基于改进Faster RCNN的零件识别方法研究

针对传统机器视觉检测识别方法受到装配零件之间相互遮挡、零件不同位姿、外部光照强度、小目标漏检影响,检测准确率不高的问题,提出了一种改进的Faster RCNN(region-based convolutional neural networks)零件识别方法。首先使用提取特征更好的ResNet101网络代替原始Faster RCNN模型中的VGG16特征提取网络;其次针对原始候选区域网络,增加2个新的锚点并重新设置候选框的纵横比,以得到15种尺寸不同的锚点;然后针对传统非极大值抑制(non-maximum suppression,NMS)方法因删除交并比大于阈值的候选框而出现漏检问题,使用Soft-NMS方法替换传统的NMS方法,从而减少密集区域漏检的情况;最后在训练模型阶段采用多尺度训练策略,降低漏检率,提高模型准确率。对零件的识别实验结果表明:改进后的Faster RCNN模型能够达到96.1%的精度,较原始模型提升了4.6%,可以满足光照较强、存在水渍干扰等较为复杂环境中零件的识别检测。

基于机器视觉的压缩机滑片计数系统设计

目的对于人工进行压缩机滑片计数烦琐的问题,基于机器视觉技术和PLC设计一种对压缩机滑片自动计数的算法和装置。方法采用工业相机及大功率LED灯设计视觉装置,并利用PLC作为流水线控制器,与视觉计算机通过TCP通信。基于图像处理技术设计自动计数算法,首先对相机采集的箱装滑片图像裁剪出感兴趣区域并进行滤波、直方图均衡化、形态学处理、自适应阈值分割来增强图像对比度;然后对图像空洞进行填充、较大的噪声斑块去除后使用thin算法对粘连紧密的滑片细化处理,通过水平投影法绘制直方图找出切割位置;最后进行连通域分析确定滑片数目,并设计用户界面显示计数结果和系统状态。结果通过现场多次测试,整体系统运行流畅,不受外界光照影响,计数准确高效。在一天内不同时间段测试,平均每次计数时间为7.6 s,准确率达到99.83%。结论投影法的应用解决了密集粘连的分割难题,该方法对环境适应性强,对滑片可稳定准确地进行自动计数,在滑片实际批量生产包装中具有明显应用优势。