一, Potražnja industrije za detekcija statusa priključka M8
M8 konektori široko se koriste u poljima kao što su tvornički strojevi za automatizaciju, automobilsku elektroniku i željeznički tranzit i njihov dodatak status izravno utječe na stabilnost sustava. Na primjer, u vezi s robotskim zglobnim senzorima, loš umetanje jedinstvenog konektora može rezultirati pogreškom povratne informacije o položaju veće od 0,1 mm, što dovodi do nekontroliranog kretanja robotske ruke. Tradicionalna ručna vizualna inspekcija ima nedostatke niske efikasnosti i visoke lažne brzine otkrivanja, dok vizualni sustavi mogu otkriti nekoliko konektora u sekundi s lažnom brzinom otkrivanja, značajno poboljšavajući kvalitetu proizvodnje.
2, hardverska arhitektura i izbor sistema vizuelnog inspekcije
1. Industrijska kamera i konfiguracija sočiva
Odabir rezolucije: Za otkrivanje pomak od 0,1 mm, potreban je kamera rezolucije od 5 miliona piksela ili više. Na primjer, kamere Basler Ace serije mogu postići tačnost otkrivanja od 0,05 mm / piksela u rezoluciji 1080p.
Parametri objektiva: Usvajanje telecentričnog sočiva za uklanjanje perspektivne distorzije, radna se udaljenost kontrolira u rasponu od 50-100 mm, osiguravajući da polje na polju prekriva cijelu površinu umetanja konektora.
Dizajn izvora svjetlosti: kružni LED pozadinsko osvjetljenje upareno sa koaksijalnim svjetlom, što može jasno razlikovati metalne ivice igle i utičnice. Eksperiment pokazuje da kosi lakši 45 stepeni može poboljšati kontrast sjene u korijenu PIN-a i poboljšati brzinu prepoznavanja oštećenja.
2. Jedinica za obradu slike
Ugrađeni sistem vizije: poput bolesnog IVP Rangorc50 inteligentna kamera, sa ugrađenim modulom za prerađenje FPGA, može dovršiti otkrivanje ruba, podudaranje predloška i druge algoritme u realnom vremenu, sa brzinom obrade do 120FPS.
PC bazni sistem: Pogodno za scenarije otkrivanja sa kolaboratima sa više kamera, koristeći Basler Pylon SDK za postizanje višeslojne nabavke slike i Halcon Library za rekonstrukciju 3D točke Cloud.
3, algoritam za otkrivanje jezgre i put implementacije
1. Priključak za pozicioniranje i ekstrakcija ivica
Akumulirana funkcija distrikta za kvantizaciju: generirajte biblioteku predloška za konture priključaka izračunavanjem histograma distrikta distrikta svakog piksela na slici. Eksperiment pokazuje da tačnost prepoznavanja ove metode za M8 priključke dostiže 99,7%, a još uvijek može raditi stabilno čak i u složenim pozadinama.
Analiza histograma skeniranja: Skenirajte sliku konektora duž vodoravnog / vertikalnog smjera i prebrojite položaje prijelaznih mjesta sive. Uzimajući određeni model priključka M8 kao primer, mutacija sive razine njene ivice utičnica na liniji skeniranja prelazi 50, što može precizno pronaći centar utičnice.
2. Klasifikacijski model za status utikača
Tradicionalna obrada slike:
Mjerenje geometrijskog parametara: izračunajte parametre kao što su središnje odstupanje od razdvojenosti i nagib između igle i utičnica. Na primjer, kada pomak klinnog centra prelazi 0,2 mm ili je nagib nagib veći od 2 stepena, ocjenjuje se kao loš umetnik.
Segmentacija praga sivescale: Algoritm Otsu automatski određuje prag segmentacije između igle i utičnica, otkrivajući nedostatke kao što su nestali ili savijeni igle.
Solutions duboko učenje:
Yolov5 Detekcija objekata: Obučite model da biste prepoznali status umetanja (normalan / polovina umetnuta / nije umetnuta), postizanje vrijednosti karte od 98,2% na 1000 na 1000 vidnih slika.
ReSnet50 Klasifikacijska mreža: Izvodi segmentacija 224 × 224 piksela na površini utikača, a izlazi na nivo kvalitete (odlično / dobro / loše) nakon ulaganja u mrežu, s tačnom stopom od 97,5%.
4, optimizacija procesa otkrivanja u industrijskim scenarijima
1. Dinamičko otkrivanje i povratne informacije u stvarnom vremenu
Primjena kamere velike brzine: Na kontinuiranoj proizvodnoj liniji koristi se linearna kamera niza koristi za skeniranje konektora na linijskoj frekvenciji od 10kHz i nadoknade pokreta za pokretanje kodera. Na primjer, određena proizvodna linija za automobilsku elektroniku povećala je brzinu otkrivanja na 300 konektora u minuti kroz ovo rješenje.
PLC kolaborativna kontrola: Vizualni sistem prenosi rezultate otkrivanja (OK / NG signali) u realnom vremenu do PLC-a putem TCP / IP protokola, aktivirajući mehanizam za sortiranje za uklanjanje neispravnih proizvoda. Eksperimentalni podaci pokazuju da ova shema smanjuje propuštenu stopu detekcije neispravnih proizvoda sa 3% na 0,2%.
2. Poboljšana prilagodljivost okoliša
Dizajn protiv vibracija: Pod vibracijskim uvjetima algoritam filtriranja frekvencije koristi se za suzbijanje zamućenja slike uzrokovana mehaničkom vibracijom. Na primjer, zadržavajući frekvencijski pojas od 50-200Hz putem pojasevog filtra može učinkovito izvući značajke ivice priključka.
Tehnologija višestruke slike: za scene zagađenja poput naftnih mrlja i prašine, u kombinaciji s vidljivim svjetlosnim i infracrvenim slikama, anti-smetnjama, vađenje se izdvajaju putem glavne analize komponente (PCA). Testovi su pokazali da ova metoda i dalje može održavati tačnost otkrivanja preko 95% u jako zagađenim okruženjima.
5, tipičnih slučajeva aplikacije i provjera performansi
1. Otkrivanje senzora robota
U određenom projektu Industrial Robot sa šest osi, vizuelni sistem otkriva status umetanja M8 priključka:
Konfiguracija hardvera: 2 5- Megapiksel CMOS kamere, uparene sa telefoto sočivom i kružnim LED izvorom svjetla.
Indikatori ispitivanja: Centar za središnje odstupanje igle manje od ili jednake do 0,15 mm, navršni ugao manji ili jednak 1,5 stepeni, dubinu umetanja manja ili jednaka 0,3 mm.
Effect implementacije: Nakon pokretanja sistema, tačnost pozicioniranja robota poboljšana je na ± 0,03 mm, što je tri puta veće od ručnog otkrivanja, a stopa kvara opreme smanjena za 80%.
2. Ispitivanje novog sistema upravljanja baterijama za energetsku vozila
U određenoj proizvodnoj liniji BMS-a za električnu vozilu, vizuelni sistem otkriva M8 konektore:
Sadržaj testiranja: nedostaci kao što su oksidacija utičnice, savijanje igle i izolacijskog oštećenja.
Optimizacija algoritma: U-neto semantička segmentacijska mreža koristi se za obavljanje klasifikacije na nivou piksela na površini utikača, s brzinom otkrivanja do 20FPS.
Podaci o postignućima: Sistem postiže 100% internetsko otkrivanje, sa nultom brzinom otkrivanja i lažnom brzinom otkrivanja manjim od 0,5%, osiguravajući pouzdan rad BMS sistema 5 godina.
