一, demande de l'industrie pour la prise de connecteur M8 - dans la détection de statut
Les connecteurs M8 sont largement utilisés dans des champs tels que les machines d'automatisation d'usine, l'électronique automobile et le transport ferroviaire, et leur fiche - dans l'état affecte directement la stabilité du système. Par exemple, dans la connexion des capteurs de joint robot, une mauvaise insertion d'un seul connecteur peut entraîner une erreur de rétroaction de position dépassant 0,1 mm, conduisant à un mouvement incontrôlé du bras robotique. L'inspection visuelle manuelle traditionnelle présente les inconvénients d'une faible efficacité et d'un taux de faux de détection élevé, tandis que les systèmes visuels peuvent détecter plusieurs connecteurs par seconde avec un faux taux de détection inférieur à 0,01%, améliorant considérablement la qualité de la production.
2, architecture matérielle et sélection du système d'inspection visuelle
1. Configuration de la caméra et de l'objectif industrielles
Sélection de résolution: Pour détecter le décalage de la broche de 0,1 mm, une caméra avec une résolution de 5 millions de pixels ou plus est requise. Par exemple, les caméras de la série Basler ACE peuvent atteindre une précision de détection de 0,05 mm / pixel à une résolution 1080p.
Paramètres de la lentille: Adoptant une lentille télécentrique pour éliminer la distorsion de la perspective, la distance de travail est contrôlée dans la plage de 50 à 100 mm, garantissant que le champ de vision couvre toute la surface d'insertion du connecteur.
Conception de la source lumineuse: rétro-éclairage à LED circulaire associé à une lumière coaxiale, qui peut clairement distinguer les bords métalliques des épingles et des sockets. L'expérience montre que la lumière oblique à 45 degrés peut améliorer le contraste de l'ombre à la racine de la broche et améliorer le taux de reconnaissance des défauts.
2. Unité de traitement d'image
Système de vision intégré: tels que la caméra intelligente IVP RangeCer50 malade, avec le module de prétraitement FPGA construit -, peut terminer la détection des bords, la correspondance du modèle et d'autres algorithmes en temps réel, avec une vitesse de traitement allant jusqu'à 120fps.
Système de base de PC: Convient pour les scénarios de détection collaboratifs multi-caméras, en utilisant le SDK Basler Pylon pour obtenir une- acquisition d'images et de la bibliothèque Halcon pour la reconstruction du cloud Point 3D Point.
3, algorithme de détection de base et chemin d'implémentation
1. Positionnement de la prise et extraction de bord
Caractéristique de direction du gradient de quantification accumulée: Générez une bibliothèque de modèles pour les contours du connecteur en calculant l'histogramme de direction du gradient de chaque pixel dans l'image. L'expérience montre que la précision de reconnaissance de cette méthode pour les connecteurs M8 atteint 99,7%, et elle peut toujours fonctionner de manière stable même dans des arrière-plans complexes.
Analyse de l'histogramme de la ligne de balayage: scannez l'image du connecteur le long de la direction horizontale / verticale et comptez les positions des points de transition en niveaux de gris. Prenant un certain modèle de connecteur M8 à titre d'exemple, l'amplitude de mutation de niveau de gris de son bord de douille sur la ligne de balayage dépasse 50, qui peut localiser avec précision le centre de la douille.
2. Modèle de classification pour ficher - en statut
Traitement d'image traditionnel:
Mesure des paramètres géométriques: calculer les paramètres tels que l'écart de distance centrale et l'angle d'inclinaison entre les broches et les prises. Par exemple, lorsque le décalage du centre de la broche dépasse 0,2 mm ou que l'angle d'inclinaison est supérieur à 2 degrés, il est jugé mauvaise insertion.
Segmentation de seuil de niveaux de gris: l'algorithme OTSU détermine automatiquement le seuil de segmentation entre les broches et les prises, détectant des défauts tels que les broches manquantes ou pliées.
Solutions d'apprentissage en profondeur:
Détection d'objet YOLOV5: former le modèle pour reconnaître l'état de l'insertion (normal / moitié inséré / non inséré), atteignant une valeur de carte de 98,2% sur 1000 images annotées.
Réseau de classification RESNET50: effectue une segmentation de zone de 224 × 224 pixels sur la prise - en surface, et publie la fiche - en niveau de qualité (excellent / bon / pauvre) après entrée dans le réseau, avec un taux de précision de 97,5%.
4, Optimisation du processus de détection dans les scénarios industriels
1. Détection dynamique et réalité - Retour de temps
Application d'une caméra de tableau linéaire de vitesse élevé -: Sur une ligne de production continue, une caméra de réseau linéaire est utilisée pour scanner le connecteur à une fréquence de ligne de 10 kHz et déclencher une compensation de mouvement avec un encodeur. Par exemple, une certaine ligne de production électronique automobile a augmenté la vitesse de détection à 300 connecteurs par minute grâce à cette solution.
PLC Contrôle collaboratif: le système visuel transmet les résultats de détection (signaux OK / ng) en temps réel au protocole APL via TCP / IP, déclenchant le mécanisme de tri pour éliminer les produits défectueux. Les données expérimentales montrent que ce schéma réduit le taux de détection manqué des produits défectueux de 3% à 0,2%.
2. Adaptabilité environnementale améliorée
Conception anti-vibration: Dans des conditions de vibration, l'algorithme de filtrage du domaine de fréquence est utilisé pour supprimer le flou d'image causé par des vibrations mécaniques. Par exemple, conserver le signal de bande de fréquence 50-200hz à travers un filtre passe-bande peut extraire efficacement les caractéristiques du bord du connecteur.
Technologie d'imagerie multispectrale: Pour les scènes de pollution telles que les taches d'huile et la poussière, combinée à une imagerie de lumière visible et infrarouge, les caractéristiques anti-- sont extraites par analyse des composants principaux (PCA). Des tests ont montré que cette méthode peut toujours maintenir une précision de détection de plus de 95% dans des environnements fortement pollués.
5, cas de candidature typiques et vérification des performances
1. Détection du capteur d'articulation du robot
Dans un certain projet de robot industriel à six axes, le système visuel détecte l'état d'insertion du connecteur M8:
Configuration du matériel: 2 5- Cameras CMOS Megapixel, jumelé avec un téléobjectif et une source d'éclairage LED circulaire.
Indicateurs de test: déviation centrale à centrale des broches inférieures ou égales à 0,15 mm, angle d'inclinaison inférieur ou égal à 1,5 degrés, erreur de profondeur d'insertion inférieure ou égale à 0,3 mm.
Effet de mise en œuvre: après le lancement du système, la précision du positionnement du robot s'est améliorée à ± 0,03 mm, ce qui est trois fois plus élevé que la détection manuelle, et le taux de défaillance de l'équipement a diminué de 80%.
2. Test du nouveau système de gestion de la batterie des véhicules énergétiques
Dans une certaine ligne de production BMS de véhicule électrique, le système visuel détecte les connecteurs M8:
Test de contenu: défauts tels que l'oxydation de la prise, la flexion des broches et les dommages causés par la couche d'isolation.
Optimisation de l'algorithme: U - Le réseau de segmentation sémantique net est utilisé pour effectuer une classification de niveau de pixel sur la prise - dans la surface, avec une vitesse de détection allant jusqu'à 20fps.
Données de réalisation: le système atteint une détection en ligne à 100%, avec un taux de détection manqué nul et un faux taux de détection inférieur à 0,5%, garantissant le fonctionnement fiable du système BMS pendant 5 ans.
