Equipo inteligente de detección visual de piezas industriales

Como una conocida empresa de investigación y desarrollo de equipos de Automatización inteligente de envases en el país y en el extranjero,Shanghai lujia Automation Technology co., Ltd.El servicio técnico proporciona a la industria manufacturera China una solución técnica para equipos de detección visual inteligente de piezas industriales sincronizadas con el internacional. Equipo inteligente de detección visual de piezas industrialesAplicar a¡¡ farmacia, alimentos, bebidas, productos químicos diarios, productos de salud, electrónica, electrodomésticos, productos químicos, industria automotriz y plásticos y hardware!

Detección visual inteligente de piezas industrialesEquipoEnLa tecnología de procesamiento de imágenes digitales es una industria tecnológica emergente.Se ha aplicado en sistemas de automatización, detección de piezas de automóviles e identificación inteligente. Se ha convertido en una de las soluciones importantes para la detección manual tradicional lenta y la baja eficiencia de la detección. Debido a que en la producción real, las piezas industriales tendrán muchos defectos en los detalles, es necesario seleccionar algoritmos adecuados para identificarlas y detectarlas con precisión. En este trabajo, para las piezas de la placa posterior de la Caja de absorción de energía del automóvil, se diseña el esquema general del sistema de detección de imágenes, se construye una plataforma de hardware experimental y se detalla la composición de varios dispositivos y sistemas de iluminación utilizados en el sistema de visión, y luego se calibra el sistema de cámara para completar la corrección del efecto de distorsión. Después de obtener la imagen corregida, se centraron en tecnologías clave como el preprocesamiento de la imagen, la detección de bordes y la medición de los parámetros geométricos de la pieza. En el preprocesamiento, primero se analizan las categorías de ruido de la imagen, se comparan varios algoritmos de filtrado y se encuentran los algoritmos de filtrado adecuados para la imagen de este artículo. Además, en la detección de borde de imagen, se comparan los algoritmos clásicos de detección de borde, que proporcionan la base para la extracción posterior de características. Al detectar las características básicas de la imagen, se detectan círculos y líneas rectas en la imagen, respectivamente, y se optimizan los parámetros de los resultados de la detección, lo que mejora el efecto de detección de círculos y líneas rectas. Al detectar las ranuras en la imagen, se utiliza un algoritmo de coincidencia de plantillas para identificar con precisión la posición de las ranuras. Después de la detección del tamaño de la pieza, el artículo también estudia el método de clasificación e identificación de tres situaciones: piezas intactas, piezas de soldadura y piezas de arañazos. En primer lugar, a través de la detección de borde, sobre la base de garantizar que el borde de la imagen sea claro y completo, se utiliza el algoritmo de histograma de dirección de gradiente para la extracción de características, y se utiliza la red neuronal de probabilidad y el vector vectorial para la clasificación y el reconocimiento, lo que logra buenos resultados de clasificación. Sin embargo, la dimensión del vector de características es alta y la información de extracción de características se superpone, por lo que la información clave de la imagen es difícil de aprovechar al máximo. En el artículo, se mejora el algoritmo de histograma de dirección de gradiente, se Interpola bilinealmente el algoritmo de extracción de características de histograma de dirección de gradiente, se obtiene un vector característico que puede reflejar mejor las características detalladas, y luego se identifica con redes neuronales y máquinas vectoriales de apoyo, lo que mejora la precisión de la clasificación y el reconocimiento de La imagen, al tiempo que mejora la respuesta anti - aliasing de los valores característicos. La implementación de este módulo de investigación se basa en Visual C + + y matlab, incluido el desarrollo de la interfaz del sistema visual y la compilación de algoritmos. Este artículo realiza la detección de las características de las piezas y la clasificación e identificación de diferentes tipos de piezas. Los resultados de la investigación en este artículo reflejan un cierto valor de ingeniería y, al mismo tiempo, proporcionan una cierta importancia de referencia para la aplicación de la tecnología de medición de imágenes y la clasificación e identificación de piezas.

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.