一, Dopyt v priemysle po zástrčke konektora M8 - v detekcii stavu
Konektory M8 sa široko používajú v poliach, ako sú stroje na automatizáciu továrne, automobilová elektronika a železničná tranzit a ich zástrčka - v stave priamo ovplyvňuje stabilitu systému. Napríklad v súvislosti s robotickými kĺbovými senzormi môže zlé zavedenie jedného konektora viesť k chybe spätnej väzby polohy presahujúcej 0,1 mm, čo vedie k nekontrolovanému pohybu robotického ramena. Tradičná manuálna vizuálna kontrola má nevýhody nízkej účinnosti a vysokú mieru detekcie falošnej detekcie, zatiaľ čo vizuálne systémy dokážu zistiť niekoľko konektorov za sekundu s mierou falošnej detekcie menšej ako 0,01%, čo výrazne zlepšuje kvalitu výroby.
2, hardvérová architektúra a výber systému vizuálnej kontroly
1. Konfigurácia priemyselnej kamery a objektívu
Výber rozlíšenia: Na detekciu posunu 0,1 mm kolíky sa vyžaduje fotoaparát s rozlíšením 5 miliónov pixelov alebo viac. Napríklad fotoaparáty série Basler ACE môžu dosiahnuť presnosť detekcie 0,05 mm/pixel pri rozlíšení 1080p.
Parametre šošoviek: Prijatie telecentrickej šošovky na odstránenie perspektívneho skreslenia je pracovná vzdialenosť riadená v rozsahu 50-100 mm, čím sa zabezpečuje, že zorné pole pokrýva celý povrch vkladania konektorov.
Dizajn zdroja svetla: Kruhové podsvietenie LED spárované s koaxiálnym svetlom, ktoré dokážu zreteľne rozlíšiť kovové okraje kolíkov a zásuviek. Experiment ukazuje, že 45 -stupňové šikmé svetlo môže zvýšiť kontrast tieňa pri koreni kolíka a zlepšiť mieru rozpoznávania defektov.
2. Jednotka spracovania obrazu
Vstavaný systém Vision: napríklad Sick IVP RangerC50 Intelligent Camera, so zabudovaným - v module predbežného spracovania FPGA, môže dokončiť detekciu okrajov, zhodovanie šablón a ďalšie algoritmy v reálnom čase s rýchlosťou spracovania až 120 snímok za sekundu.
PC Base System: Vhodný pre scenáre detekcie viacerých fotoaparátov, pomocou Baslera Pylona SDK na dosiahnutie multi - Získanie obrazu vlákna a knižnica Halcon pre rekonštrukciu cloudu 3D Point Cloud.
3, algoritmus detekcie jadra a cesta implementácie
1. Umiestnenie konektora a extrakcia okrajov
Zhromaždený kvantizačný gradient Smerový prvok: Vygenerujte knižnicu šablón pre konzervné kontúry vypočítaním histogramu smeru gradientu každého pixelu na obrázku. Experiment ukazuje, že presnosť rozpoznávania tejto metódy pre konektory M8 dosahuje 99,7%a stále môže fungovať stabilne aj v zložitom prostredí.
Analýza histogramu skenovania: naskenujte obraz konektora pozdĺž horizontálneho/vertikálneho smeru a spočítajte polohy prechodných bodov šedej. Ako príklad, ktorý vezme určitý model konektora M8, amplitúda mutácie na úrovni šedej úrovne jej okraja soketu na skenovacej čiare presahuje 50, čo môže presne nájsť stred objímky.
2. Klasifikačný model pre zástrčku - v stave
Tradičné spracovanie obrazu:
Meranie geometrických parametrov: Vypočítajte parametre, ako je odchýlka stredovej vzdialenosti a uhol sklonu medzi kolíkmi a zásuvkami. Napríklad, keď posun v strede kolíka presahuje 0,2 mm alebo uhol sklonu je väčší ako 2 stupne, považuje sa za zlé vloženie.
Segmentácia prahovej hodnoty Grayscale: Algoritmus OTSU automaticky určuje prahovú hodnotu segmentácie medzi kolíkmi a zásuvkami, čím detekuje defekty, ako sú chýbajúce alebo ohnuté kolíky.
Deep Learning Solutions:
Detekcia objektu Yolov5: Vycvičte model na rozpoznávanie stavu vloženia (normálne/polovica vložené/vložené), čím sa dosiahne hodnota MAP 98,2% na 1 000 anotovaných obrázkoch.
Klasifikačná sieť ResNet50: Vykonáva segmentáciu oblasti oblasti 224 × 224 pixelov na zástrčke - v povrchu a výstupy zástrčky - v úrovni kvality (vynikajúce/dobré/zlé) po vstupe do siete s presnou rýchlosťou 97,5%.
4, optimalizácia detekčného procesu v priemyselných scenároch
1. Dynamická detekcia a skutočné - časová spätná väzba
Aplikácia High - Speed Linear Array Camera: Na kontinuálnej výrobnej linke sa na skenovanie konektora pri linkovej frekvencii 10 kHz používa lineárna poľa a spúšťa kompenzáciu pohybu pomocou kódovača. Napríklad určitá výrobná linka automobilovej elektroniky zvýšila prostredníctvom tohto roztoku rýchlosť detekcie na 300 konektorov za minútu.
Control Collaborative Control: Vizuálny systém prenáša výsledky detekcie (Signály OK/NG) v reálnom čase do PLC prostredníctvom protokolu TCP/IP, čím spustí mechanizmus triedenia na odstránenie defektných produktov. Experimentálne údaje ukazujú, že táto schéma znižuje mieru zmeškanej detekcie chybných produktov z 3% na 0,2%.
2. Zvýšená adaptabilita životného prostredia
Návrh anti vibrácií: V podmienkach vibrácií sa algoritmus filtrovania frekvenčnej domény používa na potlačenie rozmazania obrazu spôsobeného mechanickými vibráciami. Napríklad udržanie signálu frekvenčného pásma 50-200Hz cez pásový filter môže účinne extrahovať funkcie okrajov konektora.
Multispektrálna zobrazovacia technológia: Pre scény znečistenia, ako sú olejové škvrny a prach, v kombinácii s viditeľným svetlom a infračerveným zobrazovaním, sa anti - interferenčné funkcie extrahujú pomocou analýzy hlavných komponentov (PCA). Testy ukázali, že táto metóda si stále môže udržiavať presnosť detekcie viac ako 95% v silne znečistených prostrediach.
5, Typické prípady aplikácií a overenie výkonu
1. Detekcia snímača robotického kĺbu
V určitom projekte priemyselného robota šiestich osí vizuálny systém detekuje stav vloženia konektora M8:
Hardvérová konfigurácia: 2 5- kamery Megapixel CMOS, spárované s teleobjektívom a kruhovým zdrojom LED svetla.
Testovacie ukazovatele: stredná odchýlka kolíkov menšia alebo rovná 0,15 mm, uhol sklonu menší alebo rovný 1,5 stupňa, chyba hĺbky vloženia menšia alebo rovná 0,3 mm.
Implementačný efekt: Po spustení systému sa presnosť polohovania robotov zlepšila na ± 0,03 mm, čo je trikrát vyššia ako manuálna detekcia a miera zlyhania zariadenia sa znížila o 80%.
2. Testovanie systému na správu batérií nových energetických vozidiel
V určitej výrobnej linke elektrického vozidla BMS vizuálny systém detekuje konektory M8:
Obsah testovania: Defekty, ako je oxidácia soketu, ohýbanie PIN a poškodenie izolačnej vrstvy.
Optimalizácia algoritmu: U - sieť sémantickej segmentácie sa používa na vykonanie klasifikácie úrovne pixelov na zástrčke - v povrchu s detekčnou rýchlosťou až 20 snímok za sekundu.
Údaje o úspechu: Systém dosahuje 100% detekciu online, s nulovou zmeškanou detekčnou mierou a mieram falošnej detekcie nižšia ako 0,5%, čím sa zabezpečuje spoľahlivé pôsobenie systému BMS po dobu 5 rokov.
