基于深度学习的汽车轮毂表面缺陷检测算法研究

汽车轮毂在加工和搬运过程中难免会产生划痕和擦伤等表面缺陷,为解决传统人工检测低效、耗时、检测精度低的缺点,提出使用机器视觉技术完成轮毂表面缺陷的检测。由于轮毂的表面结构复杂,提出将视觉系统安装在机械手末端完成图像采集,并以此提出了一种基于深度学习的汽车轮毂表面缺陷检测算法,该算法首先对采集的原始图片进行分割,然后对分割的图片进行图像增强处理,增强图像的对比度和缺陷的特征,然后将处理后的图片输入已经训练好的卷积神经网络,得出最终的检测结果。实验结果表明,该算法具有很高的准确率。

基于YOLO模型的机器人电梯厅门装箱状态快速识别方法

目的针对电梯厅门柔性生产线机器人装箱后厅门状态识别问题,提出一种基于YOLO模型的电梯厅门装箱状态快速识别方法。方法采用工业相机采集装箱后厅门图像信息,并制作成样本训练集,然后将训练集输入到目标识别分类检测模型中,通过调整网络结构参数进行迭代训练。结果经过测试验证,文中提出的识别方法对装箱后厅门的状态分类识别成功率在99%以上,而且识别速度明显优于传统机器视觉处理算法。结论文中提出的厅门装箱状态快速识别方法,可有效解决工业环境中复杂多变光照因素对传统机器视觉处理算法造成的识别效率低、误判率高等问题,并能满足生产系统节拍要求。

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。