一, potražnja za industrijom za M8 utikač konektora - u otkrivanju statusa
M8 konektori se široko koriste u poljima kao što su tvornički strojevi za automatizaciju, automobilska elektronika i željeznički tranzit, a njihov čep - u statusu izravno utječe na stabilnost sustava. Na primjer, u vezi s robotskim senzorima zglobova, loše umetanje jednog priključka može rezultirati pogreškom povratne informacije o poziciji veća od 0,1 mm, što dovodi do nekontroliranog kretanja robotske ruke. Tradicionalni ručni vizualni pregled ima nedostatke niske učinkovitosti i visoke stope lažnog otkrivanja, dok vizualni sustavi mogu otkriti nekoliko konektora u sekundi s lažnom stopom otkrivanja manjom od 0,01%, što značajno poboljšava kvalitetu proizvodnje.
2, hardverska arhitektura i odabir sustava vizualnog pregleda
1. Konfiguracija industrijske kamere i objektiva
Odabir rezolucije: Za otkrivanje pomaka od 0,1 mm, potrebna je kamera s rezolucijom od 5 milijuna piksela ili više. Na primjer, kamere Basler ACE serije mogu postići točnost otkrivanja od 0,05 mm/piksela pri rezoluciji 1080p.
Parametri objektiva: Usvajanje telecentrične leće za uklanjanje izobličenja perspektive, radna udaljenost se kontrolira u rasponu od 50-100 mm, osiguravajući da vidno polje pokriva cijelu površinu umetanja konektora.
Dizajn izvora svjetlosti: kružno LED pozadinsko osvjetljenje upareno s koaksijalnom svjetlošću, koje jasno može razlikovati metalne rubove igle i utičnice. Eksperiment pokazuje da 45 stupnjeva kosa svjetla može poboljšati kontrast sjene u korijenu pin i poboljšati brzinu prepoznavanja oštećenja.
2. Jedinica za obradu slike
Ugrađeni sustav vida: kao što je bolesni IVP RangerC50 Inteligentna kamera, s izgrađenim - u FPGA modulu za prethodno obradu, može dovršiti otkrivanje ruba, podudaranje predloška i druge algoritme u stvarnom vremenu, s brzinom obrade do 120 fps.
Sustav baze računala: Prikladan za scenarije multi kamera kolaborativne otkrivanja, koristeći Basler Pylon SDK za postizanje multi - navojne slike i biblioteku Halcon za rekonstrukciju oblaka 3D točke.
3, Algoritam otkrivanja jezgre i put implementacije
1. Pozicioniranje i ekstrakcija ruba
Akumulirana značajka smjera gradijenta kvantizacije: Generirajte biblioteku predloška za konture konektora izračunavanjem histograma smjera gradijenta svakog piksela na slici. Eksperiment pokazuje da točnost prepoznavanja ove metode za M8 konektore doseže 99,7%, a još uvijek može raditi stabilno čak i u složenim pozadinama.
Analiza histograma skeniranja linije: Skenirajte sliku konektora duž horizontalnog/vertikalnog smjera i brojite položaje prijelaznih točaka sive boje. Uzimajući određeni model M8 konektora kao primjer, amplituda mutacije sive razine mutacije ruba utičnice na liniji skeniranja prelazi 50, što može točno pronaći sredinu utičnice.
2. klasifikacijski model za utikač - u statusu
Tradicionalna obrada slike:
Mjerenje geometrijskog parametra: Izračunajte parametre kao što su odstupanje od središnje udaljenosti i kut nagiba između igara i utičnica. Na primjer, kada pomak u središtu PIN -a prelazi 0,2 mm ili je kut nagiba veći od 2 stupnja, ocjenjuje se kao loš umetanje.
Segmentacija praga sive boje: OTSU algoritam automatski određuje prag segmentacije između igara i utičnica, otkrivajući nedostatke poput nedostajućih ili savijenih pinova.
Rješenja za duboko učenje:
Otkrivanje objekta Yolov5: Obučite model da prepozna status umetanja (normalan/polovina umetnut/nije umetnut), postižući vrijednost karte od 98,2% na 1000 napomena.
ResNet50 klasifikacijska mreža: izvodi segmentaciju područja 224 × 224 piksela na utikaču - na površini i izlazi utikač - na razini kvalitete (izvrsno/dobro/loše) nakon unosa u mrežu, s stopom točnosti od 97,5%.
4, optimizacija procesa otkrivanja u industrijskim scenarijima
1. Dinamičko otkrivanje i realno - vremenske povratne informacije
Primjena visoke - Speed Linear Array Camera: Na kontinuiranoj proizvodnoj liniji koristi se linearna kamera za skeniranje konektora na linijskoj frekvenciji od 10 kHz i kompenzaciju pokreta pokreta s koderom. Na primjer, određena proizvodna linija automobilske elektronike povećala je brzinu otkrivanja na 300 priključaka u minuti kroz ovu otopinu.
PLC kolaborativna kontrola: Vizualni sustav prenosi rezultate otkrivanja (OK/NG signali) u stvarnom vremenu na PLC putem TCP/IP protokola, pokrećući mehanizam sortiranja za uklanjanje neispravnih proizvoda. Eksperimentalni podaci pokazuju da ova shema smanjuje propuštenu stopu otkrivanja neispravnih proizvoda sa 3% na 0,2%.
2. Poboljšana prilagodljivost okoliša
Dizajn anti vibracija: U uvjetima vibracija, algoritam filtriranja frekvencije domene koristi se za suzbijanje zamagljenosti slike uzrokovano mehaničkim vibracijama. Na primjer, zadržavanje signala frekvencijskog pojasa od 50-200Hz kroz pojasni filter može učinkovito ekstrahirati značajke ruba konektora.
Multispektralna tehnologija snimanja: Za prizore zagađenja poput mrlja nafte i prašine, u kombinaciji s vidljivim svjetlom i infracrvenim slikama, značajke interferencije protiv - izdvajaju se analizom glavnih komponenti (PCA). Testovi su pokazali da ova metoda još uvijek može održavati točnost otkrivanja od preko 95% u jako zagađenom okruženju.
5, tipični slučajevi aplikacije i provjera performansi
1. Otkrivanje senzora robota
U određenog projekta industrijskog robota sa šest osi, vizualni sustav otkriva status umetanja M8 priključka:
Konfiguracija hardvera: 2 5- Megapixel CMOS kamere, uparene s telefoto objektivom i kružnim izvorom LED svjetla.
Pokazatelji ispitivanja: Odstupanje od središnjeg do središnjeg igle manjih ili jednakih 0,15 mm, kut nagiba manji od ili jednak 1,5 stupnjeva, pogreška dubine umetanja manja od ili jednaka 0,3 mm.
Učinak implementacije: Nakon što je sustav pokrenut, točnost pozicioniranja robota poboljšana je na ± 0,03 mm, što je tri puta veće od ručnog otkrivanja, a stopa kvara opreme smanjila se za 80%.
2. Ispitivanje novog sustava upravljanja baterijama energetskih vozila
U određenoj proizvodnoj liniji električnog vozila BMS, vizualni sustav otkriva M8 priključke:
Sadržaj ispitivanja: oštećenja poput oksidacije utičnice, savijanja pinova i oštećenja sloja izolacije.
Optimizacija algoritma: U - Neto semantička segmentacijska mreža koristi se za izvođenje klasifikacije razine piksela na utikaču - na površini, s brzinom otkrivanja do 20fps.
Podaci o postignućima: Sustav postiže 100% internetsko otkrivanje, s nultom propuštenom stopom otkrivanja i lažnom stopom otkrivanja manju od 0,5%, osiguravajući pouzdan rad BMS sustava tijekom 5 godina.
