для обговорення технології виявлення дефектів дозування на основі машинного зору

Зі швидким розвитком техніки управління промисловою автоматизацією та комп’ютерної техніки промислова автоматизація проникла у виробництво різних галузей. Автомати для дозування широко використовуються в промисловому виробництві, від мікросхемної промисловості, електронної промисловості, світлодіодної промисловості до загальної галузі з’єднання продуктів, ін’єкції та герметизації, усі вони відіграють важливу роль. Застосування автоматичної розливної машини не тільки для якості продукту принесло суттєве покращення, але й підвищило ефективність виробництва, може реалізувати складну ситуацію процесу дозування. Виходячи з цього, більше уваги приділяється якості дозування. Під час фактичного виробництва через низку факторів, таких як рівень процесу дозування автоматичним дозатором, температура клею тощо, виробництво клею може містити бульбашки повітря, розрив смужки клею, ширина смужки клею занадто товста або занадто тонка та інші дефекти. Тому вкрай важливо суворо контролювати якість дозування в різних ситуаціях, коли ефект з’єднання необхідно реалізувати через дозування. Покладатися на робочу силу для виявлення дефектів дозування, очевидно, нерозумно, через велике робоче навантаження, низьку ефективність, точність виявлення невисока, не може задовольнити фактичні виробничі потреби. Для вирішення вищезазначених проблем широко використовується технологія виявлення дефектів дозування на основі машинного зору, яка має такі переваги, як низька вартість, висока точність і висока швидкість.

По-перше, на основі статус-кво технології виявлення машинного зору

Машинний зір базується на загальних дослідженнях комп’ютерного зору та в той же час включає технологію освітлення джерела світла, високошвидкісне отримання зображень та інші аспекти практичного дослідження технології. У промисловості використання машинного бачення для створення повної прикладної системи промислового бачення має поєднуватися з різноманітними технологіями, які охоплюють машинобудування, датчики, оптичне зображення, керування рухом, обробку зображень та інші аспекти. На малюнку 1-1 показано загальну структуру системи машинного бачення в реальній промисловості, в основному включаючи вимірювану ціль, джерело світла, оптичну систему зображення, систему захоплення зображення, отримання та оцифрування зображень, інтелектуальний модуль обробки зображень і модуль керування рухом .

З прогресом науки і техніки швидкість розробки машинного бачення стає все швидшою і швидшою, і деякі зарубіжні науково-дослідні організації розробили багато системного програмного забезпечення машинного бачення на основі обробки зображень, наприклад MatroxImaging Library (MIL), Halcon , Matlab і бібліотека з відкритим кодом OpenCV. Завдяки своїм потужним можливостям обробки зображень ці програмні програми широко використовуються в промисловому виробництві. На даний момент існує два типи алгоритмів машинного зору, а саме алгоритми обробки цифрових зображень і алгоритми глибокого навчання на основі згорткових нейронних мереж.

(1) Метод, заснований на цифровій обробці зображень, в основному за допомогою обробки зображень та інших операцій для визначення площі клейового шару, центру маси та індивідуальної формули складності для визначення якості клейового шару. Традиційний метод, заснований на цифровій обробці зображень, має переваги простоти роботи та меншої кількості параметрів, але також має недоліки, пов’язані з об’єктивними факторами, такими як світло, погана сегментація клейового шару, погана класифікація дефектів і погана можливість узагальнення.

(2) З початком ери великих даних легкий доступ до всіх видів інформаційних ресурсів робить застосування глибокого навчання все більш широким. Особливо в згортковій нейронній мережі, після того, як зображення глибоко згорнуто та об’єднано, неявний рівень може показувати більш узагальнені та абстрактні характеристики, ніж отримані вручну, таким чином досягаючи хороших результатів у класифікації розпізнавання. Поява глибокого навчання зробила більш можливим розпізнавання дефектів дозування. Однак глибоке навчання вимагає достатньої кількості навчальних даних і потужної обчислювальної потужності, що робить його посадку та застосування в багатьох областях обмеженим, і це також безпосередньо вплине на ефективність виявлення точково дефектного клею.

По-друге, програма оптичного виявлення системи перевірки дозування

У процесі виявлення дефектів дозування безперервне та стабільне отримання інформації про зображення також є вирішальним етапом. Добре чи погано зображення для дизайну алгоритму має великий вплив на ступінь складності, тому в процесі проектуючи систему виявлення дефектів дозування, необхідно вибрати обладнання для оптичного виявлення. Як показано на малюнку 2-1, беручи до уваги клейку стрічку для прозорого клею, існують явища відбиття, тому джерело світла має бути більш рівномірним за ступенем освітлення під усіма кутами, а коаксіальне світло має високу -щільність розташування, чітке зображення, рівномірна яскравість та інші характеристики. Крім того, у вимогах щодо рівномірної яскравості освітлення в той же час, через наявність бульбашок у деяких частинах клейкої стрічки та коаксіального джерела світла від клейкої стрічки існує певна відстань, отримання зображення не може бути спостерігали за характеристиками бульбашок, тому розгляньте можливість використання смужкового джерела світла на верхній частині клейкої стрічки для опромінення, щоб можна було побачити характеристики бульбашок. Оскільки метод вертикального опромінення має переваги великої площі опромінення та хорошої рівномірності світла, коаксіальне джерело світла вибрано як метод вертикального опромінення, тоді як джерело смужкового світла вибрано як метод вертикального опромінення.

Перекладено за допомогою www.DeepL.com/Translator (безкоштовна версія)