一, domanda del settore per il connettore M8 plug - nel rilevamento dello stato
I connettori M8 sono ampiamente utilizzati in campi come macchinari di automazione di fabbrica, elettronica automobilistica e transito ferroviario e la loro spina - nello stato influisce direttamente sulla stabilità del sistema. Ad esempio, nella connessione dei sensori articolari robot, lo scarso inserimento di un singolo connettore può comportare un errore di feedback di posizione superiore a 0,1 mm, portando a un movimento incontrollato del braccio robotico. L'ispezione visiva manuale tradizionale ha gli svantaggi di bassa efficienza e un elevato tasso di rilevamento falsi, mentre i sistemi visivi possono rilevare diversi connettori al secondo con un tasso di rilevamento falso inferiore allo 0,01%, migliorando significativamente la qualità della produzione.
2, architettura hardware e selezione del sistema di ispezione visiva
1. Configurazione della fotocamera industriale e dell'obiettivo
Selezione della risoluzione: per rilevare l'offset del pin 0,1 mm, è richiesta una fotocamera con una risoluzione di 5 milioni di pixel o più. Ad esempio, le telecamere della serie ACE Basler possono ottenere una precisione di rilevamento di 0,05 mm/pixel a una risoluzione 1080p.
Parametri delle lenti: adottare una lente telecentrica per eliminare la distorsione prospettica, la distanza di lavoro è controllata nell'intervallo di 50-100 mm, garantendo che il campo visivo copra l'intero connettore.
Design della sorgente luminosa: retroilluminazione a LED circolare abbinata a luce coassiale, che può chiaramente distinguere i bordi metallici di spille e prese. L'esperimento mostra che la luce obliqua a 45 gradi può migliorare il contrasto dell'ombra alla radice del pin e migliorare il tasso di riconoscimento dei difetti.
2. Unità di elaborazione delle immagini
Sistema di visione incorporato: come la fotocamera intelligente IVP Rangerc50 malata, con costruita - nel modulo di preelaborazione FPGA, può completare il rilevamento dei bordi, la corrispondenza dei modelli e altri algoritmi in tempo reale, con una velocità di elaborazione fino a 120fps.
Sistema di base per PC: adatto per scenari di rilevamento collaborativo multipla, utilizzando Basler Pylon SDK per ottenere l'acquisizione di immagini thread di thread multi - per la ricostruzione della nuvola di punti 3D.
3, algoritmo di rilevamento core e percorso di implementazione
1. Posizionamento del jack ed estrazione del bordo
Caratteristica della direzione del gradiente di quantizzazione accumulata: generare una libreria di modelli per i contorni del connettore calcolando l'istogramma della direzione del gradiente di ciascun pixel nell'immagine. L'esperimento mostra che l'accuratezza del riconoscimento di questo metodo per i connettori M8 raggiunge il 99,7%e può ancora funzionare stabilmente anche in sfondi complessi.
Analisi dell'istogramma della linea di scansione: scansionare l'immagine del connettore lungo la direzione orizzontale/verticale e conta le posizioni dei punti di transizione in scala di grigi. Assumendo un determinato modello di connettore M8 come esempio, l'ampiezza della mutazione a livello di grigio del bordo della presa sulla linea di scansione supera i 50, il che può individuare accuratamente il centro della presa.
2. Modello di classificazione per plug - in stato
Elaborazione tradizionale delle immagini:
Misurazione dei parametri geometrici: calcolare i parametri come la deviazione della distanza centrale e l'angolo di inclinazione tra pin e prese. Ad esempio, quando l'offset del Pin Center supera 0,2 mm o l'angolo di inclinazione è maggiore di 2 gradi, viene giudicato come uno scarso inserimento.
Segmentazione della soglia della scala di grigi: l'algoritmo OTSU determina automaticamente la soglia di segmentazione tra pin e prese, rilevando difetti come pin mancanti o piegati.
Soluzioni per l'apprendimento profondo:
Rilevamento di oggetti Yolov5: addestrare il modello a riconoscere lo stato di inserimento (normale/mezza inserito/non inserito), ottenendo un valore della mappa del 98,2% su 1000 immagini annotate.
Rete di classificazione Resnet50: esegue la segmentazione dell'area di 224 × 224 pixel sulla plug - in superficie e emette il plug - a livello di qualità (eccellente/buono/scarso) dopo aver inserito nella rete, con un tasso di precisione del 97,5%.
4, ottimizzazione del processo di rilevamento negli scenari industriali
1. Rilevamento dinamico e feedback del tempo reale-
Applicazione della fotocamera ad array lineare di velocità - alta: su una linea di produzione continua, una fotocamera a array lineare viene utilizzata per scansionare il connettore a una frequenza di linea di 10kHz e compensazione del movimento del trigger con un encoder. Ad esempio, una certa linea di produzione di elettronica automobilistica ha aumentato la velocità di rilevamento a 300 connettori al minuto attraverso questa soluzione.
Controllo collaborativo PLC: il sistema visivo trasmette i risultati di rilevamento (segnali OK/NG) in tempo reale al PLC tramite protocollo TCP/IP, innescando il meccanismo di ordinamento per rimuovere i prodotti difettosi. I dati sperimentali mostrano che questo schema riduce il tasso di rilevamento mancato di prodotti difettosi dal 3% allo 0,2%.
2. Adattabilità ambientale migliorata
Progettazione anti -vibrazione: in condizioni di vibrazione, l'algoritmo di filtraggio del dominio di frequenza viene utilizzato per sopprimere la sfocatura dell'immagine causata da vibrazioni meccaniche. Ad esempio, il mantenimento del segnale di banda di frequenza 50-200Hz attraverso un filtro passa-banda può estrarre efficacemente le caratteristiche del bordo del connettore.
Tecnologia di imaging multispettrale: per scene di inquinamento come macchie di olio e polvere, combinate con la luce visibile e l'imaging a infrarossi, le funzionalità di interferenza anti - vengono estratte attraverso Principal Component Analysis (PCA). I test hanno dimostrato che questo metodo può comunque mantenere una precisione di rilevamento di oltre il 95% in ambienti fortemente inquinati.
5, casi tipici delle applicazioni e verifica delle prestazioni
1. Rilevamento del sensore articolare robot
In un certo progetto di robot industriale a sei assi, il sistema visivo rileva lo stato di inserimento del connettore M8:
Configurazione hardware: 2 5- telecamere CMOS Megapixel, abbinate a un teleobiettivo e una sorgente di luce a LED circolare.
Indicatori di test: deviazione centrale a centrale di pin inferiori o uguali a 0,15 mm, angolo di inclinazione inferiore o uguale a 1,5 gradi, errore di profondità di inserimento inferiore o uguale a 0,3 mm.
Effetto di implementazione: dopo il lancio del sistema, l'accuratezza del posizionamento del robot è migliorata a ± 0,03 mm, che è tre volte superiore al rilevamento manuale e il tasso di fallimento delle apparecchiature è diminuito dell'80%.
2. Test del nuovo sistema di gestione della batteria del veicolo energetico
In una certa linea di produzione BMS per veicoli elettrici, il sistema visivo rileva i connettori M8:
Contenuto di test: difetti come ossidazione della presa, flessione dei pin e danni allo strato di isolamento.
Ottimizzazione dell'algoritmo: U - Net Sessantic Segmentation Network viene utilizzata per eseguire la classificazione a livello di pixel sulla plug - in superficie, con una velocità di rilevamento fino a 20fps.
Dati di rendimento: il sistema raggiunge il rilevamento online al 100%, con un tasso di rilevamento perso zero e un tasso di rilevamento falso inferiore allo 0,5%, garantendo il funzionamento affidabile del sistema BMS per 5 anni.
