基于线结构光的工件台阶特征尺寸测量方法研究

提出了一种应用线结构光光源和CCD摄像机对工件台阶特征尺寸进行视觉测量的方法.该方法针对线结构光光平面受工件表面台阶形状调制时发生的形变,利用较高精度的视觉测量系统和算法检测出形变位置从而实现工件台阶特征尺寸的测量.详细阐述了测量系统的原理和系统构建过程,介绍了测量中采用的形变位置亚像素检测算法,并利用实验说明了系统具有较高的测量重复性及准确性.通过台阶测距误差评定实验表明,该方法的测量误差小于0.05 mm.     

工件表面缺陷尺寸的激光测量系统

针对目前工件表面缺陷尺寸的定量检测相对较少的问题,建立了一个由准直激光器、相机、显微镜和平移台等组成的检测系统,以实现金属表面凹痕尺寸的检测。采用激光作为光源,配备显微镜的相机采集图像,使用基于重心的方法对采集的图像进行处理,通过分析凹痕像素的分布情况来获得凹痕宽度。试验结果表明,该检测系统能够检测出工件表面凹痕的位置,并计算出缺陷的详细尺寸。     

大尺寸工件细小孔视觉定位研究

针对大尺寸工件细小孔的视觉定位存在大视场检测精度低而小视场检测效率低的问题,提出一种基于机器视觉的单相机大尺寸工件细小孔位坐标的测量方法。该系统使用单相机4次采集,基于原点标记搜索拟合和动态计算孔位坐标的测量算法,考虑到机器视觉识别的局限性,设计易于识别的原点标记。利用采集到的带有原点标记的图像,通过对图像拟合、提取、比较分析等操作,获取原点坐标和X、Y轴的方向,以此对细小孔位坐标进行补偿,得到孔位坐标。最后以液晶显示器背板灯条螺丝孔为例,实验结果表明,该系统在检测960mm×550mm的液晶显示器背板时的最大误差为0.5mm,能够满足液晶显示器生产企业的要求。     

动车车轴表面划痕检测技术研究

为了解决动车车轴表面微小划痕的种类多、定量准确测量困难等难题,提出了一种基于线激光和CCD组合测量的解决方案。首先将线激光投在金属划痕表面上,利用高精度的CCD相机采集划痕与线激光的图像,然后对激光线使用Smoothing Spline函数进行平滑样条拟合,并进行一次分段线性插值,最后将金属表面划痕转化为高低落差图,得到划痕的高度与宽度。该方法主要是寻找划痕的几何中心,用线条来替代划痕,以此来分析计算划痕的宽度和深度特征参数。实验结果对划痕检测的宽度误差小于0.05 mm,深度误差小于0.1 mm,证明该方法能够有效地识别金属表面划痕,且在准确性和分割效率方面有明显的优势,并能满足动车车轴表面划痕的实际测量要求。     

基于点云三维重建的装配件尺寸测量系统北大核心

针对机械加工偏差和人为因素,造成装配面间几何尺寸信息不匹配,而采用人工检测效率低、重复性差,难以满足工厂在线实时检测要求等问题,提出一种基于点云三维重建的装配件实时在线测量系统。以点与点间存在的内在约束作为先验引导信息,提出改进的RANSAC算法来检测并剔除异常数据点,显著减少算法耗时同时大幅提高了平面特征的提取准确率;再利用最小二乘法对剩余有效点进行拟合,对法兰盘工件重建三维模型并进行关键尺寸测量。实验结果表明,基于点云三维重建的工件尺寸测量方法有较好的准确性和检测效率,法兰盘工件测量过程耗时约5.6 s,测量标准误差在±0.16 mm以内,测量误差不超过0.30 mm,满足了工件测量的实时性和准确性要求。     

切削自适应控制中工件尺寸误差的监测与辨识

文章以车削为例介绍了一种工件尺寸监测与辨识工件尺寸误差的算法,利用辨识结果通过递推算法可对加工尺寸误差进行实时预测和补偿控制。这种方法可以很容易地推广到镗、铣等其它相近的加工过程中,对慢时变过程有很好的补偿控制作用。图8幅，表2个，参考文献7种。     

基于单目视觉的Z轴位置自适应识别定位系统研究

针对工业上单目视觉系统难以适应工件Z轴位置变化的问题,开发基于单目视觉的Z轴位置自适应识别定位方法与系统。采用激光三角测距原理检测工件坐标系平面与相机坐标系平面的距离,配合下位机微机控制系统实现工件平台Z轴位置自适应,进一步融合HSV颜色空间模型,通过改进模板匹配算法完成工件识别定位。联合Halcon与Visual Studio进行单目视觉Z轴位置自适应识别定位系统软件开发以及实验验证。结果表明:该系统在工作范围内平均定位误差小于1 mm,具有较好的Z轴位置自适应调节能力和较高的定位精度。     

一种双目视觉多目标分拣系统设计与测试

针对人工包装USB组件效率低和分装错误率高的问题,开发一套集识别、选择和分选于一体的智能分拣系统。提出一种改进的分拣算法,利用边缘曲线等价方法确定工件形状,通过多目标形心图像区域分割快算方法确定各组件中心,采用Harris角点检测算法获取旋转角度。构建分选识别相机和旋转纠偏相机相结合的双目视觉智慧分选和包装模式。结果表明:最大旋转角度误差为0.75°,最大质心偏差为0.68 mm,测试成功率达99.5%以上,所构建的智能分拣系统对USB组件不同摆放位置模板匹配的误差和抓取误判率均满足设计要求。研究结果为智能化设备研究提供了参考。     

基于视觉的机械臂轨迹优化方法研究

针对应用视觉系统进行工件抓取时,工件相互遮挡导致识别工件不准确且抓取效率较低的问题,提出基于视觉的机械臂轨迹优化方法。由相机采集工件图像信息,通过标定机械臂坐标系、工件坐标系及相机坐标系,建立“手眼”坐标关系,基于点云数据对工件识别与定位;提出改进遗传-鲸鱼混合轨迹规划算法,以控制工件抓取过程。对机械臂的3个重要关节进行了运动仿真与实验测试。仿真结果显示：改进的遗传-鲸鱼混合算法收敛速度更快,搜索能力更强,优化后的抓取时间比基本遗传算法优化的抓取时间减少了2.3 s。实验结果表明：基于点云识别的机械臂抓取成功率达到93.75%,极大提高了抓取效率,验证了算法的有效性。     

端铣加工面尺寸误差预测

为了精确预测端铣加工面尺寸误差,利用铣削动态力卷积模型,引入表面生成窗概念,并考虑到工件与刀具的变形误差、机床空间误差与刀具偏摆的影响,建立了加工面尺寸误差预测模型。通过在铣床上进行实验,验证了该模型能够正确预测工件尺寸误差及其分布范围,且在铣刀轴向切深、主轴转速和进给速度一定的情况下,增加径向切深不会对工件尺寸误差产生显著影响。     

基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明：该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。     

基于单目视觉的工业机器人定位系统的设计

在工业生产中,工业机器人如何能够准确地抓取和摆放工件是自动化生产中的一个重要问题,而问题的关键是准确地获取工件目标位置和姿态的信息。针对此问题,以图像辨识、处理及视觉定位为主要研究内容,设计了一种处理简单、计算准确的单目视觉定位系统。该系统包含静态图像采集平台、图像测量模块及与之匹配的三维空间中单目定位算法与姿态测量算法。经测试实验,并通过对数据和误差进行分析,系统满足自动化生产过程中对工件的空间定位与姿态测量的要求。     

基于NX MCD的工业机器人视觉分拣数字孪生系统设计

针对制造业中多类型、多颜色工件人工重复分拣出错率高的问题，设计一个基于工业视觉的工业机器人自动分拣物理控制系统和数字孪生系统。提出融合工业视觉、工业机器人、PLC等设备的以太网通信控制方案；基于视觉检测原理，应用视觉检测工具，结合PLC程序能够正确识别工件信息；基于NX MCD软件构建了工业机器人、输送带、工件等数字孪生系统；最后，对工业机器人和PLC进行联合编程，实现视觉分拣虚实系统同步作业。实验结果证明：该系统工件识别正确率高，工件分拣效率高，数字孪生系统能够实现虚实同步，为系统的动态监控、维护管理与虚拟调试提供了便利。     

视觉检测与激光精密测量在轴承加工检测中的应用

机器视觉测量技术是利用机器模拟人类视觉对待测工件的各种参数进行测量的一种新兴技术,测量速度快。利用面阵CCD传感器拍摄图像并结合相应的平面标定算法,即可测得工件的平面尺寸。此方法测量速度快,但精度相对较低。高精度激光位移传感器的测量精度较高,但测量速度相对较慢。结合以上两种视觉传感器的优点,提出一种同时具有高速、高精度特点的精密测量方法,并将其应用在精密轴承的制造、加工、检测中。     

基于视觉定位的玻璃磨边加工工艺的设计

视觉定位技术在现代加工制造业中应用广泛。通过分析传统玻璃磨边加工流程,设计一种新的加工工艺,该工艺通过计算机和运动控制卡进行控制,以及通过CCD相机进行视觉定位。该工艺主要通过视觉定位和误差补偿确定工件准确坐标,然后根据该坐标修改加工程序再进行加工。此外,通过系统记录多个工件坐标,实现了阵列加工功能。实际应用证明:该加工工艺能显著提高加工精度和效率,具有广泛的应用价值。     

Precision, Stability and Productivity Increase in Throughfeed Centerless Grinding

Centerless grinding is a high precision manufacturing process commonly applied to the mass production of many industrial components. However, workpiece roundness is critically affected by geometric lobing and no practical tool has been developed to solve the problem in throughfeed working mode. Based on simulation methods previously applied to plunge grinding, a new software tool has been developed in this work. The software determines the optimal working configuration and can be used to reduce set-up time and improve three important features: 1) Precision, as the roundness error is rapidly corrected at the optimal configuration. 2) Productivity, since the workpiece stock can be significantly reduced. 3) Stability, because the process is less sensitive to the original roundness error of the workpiece.     

基于CS优化深度学习卷积神经网络的目标检测算法

目前对于形状比较复杂且密集摆放的工件,传统的工业机器人视觉分拣技术已经无法有效检测和识别。因此,为了提高生产线上分拣工件检测的准确率,提出了一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化深度学习卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法。首先对视觉分拣系统的组成进行了分析。然后采用经典的Faster R-CNN的模型结构来实现目标检测,并将CS优化算法应用到CNN模型的参数训练中,解决了反向传播的局部最优问题,同时提高了迭代速度。工件检测实验结果表明:相比于传统的CNN模型,提出CS-CNN模型具有更好的目标检测的准确率,提高了网络的收敛速度。     

基于机器视觉的工件识别与定位系统设计与实现

机器人关节工件组装生产过程中,工件种类多、产量大、人工分拣与装配困难等问题,为了提高生产速度和效率,提出一种基于OpenCV视觉技术的机器人关节工件识别与定位检测方法。首先,通过工控机读取相机的工件图像,并进行图像灰度化、均值滤波、自适应阀值分割等图像预处理过程,得到二值化图像;其次,从二值化图像中提取出工件的轮廓,之后,通过胡氏不变矩比较待识别工件的轮廓与给定的模板轮廓,识别目标工件;最后,提出一种确定工件的位置和方向的方法。实验结果表明,文章提出的方法能准确识别目标工件,并且有效地确定其位置,为类似的识别提供了有效参考。     

基于深度学习的轴端编号识别算法设计

随着制造业能力的不断提升,产品生产过程的自动化程度越来越高。对于传统的视觉识别算法,需要拥有大量工程技术和专业领域知识的人才能对视觉识别进行建模,并且设计的算法只能适应单一工况不具有通用性;而深度学习算法是一种通用的学习算法,通过训练可以识别不同种类的不同目标。基于此,针对某企业曳引轴加工过程中轴端编号的识别,设计了可进行端到端训练的识别算法。系统通过高精度工业相机获取目标图像,获得的原始RGB图像不需要进行预处理便可输入到网络当中,由深度学习算法对目标进行识别。实验表明所设计算法鲁棒性好且准确率高。