Εξυπνός οπτικός εξοπλισμός ανίχνευσης βιομηχανικών εξαρτημάτων

Ως γνωστή εταιρεία έρευνας και ανάπτυξης εξοπλισμού αυτοματοποίησης συσκευασίας στο εσωτερικό και στο εξωτερικό,Σαγκάη Armor Αυτοματοποίηση Technology Co., Ltd.Οι τεχνικές υπηρεσίες της παρέχουν τεχνικές λύσεις για την κινεζική κατασκευαστική βιομηχανία με διεθνώς συγχρονισμένα βιομηχανικά εξαρτήματα έξυπνου οπτικού εξοπλισμού ανίχνευσης. Εξυπνός οπτικός εξοπλισμός ανίχνευσης βιομηχανικών εξαρτημάτωνΕφαρμόζεται σεΦαρμακευτικές βιομηχανίες, τροφίμων, ποτών, καθημερινών χημικών προϊόντων, προϊόντων υγείας, ηλεκτρονικών, ηλεκτρικών συσκευών, χημικών προϊόντων, αυτοκινητοβιομηχανίας και πλαστικών και υλικών!

Έξυπνος οπτικός έλεγχος βιομηχανικών εξαρτημάτωνεξοπλισμόςστοΗ ψηφιακή επεξεργασία εικόνας είναι μια αναδυόμενη τεχνολογίαΈχει ήδη εφαρμοστεί σε τομείς όπως τα συστήματα αυτοματοποίησης, η ανίχνευση εξαρτημάτων αυτοκινήτων και η έξυπνη αναγνώριση. Έχει γίνει μια από τις σημαντικές λύσεις για την παραδοσιακή αργή και ανεπαρκή ανίχνευση. Δεδομένου ότι στην πραγματική παραγωγή, τα βιομηχανικά εξαρτήματα έχουν πολλά ελαττώματα όσον αφορά τις λεπτομέρειες, είναι απαραίτητο να επιλέξετε τον κατάλληλο αλγόριθμο για την ακριβή αναγνώριση και ανίχνευση τους. Αυτό το άρθρο αφορά τα μέρη πίσω πλάκας απορροφητικών κιβωτίων αυτοκινήτων, σχεδίασε το συνολικό σχέδιο του συστήματος ανίχνευσης εικόνας, χτίστηκε μια πειραματική πλατφόρμα υλικού και περιέγραψε λεπτομερώς τη σύνθεση των διάφορων συσκευών και συστημάτων φωτισμού που χρησιμοποιούνται από το οπτικό σύστημα, στη συνέχεια πραγματοποιήθηκε η βαθμολογία του συστήματος κάμερας και ολοκληρώθηκε η διόρθωση Μετά την απόκτηση της διορθωμένης εικόνας, διεξήχθη επικεντρωμένη έρευνα σε βασικές τεχνικές όπως η προεπεξεργασία της εικόνας, η ανίχνευση άκρων και η μέτρηση των γεωμετρικών παραμέτρων των εξαρτημάτων. Κατά την προεπεξεργασία, πρώτα αναλύθηκε η κατηγορία θορύβου της εικόνας, συγκρίθηκε διάφορος αλγόριθμος φίλτρου για να βρεθεί ο αλγόριθμος φίλτρου που ταιριάζει στην εικόνα σε αυτό το άρθρο. Επιπλέον, στην ανίχνευση άκρων εικόνας, οι κλασικοί αλγόριθμοι ανίχνευσης άκρων συγκρίνονται, παρέχοντας τη βάση για τη μεταγενέστερη εξαγωγή χαρακτηριστικών. Κατά την ανίχνευση των βασικών χαρακτηριστικών της εικόνας, οι κύκλοι και οι ευθείες γραμμές στην εικόνα ανιχνεύονται αντίστοιχα και οι παραμέτροι των αποτελεσμάτων ανίχνευσης βελτιστοποιούνται, βελτιώνοντας το αποτέλεσμα ανίχνευσης των κύκλων και των ευθείων γραμμών. Κατά την ανίχνευση των υποδοχών στην εικόνα, χρησιμοποιήθηκε αλγόριθμος ταιρίασης προτύπων για την ακριβή αναγνώριση της θέσης των υποδοχών. Μετά την είσοδο στην ανίχνευση του μεγέθους των εξαρτημάτων, το κείμενο μελέτησε επίσης τις μεθόδους ταξινόμησης των τριών περιπτώσεων εντάξεων εξαρτημάτων, εξαρτημάτων σημείου συγκόλλησης και εξαρτημάτων γρατζουνιών. Πρώτον, μέσω της ανίχνευσης άκρων, με βάση την εξασφάλιση σαφής και πλήρους άκρων εικόνας, χρησιμοποιήστε αλγόριθμους ιστογραμμάτων κατεύθυνσης κλίσης για την εξαγωγή χαρακτηριστικών και χρησιμοποιήστε νευρικά δίκτυα πιθανοτήτων και SVM για την αναγνώριση ταξινόμησης, επιτυγχάνοντας καλά αποτελέσματα ταξινόμησης. Ωστόσο, τα διανυσματικά χαρακτηριστικά έχουν υψηλότερες διαστάσεις και οι πληροφορίες εξαγωγής χαρακτηριστικών αναμιγνύονται έτσι ώστε να είναι δύσκολο να αξιοποιηθούν πλήρως οι κρίσιμες πληροφορίες της εικόνας. Το κείμενο έχει βελτιωθεί στον αλγόριθμο ιστογραφίας κατεύθυνσης κλίσης, ο αλγόριθμος εξαγωγής χαρακτηριστικών ιστογραφίας κατεύθυνσης κλίσης έχει γίνει διγραμμική παρέμβαση, έχει λάβει ένα διάνυσμα χαρακτηριστικών που είναι πιο ικανό να ενσαρκώσει τα χαρακτηριστικά λεπτομερειών, στη συνέχεια χρησιμοποιεί νευρικά δίκτυα και μηχανές διανυσματικής υποστήριξης για την αναγνώριση, βελτιώνοντας ταυτόχρονα το αποτέλεσμα αντιμετώπισης Η υλοποίηση αυτής της ενότητας βασίζεται σε Visual C ++ και MATLAB, συμπεριλαμβανομένης της ανάπτυξης της διεπαφής του οπτικού συστήματος και της γραφής αλγόριθμων. Αυτό το άρθρο υλοποιεί την ανίχνευση των χαρακτηριστικών των εξαρτημάτων και την αναγνώριση με διαφορετικούς τύπους ταξινόμησης εξαρτημάτων. Τα ευρήματα στο κείμενο ενσαρκώνουν μια ορισμένη μηχανική αξία, παρέχοντας ταυτόχρονα μια ορισμένη έννοια για την εφαρμογή της τεχνολογίας μέτρησης εικόνας και την ταξινόμηση των εξαρτημάτων.

Intelligent visual inspection equipment

As a well-known packaging intelligent automation equipment research and development enterprise at home and abroad, Shanghai Lujia Automation Technology Co., Ltd. provides technical solutions for the Chinese manufacturing industry to synchronize intelligent visual inspection equipment for industrial parts. Widely used in: pharmaceutical, food, beverage, daily chemical, health care products, electronics, electrical appliances, chemicals, automotive industry and plastics and hardware industries!

Intelligent visual inspection equipment for industrial components is an emerging technology industry in digital image processing technology. It has been widely used in automation systems, automotive parts inspection and intelligent identification. It has become one of the important solutions for slow manual detection and low detection efficiency. Due to the defects in the details of industrial parts in actual production, it is necessary to use an appropriate algorithm to accurately identify and detect them. In this paper, the overall scheme of the image detection system is designed for the back part of the car energy-absorbing box. The experimental hardware platform is built, and the components of the various components and lighting systems used in the vision system are introduced in detail. Then the camera system is calibrated and completed. Correction of distortion effects. After obtaining the corrected image, key technologies such as image preprocessing, edge detection and part geometric parameter measurement were studied. In the preprocessing, the noise class of the image is first analyzed, and various filtering algorithms are compared to find the filtering algorithm suitable for the image. Furthermore, in the image edge detection, the classic edge detection algorithm is compared, which provides the basis for the subsequent feature extraction. When detecting the basic features of the image, the circles and lines in the image are detected separately, and the parameters of the detection result are optimized to improve the detection effect of the circle and the line. When detecting the slot in the image, a template matching algorithm is used to accurately identify the position of the slot. After the inspection of the part size, the classification and identification methods of the intact parts, the solder joint parts and the scratch parts were also studied. Firstly, through the edge detection, on the basis of ensuring the image edge is clear and complete, the gradient direction histogram algorithm is used for feature extraction, and the probabilistic neural network and SVM are used for classification and recognition, and a good classification effect is obtained. However, the feature vector dimension is high, and the feature extraction information is aliased, so that the key information of the image is difficult to fully utilize. In this paper, the gradient direction histogram algorithm is improved, and the gradient direction histogram feature extraction algorithm is bilinearly interpolated. The feature vector which can reflect the detailed features is obtained, and then the neural network and support vector machine are used for recognition. The anti-aliasing effect of the value also improves the accuracy of classification and recognition of images. The implementation of all modules of this topic is based on Visual C++ and MATLAB, including visual system interface development and algorithm writing. This paper realizes the detection of part features and the classification and identification of different types of parts. The research results in this paper reflect a certain engineering value, and provide some reference for the application of image measurement technology and the classification and identification of parts.