید یک درخواست بازرسی چشمی نوشته شود؟
ویژگی، جمعیت قطعه، شرایط، روش، قانون تصمیم‌گیری، شواهد ارزیابی و محدودیت‌های شناخته‌شده را نام ببرید. از بیان کلی دقت، نرخ نقص یا پوشش کامل بدون این پشتیبانی خودداری کنید.
چه زمانی تأیید دستی هنوز مفید است؟
وقتی شرایط نادر، مبهم، در حال تغییر یا هنوز توسط شواهد خودکار کافی پشتیبانی نمی‌شوند. بررسی دستی باید همچنان شامل دستورالعمل‌ها، ارگونومی، سوابق و قوانین مربوط به امحا باشد.
منابع مرتبط
- یکپارچه‌سازی خطوط اتوماسیون صنعتی
- اجزای سلول رباتیک و راهنمای ادغام
- مروری بر راهکارهای اتوماسیون
- بررسی اجمالی کاربرد سلول بازرسی سه‌بعدی
منابع
- انجمن اتوماسیون پیشرفته: بینایی ماشین و روشنایی
- رباتیک و اتوماسیون تولید NIST
- ISO 9283:1998 - دستکاری ربات‌های صنعتی، معیارهای عملکرد و روش‌های آزمون مرتبط
- ISO 10218-2:2025 - کاربردهای ربات‌های صنعتی و سلول‌های ربات
چه کسی، چگونه و چرا این راهنما را تهیه کرده است؟
- نهاد نویسنده: تیم تحریریه EVST، همان نویسنده سطح سازمانی که در مقاله از نام نویسنده و داده‌های ساختاریافته استفاده شده است. هیچ اعتبارنامه کارمندی به صورت فردی ادعا نشده است.
- مشاهده شخص اول: این تیم توالی منبع چند زاویه‌ای انتخاب‌شده را بررسی کرد و فقط ربات قابل مشاهده، محفظه، نحوه‌ی نمایش دستگاه و تغییر دیدگاه‌ها را ثبت کرد؛ نوع حسگر، الگوریتم، پوشش، دقت، تشخیص و نتایج تولید همچنان حذف شدند.
- چگونه: این تیم مدل مرجع CLEAR، روشنایی، ضبط، دسترسی و بررسی مجدد را به کار گرفت؛ معماری‌های ثابت، حمل‌شده توسط ربات و دستی را با هم مقایسه کرد؛ و هر عبارت فنی را با دفتر کل شواهد تطبیق داد و منابع بینایی ماشین، عملکرد ربات و اندازه‌گیری را فهرست کرد.
- چرا: این راهنما به تیم‌های بازرسی کمک می‌کند تا قبل از انتخاب تجهیزات، هر نما را به یک مرجع کنترل‌شده، شرایط روشنایی، قانون تصمیم‌گیری، مسیر بررسی مجدد، ثبت شواهد و ماشه کنترل تغییر متصل کنند.
- شفافیت: روش ویراستاری · اصلاحات و به‌روزرسانی‌ها · حریم خصوصی · تماس · شرایط استفاده
قبل از آزمایش دوربین، ماتریس ویژگی‌ها را بسازید
انواع محصول، ماتریس ویژگی‌ها و شرایط، فیکسچر و داده، تغییرات سطح، نماهای مورد نیاز، بسته حسگری کاندید، پیامدهای تصمیم‌گیری، قطعات نمونه، قوانین بررسی مجدد و نیازهای نگهداری داده‌ها را برای EVST ارسال کنید. ما می‌توانیم آنها را در یک طرح آزمایشی نما و شواهد سازماندهی کنیم؛ فناوری حسگری نهایی، قابلیت و پذیرش آن منوط به ارزیابی خاص پروژه خواهد بود.