一, Povpraševanje v industriji po priključku M8 - pri zaznavanju stanja
M8 konektorji se pogosto uporabljajo na poljih, kot so tovarniški avtomatizacijski stroji, avtomobilska elektronika in železniški prehod, njihov vtič pa - v stanju neposredno vpliva na stabilnost sistema. Na primer, v povezavi senzorjev robotskega sklepa lahko slabo vstavljanje enega samega konektorja povzroči napako povratnih informacij, ki presega 0,1 mm, kar vodi do nenadzorovanega gibanja robotske roke. Tradicionalni ročni vizualni pregled ima pomanjkljivosti nizke učinkovitosti in visoke napačne stopnje odkrivanja, medtem ko lahko vizualni sistemi zaznajo več konektorjev na sekundo z napačno stopnjo odkrivanja, ki je manjša od 0,01%, kar znatno izboljša kakovost proizvodnje.
2, strojna arhitektura in izbira vizualnega pregledovanja
1. konfiguracija industrijske kamere in leče
Izbira ločljivosti: Za odkrivanje 0,1 mm odmika zatiča je potrebna kamera z ločljivostjo 5 milijonov slikovnih pik ali več. Na primer, kamere za serije Basler Ace lahko dosežejo natančnost odkrivanja 0,05 mm/slikovne pike pri ločljivosti 1080p.
Parametri leče: Sprejem telecentrične leče za odpravo popačenja perspektive, delovna razdalja se nadzira v območju 50-100 mm, kar zagotavlja, da vidno polje zajema celotno površino vstavitve priključka.
Zasnova svetlobnega vira: krožna LED osvetlitev ozadja v paru s koaksialno svetlobo, ki lahko jasno loči kovinske robove zatičev in vtičnic. Poskus kaže, da 45 -stopinjska poševna svetloba lahko poveča kontrast sence v korenu pin in izboljša stopnjo prepoznavanja napak.
2. enota za obdelavo slik
Vgrajeni vidni sistem: na primer bolna inteligentna kamera IVP Rangerc50 z vgrajenim - v modulu za predhodno obdelavo FPGA lahko v realnem času dokonča odkrivanje robov, ujemanje predloge in druge algoritme s hitrostjo obdelave do 120fps.
PC osnovni sistem: primeren za večkratne scenarije za odkrivanje kamer z uporabo Basler Pylon SDK za doseganje multi -} Nadaljevanje slik in knjižnico Halcon za rekonstrukcijo 3D točke.
3, Algoritem za odkrivanje jedra in pot izvajanja
1. Pozicioniranje in odvzem roba
Akumulirana funkcija Gradient Gradient Gradient: Ustvari knjižnico predloge za konture priključkov z izračunom histograma smeri gradientne smeri vsakega slikovnega pik na sliki. V poskusu je razvidno, da natančnost prepoznavanja te metode za konektorje M8 doseže 99,7%in še vedno lahko deluje stabilno tudi v zapletenih okoliščinah.
Analiza histograma skeniranja linije: Skenirajte sliko priključka po vodoravni/navpični smeri in preštejte položaje prehodnih točk sive. Kot primer jemljemo določen model priključka M8, amplituda mutacije sive ravni njene robu vtičnice na črti za skeniranje presega 50, kar lahko natančno najde sredino vtičnice.
2. Klasifikacijski model za plug - v statusu
Tradicionalna obdelava slik:
Merjenje geometrijskih parametrov: izračunajte parametre, kot sta odstopanje od sredinske razdalje in nagibanje med zatiči in vtičnicami. Na primer, ko odmik zatičnega centra presega 0,2 mm ali je nagibanje večji od 2 stopinj, se ocenjuje kot slabo vstavljanje.
Segmentacija praga v sivi barvi: algoritem OTSU samodejno določi prag segmentacije med zatiči in vtičnicami, pri čemer zazna napake, kot so manjkajoči ali upognjeni zatiči.
Rešitve globokega učenja:
Zaznavanje predmetov YOLOV5: Usposabite model, da prepoznate status vstavljanja (normalno/pol vstavljeno/ni vstavljeno), pri čemer dosežete vrednost zemljevida 98,2% na 1000 priloženih slikah.
Klasifikacijsko omrežje ResNet50: na površini izvaja 224 × 224 pik na površini - in po vnosu v omrežje s hitrostjo natančnosti 97,5%oddaja vtič - v kakovosti (odlično/dobro/slabo).
4, Optimizacija procesa odkrivanja v industrijskih scenarijih
1. dinamično zaznavanje in realno - časovne povratne informacije
Uporaba visoke - hitrostne linearne matrične kamere: Na neprekinjeni proizvodni liniji se uporablja linearna matrična kamera za skeniranje konektorja na frekvenci črte 10 kHz in sproži kompenzacijo gibanja z dajalnikom. Na primer, določena proizvodna linija avtomobilske elektronike je s to rešitev povečala hitrost zaznavanja na 300 priključkov na minuto.
PLC Collaborative Control: Vizualni sistem prenaša rezultate zaznavanja (OK/NG signale) v realnem času v PLC s protokolom TCP/IP, kar sproži mehanizem razvrščanja za odstranjevanje okvarjenih izdelkov. Eksperimentalni podatki kažejo, da ta shema zmanjša zamudno stopnjo odkrivanja okvarjenih izdelkov s 3% na 0,2%.
2. Izboljšana okoljska prilagodljivost
Zasnova proti vibracijam: V vibracijskih pogojih se za zatiranje zamegljenosti slike, ki ga povzroča mehanska vibracija, uporablja algoritem filtriranja frekvenčne domene. Na primer, zadrževanje frekvenčnega pasu 50-200Hz skozi pasovni filter lahko učinkovito izvleče lastnosti roba priključka.
Večspektralna tehnologija slikanja: Za prizore onesnaževanja, kot so oljni madeže in prah, v kombinaciji z vidno svetlobo in infrardeče slike, se z analizo glavnih komponent izvlečejo proti - lastnosti motenj (PCA). Testi so pokazali, da lahko ta metoda še vedno ohranja natančnost odkrivanja nad 95% v močno onesnaženih okoljih.
5, tipični primeri aplikacije in preverjanje uspešnosti
1. zaznavanje senzorja robotskega sklepa
V določenem projektu Industrial Robot v šestih osi vizualni sistem zazna stanje vstavitve priključka M8:
Konfiguracija strojne opreme: 2 5- Megapixel CMOS kamere, združene s telefoto objektivom in krožnim virom LED svetlobe.
Indikatorji testiranja: Odmevno odstopanje zatičev manj kot ali enak 0,15 mm, kota nagiba manj kot ali enak 1,5 stopinj, napake globine vstavljanja manj kot ali enaka 0,3 mm.
Učinek izvajanja: Po zagonu sistema se je natančnost pozicioniranja robota izboljšala na ± 0,03 mm, kar je trikrat večje od ročnega odkrivanja, stopnja odpovedi opreme pa se je zmanjšala za 80%.
2. Testiranje novega sistema za upravljanje baterij za energetsko vozilo
V določeni proizvodni liniji električnih vozil BMS vizualni sistem zazna konektorje M8:
Vsebnost testiranja: napake, kot so oksidacija vtičnic, upogibanje zatiča in poškodba plasti izolacije.
Optimizacija algoritmov: U - Neto segmentacijsko omrežje segmentacije se uporablja za izvajanje klasifikacije pixel na vtičnici - na površini s hitrostjo zaznavanja do 20fps.
Podatki o dosežkih: Sistem dosega 100 -odstotno spletno odkrivanje, z ničelno stopnjo zamujenega odkrivanja in napačno stopnjo odkrivanja manj kot 0,5%, kar zagotavlja zanesljivo delovanje sistema BMS za 5 let.
