masinnägemisel põhinev väljastusdefektide tuvastamise tehnoloogia, mida arutada

Tööstusautomaatika juhtimistehnoloogia ja arvutitehnoloogia kiire arenguga on tööstusautomaatika tunginud erinevate tööstusharude tootmisse. Automaatseid doseerimismasinaid on laialdaselt kasutatud tööstuslikus tootmises, alates mikroskeemide tööstusest, elektroonikatööstusest, LED-tööstusest kuni üldise toote ühendamise, süstimise ja tihendamise tööstuseni, kõik mängivad olulist rolli. Automaatse väljastusmasina kasutamine mitte ainult toote kvaliteedi parandamiseks on oluliselt parandanud, vaid parandanud ka tootmise efektiivsust, võib mõista väljastusprotsessi keerulist olukorda. Sellest lähtuvalt pööratakse rohkem tähelepanu väljastamise kvaliteedile. Tegelikus tootmises võib mitmesuguste tegurite tõttu, nagu automaatse väljastusmasina väljastusprotsessi tase, liimi temperatuur jne, liimi tootmine sisaldada õhumulle, liimiriba purunemist, liimiriba laius on liiga paks või liiga õhuke ja muid defekte. Seetõttu on äärmiselt oluline rangelt kontrollida väljastamise kvaliteeti erinevates olukordades, kus on vaja ühendusefekti realiseerida väljastamise kaudu. Tööjõule lootmine väljastusdefektide tuvastamisel on ilmselgelt ebamõistlik, kuna selle suure töökoormuse, madala efektiivsuse, tuvastamise täpsus ei ole kõrge, ei suuda rahuldada tegelikke tootmisvajadusi. Ülaltoodud probleemide lahendamiseks kasutatakse laialdaselt masinnägemisel põhinevat väljastusdefektide tuvastamise tehnoloogiat, mille eelisteks on madal hind, suur täpsus ja suur kiirus.

Esiteks, masinnägemise tuvastamise tehnoloogia status quo põhjal

Masinnägemine põhineb üldistel arvutinägemise uuringutel ja hõlmab samal ajal valgusallika valgustustehnoloogiat, kiiret pildistamist ja muid praktilise tehnoloogia uurimise aspekte. Tööstuses tuleb masinnägemise kasutamine tervikliku tööstusliku nägemise rakendussüsteemi loomiseks kombineerida mitmesuguste tehnoloogiatega, mis hõlmavad masinaehitust, andureid, optilist kujutist, liikumisjuhtimist, pilditöötlust ja muid aspekte. Joonisel 1-1 on kujutatud tegeliku tööstusharu masinnägemissüsteemi üldist raamistikku, mis hõlmab peamiselt mõõdetud sihtmärki, valgusallikat, optilist pildistamissüsteemi, pildihõivesüsteemi, kujutiste hankimist ja digiteerimist, intelligentset pilditöötlusmoodulit ja liikumisjuhtimismoodulit. .

Teaduse ja tehnoloogia arenguga muutub masinnägemise arengukiirus üha kiiremaks ning mõned välismaised teadus- ja arendusorganisatsioonid on välja töötanud palju pilditöötlusel põhinevat masinnägemissüsteemi tarkvara, näiteks MatroxImaging Library (MIL), Halcon. , Matlab ja avatud lähtekoodiga raamatukogu OpenCV. Tänu oma võimsatele pilditöötlusvõimalustele on neid tarkvaraprogramme tööstuslikus tootmises laialdaselt kasutatud. Praegu on masinnägemises kahte tüüpi algoritme, nimelt digitaalsed pilditöötlusalgoritmid ja konvolutsioonilistel närvivõrkudel põhinevad süvaõppe algoritmid.

(1) Meetod, mis põhineb digitaalsel pilditöötlusel, peamiselt pilditöötluse ja muude toimingute abil, et saada liimikihi pindala, massikese ja kohandatud keerukusvalem, et määrata liimikihi kvaliteet. Traditsioonilise digitaalsel pilditöötlusel põhineva meetodi eelisteks on lihtne töö ja vähem parameetreid, kuid sellel on ka puudused, kuna see on vastuvõtlik sellistele objektiivsetele teguritele nagu valgus, liimikihi halb segmenteeritus, halb defektide klassifitseerimine ja halb üldistus.

(2) Suurandmete ajastu tulekuga muudab lihtne juurdepääs igasugustele teaberessurssidele süvaõppe rakendamise üha ulatuslikumaks. Eriti konvolutsioonilises närvivõrgus suudab kaudne kiht pärast pildi sügavat konvolutsiooni ja koondamist näidata üldistatumaid ja abstraktsemaid funktsioone kui käsitsi omandatud, saavutades seega häid tulemusi äratundmise klassifikatsioonis. Süvaõppe tekkimine on suurendanud väljastusvigade tuvastamise teostatavust. Süvaõpe nõuab aga piisavat kogust koolitusandmeid ja võimsat arvutusvõimsust, mistõttu selle maandumine ja rakendamine paljudes valdkondades on piiratud ning see mõjutab otseselt ka punkt-defektse liimi tuvastamise efektiivsust.

Teiseks doseerimiskontrollisüsteemi optiline tuvastusprogramm

Defektide tuvastamise protsessis on pilditeabe pidev ja stabiilne hankimine samuti otsustava tähtsusega samm, see, kas pilt on algoritmi kujundamiseks hea või halb, mõjutab raskusastet suuresti, seetõttu on protsessis väljastusdefektide tuvastamise süsteemi kavandamisel on vaja valida optilise tuvastamise riistvara. Nagu on näidatud joonisel 2-1, esineb läbipaistva liimi kleeplinti arvesse võttes peegeldavaid nähtusi, mistõttu peab valgusallika valgustusaste olema kõigi nurkade puhul ühtlasem ja koaksiaalvalgusel on kõrge -tiheduse paigutus, selge kujutis, ühtlane heledus ja muud omadused. Lisaks ei saa üheaegse valgustuse heleduse nõuete korral, kuna mõnes kleeplindis on mullid ja kleeplindi koaksiaalvalgusallikas on teatud vahemaa, ei saa pilti saada. täheldatud mullide omadusi, seega kaaluge kiiritamiseks kleeplindi ülaosas ribavalgusallika kasutamist, nii et mullide omadused oleksid nähtavad. Kuna vertikaalse kiiritusmeetodi eelisteks on suur kiiritusala ja hea valguse ühtlus, valitakse vertikaalseks kiiritusmeetodiks koaksiaalne valgusallikas, vertikaalseks kiiritusmeetodiks aga ribavalgusallikas.

Tõlgitud saidiga www.DeepL.com/Translator (tasuta versioon)