Équipement d'inspection visuelle intelligente pour pièces industrielles

En tant qu'entreprise de R & D d'équipement d'automatisation intelligent d'emballage bien connue à la maison et à l'étranger,Shanghai Luka Automation Technology Co., LtdLes services techniques ont fourni à l'industrie manufacturière chinoise une solution technique d'équipement d'inspection visuelle intelligente pour les composants industriels synchronisés avec l'international. Équipement d'inspection visuelle intelligente pour pièces industriellesAppliqué à: produits pharmaceutiques, aliments, boissons, produits chimiques quotidiens, produits de santé, électronique, appareils électroménagers, produits chimiques, industrie automobile, plastiques et quincaillerie!

Inspection visuelle intelligente des composants industrielsÉquipementDansLa technologie de traitement d'image numérique est une industrie technologique émergenteIl existe déjà des applications dans des domaines tels que les systèmes automatisés, la détection de pièces automobiles et l'identification intelligente. Il est devenu l'une des solutions importantes pour la détection manuelle traditionnelle lente et inefficace. Étant donné que dans la production réelle, les pièces industrielles présentent de nombreux défauts en termes de détails, il est nécessaire de choisir un algorithme approprié pour les identifier et les détecter avec précision. Cet article est destiné aux pièces de fond de boîte d'absorption d'énergie automobile, a conçu le système de détection d'image dans son ensemble, a construit une plate - forme matérielle expérimentale et a détaillé la composition de divers dispositifs et systèmes d'éclairage utilisés par le système de vision, puis a effectué l'étalonnage du système de caméra, a terminé la correction de l'effet de distorsion. Après l'acquisition de l'image corrigée, des recherches ciblées ont été menées sur des techniques clés telles que le prétraitement de l'image, la détection des bords, la mesure des paramètres géométriques de la pièce, etc. Dans le prétraitement, la catégorie de bruit de l'image a d'abord été analysée, plusieurs algorithmes de filtrage ont été comparés pour trouver celui qui convient à l'image de cet article. À son tour, dans la détection des bords d'image, les algorithmes classiques de détection des bords sont contrastés, fournissant une base pour l'extraction ultérieure des caractéristiques. Lors de la détection des caractéristiques essentielles de l'image, les cercles et les droites sont détectés séparément dans l'image et les paramètres du résultat de la détection sont optimisés, améliorant l'effet de détection des cercles et des droites. Lors de la détection des fentes dans l'image, un algorithme de correspondance de modèle a été utilisé pour identifier avec précision l'emplacement des fentes. Après avoir effectué la détection de la taille des pièces, l'article a également étudié la méthode d'identification de la classification de trois cas de pièces intactes, de pièces de soudure et de pièces rayées. Tout d'abord, grâce à la détection des bords, sur la base d'une garantie que les bords de l'image sont clairs et complets, l'extraction des caractéristiques à l'aide d'un algorithme d'histogramme de direction de gradient et l'utilisation d'un réseau de neurones probabilistes et d'une SVM pour la reconnaissance de la classification, Un bon effet de classification a été obtenu. Cependant, les dimensions des vecteurs caractéristiques sont élevées et les informations d'extraction des caractéristiques sont tellement imbriquées qu'il est difficile d'exploiter pleinement les informations clés de l'image. Dans le texte, l'algorithme d'histogramme de direction de gradient a été amélioré, l'algorithme d'extraction des caractéristiques de l'histogramme de direction de gradient a été interpolé de manière bilinéaire, ce qui a permis d'obtenir un vecteur caractéristique plus capable d'incarner les caractéristiques de détail, puis un réseau de neurones et une machine à vecteur de support pour l'identification, tout en améliorant l'efficacité anti - repliement des valeurs caractéristiques, mais aussi en améliorant la précision de la reconnaissance catégorielle de l'image. Les implémentations des modules de ce sujet sont toutes basées sur Visual C + + et MATLAB, y compris le développement d'interfaces de systèmes de vision et l'écriture d'algorithmes. Cet article met en œuvre la détection des caractéristiques des pièces, identifiées par différents types de classification des pièces. Les résultats de la recherche dans le texte reflètent une certaine valeur d'ingénierie, tout en offrant une certaine pertinence pour l'application des techniques de mesure d'image et l'identification taxonomique des pièces.

Intelligent visual inspection equipment

As a well-known packaging intelligent automation equipment research and development enterprise at home and abroad, Shanghai Lujia Automation Technology Co., Ltd. provides technical solutions for the Chinese manufacturing industry to synchronize intelligent visual inspection equipment for industrial parts. Widely used in: pharmaceutical, food, beverage, daily chemical, health care products, electronics, electrical appliances, chemicals, automotive industry and plastics and hardware industries!

Intelligent visual inspection equipment for industrial components is an emerging technology industry in digital image processing technology. It has been widely used in automation systems, automotive parts inspection and intelligent identification. It has become one of the important solutions for slow manual detection and low detection efficiency. Due to the defects in the details of industrial parts in actual production, it is necessary to use an appropriate algorithm to accurately identify and detect them. In this paper, the overall scheme of the image detection system is designed for the back part of the car energy-absorbing box. The experimental hardware platform is built, and the components of the various components and lighting systems used in the vision system are introduced in detail. Then the camera system is calibrated and completed. Correction of distortion effects. After obtaining the corrected image, key technologies such as image preprocessing, edge detection and part geometric parameter measurement were studied. In the preprocessing, the noise class of the image is first analyzed, and various filtering algorithms are compared to find the filtering algorithm suitable for the image. Furthermore, in the image edge detection, the classic edge detection algorithm is compared, which provides the basis for the subsequent feature extraction. When detecting the basic features of the image, the circles and lines in the image are detected separately, and the parameters of the detection result are optimized to improve the detection effect of the circle and the line. When detecting the slot in the image, a template matching algorithm is used to accurately identify the position of the slot. After the inspection of the part size, the classification and identification methods of the intact parts, the solder joint parts and the scratch parts were also studied. Firstly, through the edge detection, on the basis of ensuring the image edge is clear and complete, the gradient direction histogram algorithm is used for feature extraction, and the probabilistic neural network and SVM are used for classification and recognition, and a good classification effect is obtained. However, the feature vector dimension is high, and the feature extraction information is aliased, so that the key information of the image is difficult to fully utilize. In this paper, the gradient direction histogram algorithm is improved, and the gradient direction histogram feature extraction algorithm is bilinearly interpolated. The feature vector which can reflect the detailed features is obtained, and then the neural network and support vector machine are used for recognition. The anti-aliasing effect of the value also improves the accuracy of classification and recognition of images. The implementation of all modules of this topic is based on Visual C++ and MATLAB, including visual system interface development and algorithm writing. This paper realizes the detection of part features and the classification and identification of different types of parts. The research results in this paper reflect a certain engineering value, and provide some reference for the application of image measurement technology and the classification and identification of parts.