基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network,EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union,IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision,mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。

改进的EfficientDet及直方图均衡化的工件检测算法研究

针对流水线加工作业环境下工业机器人对工件检测及定位率较低,速度慢等问题,提出基于改进的EfficientDet工件检测神经网络模型。采用EfficientNet作为主干特征提取网络,利用Triplet Attention注意力机制代替原始的SE Attention机制,同时借鉴循环特征融合思想,采用Recursive-BiFPN循环特征融合网络结构。针对正负样本不均等问题,采用generalized focal loss改进原始focal loss损失函数。考虑到机械加工特定生产环境,采用直方图均衡化思想对数据进行对比度提高。最后利用工业相机建立自制数据集并进行模型训练,在复杂工业生产情况下,改进后的EfficientDet在mAP上较原始网络提高6.1%,同时速度提高到72帧/s。最后实验结果表明,该算法在生产环境下能快速准确地对工件进行定位检测,为实际生产需要提供新的解决思路。

基于小波变换的视觉工件检测技术

在小波变换的基础上 ,研制了视觉工件检测系统 ,并做了详细阐述和试验 .结果证明该系统检测速度快 ,结构简单 ,精度高 ,便于实时化处理 ,具有广泛的应用前景 .

工件检测安全裕度对质量成本的影响评价

分析了工序能力系数与实际产生的废次品率和工件检测安全裕度与检出废次品率的关系 ,在安全裕度与成本损失之间建立了量的关系 。

基于改进SSD算法的工件检测

针对自动化生产线上运动的工件检测准确度要求高,部分小工件难以检测的问题,提出一种基于SSD改进的工件目标检测算法。在SSD算法的基础上,将SSD的骨干网络VGG16替换为ResNet50,并增加输出特征层的预选框数量,其次加入特征金字塔(FPN)的算法思想,将网络中的底层特征与高层特征融合,解决了SSD算法中对底层特征提取能力不足的问题,从而改善了对小目标工件检测效果差的缺陷。研究结果表明,相比于SSD算法改进的SSD工件识别方法降低了对小目标工件的漏检率,平均准确率提高了2.5%,保证了工件检测的准确率。

基于注意机制的工件检测超分算法

在工艺加工过程中,对于工件的表面光滑程度有着极高的工艺要求,工件表面出现裂纹容易引起工件疲劳断裂,危害极大,因此检验工件的表面裂纹有着极为重要的应用价值。随着深度学习领域的不断发展,机器自动识别逐渐代替了传统的人工识别。但是,对于镀锡工件而言,由于镀锡表面对光源光照的反射极强,裂痕宽度极细,同时受到相机分辨率的限制,采集到的工件图像的分辨率不足以实现工件表面的裂纹检测。

基于AutoCAD的加工中心在线工件检测系统设计

为了解决当前加工中心在线工件检测系统检测工件所用时间长、检测结果误差大、检测效率和准确率低的问题,文章提出基于自动计算机辅助设计(Autodesk Computer Aided Design,AutoCAD)的加工中心在线工件检测系统设计方法。在AutoCAD的基础上通过光发射模块、信号接收模块、路由器和处理计算机构成加工中心在线工件检测系统的硬件部分,通过检测路径规划和图像处理实现工件的在线检测,完成加工中心在线工件检测系统的设计。实验结果表明,该方法检测时间短,准确率高,具有高效性和可行性。

用于车床和车削中心的全新超小型接触式工件检测测头

雷尼绍的全新RLP40和OLP40车床工件检测测头提供无线电或光学信号传输技术，使车削中心的工件找正和工件检测精确、简单而可靠。测头直径仅为40mm，长度为58．3mm，具有1um的单向重复性，可以减少设定时间、降低废品率并节约夹具成本，同时改善过程控制。

一种改进Faster RCNN的工件检测算法

针对在工业自动化生产过程中,光线不佳,工件尺寸较小等外在因素导致的多种工件检测精度不高以及特征提取困难的问题,提出一种改进更快速区域卷积网络(faster region with convolution neural networks,Faster RCNN)的工件检测算法。在原有网络基础上,结合自动色彩均衡算法增加图像预处理模块,改善光照不均匀问题,获得高质量图像。此外,通过增加锚点个数并修改其尺寸优化网络模型,提高网络的拟合能力。实验结果表明,该算法对多种工件的平均检测精度提高了3.6%,符合工业自动化场景要求。

基于角点和三角形内间距的多工件检测方法

针对堆叠条件下工件的视觉检测问题,该文提出了一种基于角点特征信息的三角形内间距(Triangular Centroid Distances,TCDs)描述子。首先,对目标局部轮廓角点和方向进行检测;然后,基于检测到的角点和方向信息在模板轮廓上生成疑似轮廓段;最后,对目标轮廓和模板上的疑似轮廓段提取改进后的描述子特征矩阵,并计算目标轮廓矩阵与各疑似轮廓特征矩阵之间的距离,其中距离最小的疑似轮廓段即为目标轮廓段在模板轮廓段上的匹配结果。实验结果表明,在相同取样点的情况下,所提出的算法不仅识别准确率优于传统三角形内间距算法,而且计算效率也大幅提升。

高效装配的质量守护者——堡盟OX200多功能轮廓传感器在装配工件检测中的应用

当质检员每天需要检查成千上万个零件时,有时就会对缺陷"视若无睹",但机器人永远不会。在大多数的离散制造行业,装配几乎是所有产品生产的必要工艺,也是控制成本和质量的关键环节之一,在制造领域占有重要地位。为了提升装配效率、装配质量和降低成本,越来越多的装配机器人得以应用。

高效装配的质量守护者——堡盟OX200多功能轮廓传感器在装配工件检测中的应用

当质检员每天需要检查成千上万个零件时,有时就会对缺陷“视若无睹”,但机器人永远不会。在大多数的离散制造行业,装配几乎是所有产品生产的必要工艺,也是控制成本和质量的关键环节之一,在制造领域占有重要地位。为了提升装配效率、装配质量和降低成本,越来越多的装配机器人得以应用。

雷尼绍全新超小型接触式工件检测测头

雷尼绍的全新RLP40和HOLP40车床工件检测测头提供无线电或光学信号传输技术，使车削中心的工件找正和工件检测精确、简单而可靠。测头直径仅为40mm，长度为58．3mm，具有1μm的单向重复性，可以减少设定时间、降低废品率并节约夹具成本，同时改善过程控制。

利用Compton散射进行工件检测的探讨

以 Compton散射法这一新型的无损检测技术为对象 ,介绍了其具体意义及发展现状 ,从 Compton散射法检测的数学模型出发 ,针对 Compton散射法检测的实用化问题 ,从结构设计角度进行了分析 ,对结构几何参数、物体吸收系数等的影响进行了讨论 ,给出了提高测量分辨力的参数优化设计 ,并对实际应用中提高检测效率的问题进行了讨论 。

基于ViBe的高光背景下工件目标检测

针对工业制造中人工检测工件目标效率低的问题,提出了一种基于ViBe的高光背景下工件目标检测方法,称为BViBe。首先利用双边滤波法去除工件高光区域,接着为每个像素建立一个存储当前位置或相邻位置像素值的集合,最后将当前像素值与该集合中的像素值进行比较,判断像素是否属于背景,并通过随机选择背景模型中的像素值更新模型,该方法只需单个视频帧便可完成初始化,极大地提高了检测效率。实验结果表明,B-ViBe有效解决了工件检测因高光所产生的影响,在检测准确性和视觉效果方面都优于另外3种比较算法,能够为工业制造中的工件目标识别和跟踪提供良好基础。

一种面向机器人分拣的杂乱工件视觉检测识别方法

为了从输送带上杂乱工件中分拣出符合规格的目标工件,提出了一种基于多帧工件图像聚合分割的检测识别方法。该方法首先通过工业高精度相机获取工件图像,由改进的分水岭算法分割工件图像;然后基于工件外观形状特征,利用分类回归树(CART)对分割出来的工件图像进行类型识别;进而应用直方图反投影和核密度估计,将来自多个帧的同一个跟踪目标工件对象掩模组合成一个精细掩模,便于精确测量出工件尺寸;最后再联合机器人手眼标定参数,获取符合规格目标工件的位姿,实现机器人分拣。实验结果表明,该方法可快速从输送带上杂乱工件中准确分拣目标工件,具备良好的实用性和稳定性。

激光扫描在工件表面检测中的应用方法

为了获取磨削工件表面特征信息,提出一种基于激光扫描的磨削工件表面检测方法。利用机械臂带动激光传感器扫描放置在激光测量平面中的磨削工件,从而获得工件在激光测量平面中的三维坐标信息,通过相邻2个扫描点之间的高度变化求出工件边界点的三维坐标信息,结合 x轴和y 轴坐标的极值点利用最小二乘法拟合出工件边界在激光测量平面中的解析式,进一步求出附着在工件上的坐标系相对于激光测量坐标系的位姿,最后利用工件在激光测量坐标系中的位置矢量信息得出其表面特征信息。实验结果表明,利用该方法对工件表面进行检测,得到工件表面检测误差为0.11 mm,检测平均时间在1 s内,满足工件表面特征检测要求。

基于卷积神经网络多特征融合的工件识别与检测

针对工业自动化场景中工件识别与检测精度不够高、特征提取困难、多工件定位困难等问题,提出一种基于卷积神经网络多特征融合的工件检测算法。工件检测算法是在一种单次目标检测器算法基础上,新增了特征融合结构,将图像深层信息与浅层信息融合而得以改进,由基础网络、自定义网络、特征融合结构和检测网络四部分构成。实验测试表明,对于200个不同工件组成的图像数据集检测的平均精度达99.2%,优于改进前的96.3%,单张图片检测时间为0.026s,基本符合工业自动化场景中的实时性要求。

基于改进Canny算法的工件边缘检测方法

为了使区域模板匹配定位能够更准确地进行,需要机器视觉精准地检测出工件边缘信息,同时消除噪声、伪边缘等无关信息的干扰。针对采用Canny算法进行边缘检测时图像平滑处理过度、阈值需要预先确定、对无关信息消除能力较弱等缺点,提出一种基于改进Canny算法的工件边缘检测方法。采用双边滤波方法处理图像,以有效去除噪声并保留边缘信息;增加45°与135°方向的梯度模板计算梯度幅值,使更多的边缘信息能够检测出来;运用最大类间方差法来确定Canny算法的高阈值,使边缘检测算法具有较强的自适应能力。实验结果表明,改进的算法能够准确地检测到真实边缘,具备较强的自适应性,特别是对存在划痕的工件进行边缘检测时,此方法能够消除划痕干扰,其检测效果优于传统Canny算法。