Оборудование для интеллектуального визуального контроля промышленных деталей

Как известная отечественная и зарубежная компания по разработке интеллектуального оборудования автоматизации упаковки,Шанхайская компания по автоматизации брониТехнологические услуги для китайской обрабатывающей промышленности предоставляют технологические решения для оборудования интеллектуального визуального обнаружения промышленных компонентов, которые синхронизированы с международными. Оборудование для интеллектуального визуального контроля промышленных деталейПрименяется к:: Фармацевтика, продукты питания, напитки, япония, товары для здоровья, электроника, электротехника, химическая промышленность, автомобильная промышленность и пластмассы и металлы и другие основные отрасли промышленности!

Интеллектуальный визуальный контроль промышленных деталейОборудованиеВЦифровая обработка изображений - это новая технологическая отрасль.Он уже применяется в таких областях, как автоматизированные системы, обнаружение автомобильных деталей и интеллектуальная идентификация. Это стало одним из важных решений для медленного и неэффективного обнаружения традиционными вручную. Поскольку в реальном производстве промышленные детали будут иметь много недостатков в деталях, необходимо выбрать подходящий алгоритм для их точной идентификации и обнаружения. Эта статья предназначена для деталей задней панели всасывающей коробки автомобиля, спроектирована общая схема системы обнаружения изображений, создана экспериментальная аппаратная платформа и подробно описывает состав различных устройств и систем освещения, используемых визуальной системой, а затем калибрует систему камеры, чтобы завершить коррекцию искаженного эффекта. После получения исправленных изображений были проведены ключевые исследования по таким ключевым технологиям, как предварительная обработка изображений, обнаружение краев и измерение геометрических параметров деталей. В предварительной обработке сначала анализируются категории шума изображения, сравниваются различные алгоритмы фильтрации, чтобы найти алгоритмы фильтрации, подходящие для этого изображения. Далее, в обнаружении края изображения сравнивается классический алгоритм обнаружения края, который обеспечивает основу для последующей извлечения характеристик. При обнаружении основных характеристик изображения, соответственно, обнаруживаются круги и прямые на изображении, а параметры результатов оптимизированы, что повышает эффективность обнаружения окружностей и прямых. При обнаружении канавок на изображении используется алгоритм соответствия шаблонов для точного определения местоположения канавок. После проверки размера деталей в статье также изучаются три способа классификации и идентификации неповрежденных деталей, деталей точки сварки и царапин деталей. Во - первых, благодаря обнаружению края, на основе обеспечения ясности и полноты края изображения, извлечение характеристик с использованием алгоритма гистограммы градиентного направления и классификационное распознавание с использованием вероятностных нейронных сетей и SVM достигли хороших результатов классификации. Тем не менее, характеристические векторные измерения выше, и информация извлечения характеристик смешивается, что затрудняет полное использование ключевой информации изображения. В статье улучшен алгоритм гистограммы направления градиента, алгоритм извлечения характеристик гистограммы направления градиента для билинейной интерполяции, получил характеристический вектор, который лучше отражает характеристики деталей, а затем идентифицировался с помощью нейронной сети и поддерживающей векторной машины, одновременно улучшая резистентность к смешиванию характеристик, а также улучшая точность идентификации классификации изображения. Реализация модуля темы основана на Visual C + + и MATLAB, включая разработку интерфейса визуальной системы и написание алгоритмов. Эта статья реализует обнаружение характеристик деталей и идентификацию с различными типами деталей. Результаты исследования в этой статье отражают определенную инженерную ценность и в то же время дают определенную ссылку на применение технологии измерения изображений и классификацию и идентификацию деталей.

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.