机器人视觉智能识别与无序抓取实验系统设计

本文针对复杂汽车生产制造环境中,多种类、多目标散乱堆叠场景下的机器人抓取问题,建立对油气分离器等四种不同配件的智能识别无序抓取系统;利用Photoneo公司的3D Scanner-M面结构光传感器采集目标的三维点云数据、大族机器人Elfin-E10为机械操作手臂,设计了6D位姿估计深度学习网络模型,并利用实例分割网络将点云的前景点和背景点解耦,进而将实例聚类,生成统一的点云切片,送入后续网络进行位姿估计。实验是通过在实际精确抓装项目任务中的应用,分别在MFC和ROS-QT软件架构中搭建了基于传统点云位姿估计方法和深度网络位姿估计方法的软件平台,并在实际场景中完成了对油气分离器等工件的全过程抓取,对6D位姿估计的深度网络的有效性进行了对比实验与验证。结果表明,本文提出的位姿估计识别方法在完成对目标工件的抓取上拥有较高的成功率。

结合注意力机制和卷积神经网络的X射线焊缝缺陷检测

焊接是一种重要的连接技术,但是焊缝缺陷会直接影响焊接结构的性能和使用寿命。焊缝缺陷的种类和特征的多样性增加了缺陷检测的复杂性。首先,提出一种新颖的并行残差注意力模块,在通道和空间维度上充分利用全局平均池化和全局最大池化来捕获全局特征,并与输入特征相乘,自适应的选择缺陷特征,显著提升了网络模型的特征表达能力。其次,针对焊缝缺陷长宽比悬殊的问题,利用注意力机制指导锚框自学习图像特征,预测锚框的位置和形状,围绕缺陷区域自适应生成非均匀分布的任意形状的感兴趣区域。最后,设计了端到端的由注意力引导感知的深度学习网络模型。为验证所提模型的有效性,在包含3403张图像(其中1001张有缺陷)的X射线焊缝数据集上,通过定性的分析和定量的对比。实验结果表明:检测指标平均精度均值(mean average precision,mAP)达到了66.74%,与原算法相比提升了5.78%,平均交并比(mean intersection over union,mIoU)提升了7.21%,基本满足对焊缝缺陷的高精度检测。

数字化柔性装配生产线的建设方法与实践

面向《中国制造2025》,制造行业迎来了升级发展的机遇。汽车行业作为中国制造业的重要组成部分,其智能化转型升级至关重要。通过多年汽车零部件生产线建设经验,总结了数字化柔性装配线建设的一般过程及核心问题,即工业互联网技术的应用应结合行业特点,自主开发适合汽车零部件装配生产线的数字化软件。以某轿车底盘数字化柔性装配生产线项目为例,采用了数字化与柔性化的设计和生产线的建设同步展开的方法,对实施过程中的管理和技术问题进行了探讨,并结合项目实际需求给出了解决方案。该研究为汽车零部件企业实施智能制造升级提供较好的参考。