CN110728655A - 基于机器视觉的数控机床工件异常检测方法及装置 - Google Patents
基于机器视觉的数控机床工件异常检测方法及装置 Download PDFInfo
- Publication number
- CN110728655A CN110728655A CN201910844518.6A CN201910844518A CN110728655A CN 110728655 A CN110728655 A CN 110728655A CN 201910844518 A CN201910844518 A CN 201910844518A CN 110728655 A CN110728655 A CN 110728655A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- module
- machine tool
- image
- numerical control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34466—Bad circuits, watchdog, alarm, indication
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45136—Turning, lathe
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明涉及一种基于机器视觉的数控机床工件异常检测方法,属于机床加工异常检测技术领域,包括以下步骤:S1:在加工前采用机器学习算法对不同类型的工件图像数据进行训练学习;S2:加工开始后,获取工件的图像;S3:利用机器视觉分析算法对工件图像进行分析,判断工件是否出现异常;包括:利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件轮廓,进而计算工件中心位置C0、C1;计算C0、C1的欧氏距离并与异常阈值比较,判断工件是否出现异常;S4:若工件检测失败或出现工件异常,启动报警,并控制机床主轴及其它运动装置进行停机。本发明还提供一种基于机器视觉的数控机床工件异常检测装置。
Description
技术领域
本发明属于机床加工异常检测技术领域,涉及基于机器视觉的数控机床工件异常检测方法及装置。
背景技术
机床工件异常是指由于安装不平衡、工件未夹紧、废屑进入夹紧装置内部等原因,在机床加工过程中,出现工件松动、倾斜、移位、脱落飞出等现象。工件异常将直接导致产品加工质量下降、成品率变差,甚至使加工过程产生安全隐患。现有解决该问题的方法主要通过在加工前人工将夹具清扫干净、在加工过程中反复观测工件工作状况等方法,费时费力、效率低下、效果有限。
现有中国专利CN 106197889 A对数控机床进行加装气密性检测系统,通过气压数据的变化检测夹具定位平面上是否有废屑,判断工件装夹是否异常,进而确定数控机床工作台是否停机。这种方法对气压监测装置的精度要求较高,同时气密性检测系统在数控机床上安装部署有一定难度。
中国专利CN 109909800 A,通过在托盘上布置三个传感器,以工件为导线,可以检测工件是否放好、放正。因该检测装置需要以工件作为导线,当机床加工非金属工件时,该装置将难以正常工作。
近年来,在计算机技术、人工智能、图像处理技术等技术的推动下,机器视觉技术得到大力发展,影响和改变着人们的生产生活。在工业机床上,机器视觉技术目前已在机床断刀检测、主轴震动异常监控、加工定位等方面得到广泛应用,对预防安全事故和提高工作效率作出巨大贡献。
发明内容
有鉴于此,本发明的目的在于针对当前在机床加工过程中,对工件异常的检测存在自动化程度低、装置安装部署困难、系统受工件材料影响较大等问题,充分利用机器视觉技术,提供一种用于在加工过程中自动检测机床工件异常的装置及方法,解决现有技术中工件状态难以监控,特别是在无人值守情况下,难以及时发现工件异常的问题。本装置安装部署简单、不受工件材料及工件类型限制,适合在机械加工领域广泛应用。
为达到上述目的,本发明提供如下技术方案:
一方面,本发明提供一种基于机器视觉的数控机床工件异常检测方法,包括以下步骤:
S1:在加工前采用机器学习算法对不同类型的工件图像数据进行训练学习;
S2:加工开始后,获取工件的图像;
S3:利用机器视觉分析算法对工件图像进行分析,判断工件是否出现异常;
S4:若工件检测失败或出现工件异常,启动报警,并控制机床主轴及其它运动装置进行停机。
进一步,步骤S1中,所述机器学习算法为支持向量机分类器SVM、BP神经网络、卷积神经网络或其它监督学习分类器。
进一步,步骤S3包括以下步骤:
S31:机器视觉算法读取异常参数阈值TD,并对工件图像进行预处理;
S32:利用当前图像与未放置工件时图像的差分值判断工件有无,若未检测到工件,则执行S4;若检测到工件存在,执行S33;
S33:利用步骤S1中训练好的机器学习模型识别工件类别,并利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件轮廓,进而计算工件中心位置C0、C1;
其中,C0为工件初始中心位置,该值可由所有介于在工件安装完成后和机床开始加工前图像中的工件轮廓的中心位置的均值确定:
其中n表示介于工件安装完成后和机床开始加工前摄像头采集的工件图像数量,C0i表示第i张工件图像中工件轮廓的中心。
C1为工件当前中心位置,其值由各时刻工件轮廓中心位置的运动平均值确定:
其中a为学习率,C′1i为第i时刻工件轮廓的中心,C1i表示第i时刻工件的中心位置,通过调节参数a实现该均值对噪声的抑制和对工件当前中心位置的实时跟踪;
S34:工件初始中心位置C0与当前中心位置C1之间的距离代表了当前工件状态与初始正常状态之间的差异,用于判断工件是否异常,该值可由二者的欧氏距离确定:
其中,(C0x,C0y)表示C0的位置坐标,(C1x,C1y)表示C1的位置坐标。
S35:通过将欧氏距离D01与阈值TD参数进行比较,判断工件是否出现异常。
进一步,步骤S31中所述预处理包括灰度转换、降噪和增强。
另一方面,基于上述数控机床工件异常检测方法,本发明提供一种基于机器视觉的数控机床工件异常检测装置,包括机器视觉分析处理服务器,以及与所述机器视觉分析处理服务器连接的图像采集模块、报警模块和停机模块;其中:
图像采集模块:设置在数控机床工件台正上方,用于采集工件图像,并发送给机器视觉分析处理服务器;
报警模块:用于接收到报警命令后发出报警信息;
停机模块:用于接收到停机命令后对数控机床进行停机;
所述机器视觉分析处理服务器包括:
预处理模块:用于对采集到的工件图像进行灰度转换、降噪、增强处理;
工件检测模块:用于检测工件台上是否有工件,将结果发送给中央控制模块;
类型识别模块:用于对工件类型进行识别;
异常检测模块:通过计算工件的初始中心位置与当前中心位置的欧氏距离,与异常参数阈值比较,判断工件是否异常,将结果发送给中央控制模块;所述工件初始中心位置由工件安装完成后,机床开始加工前的工件中心位置的均值确定;所述工件当前中心位置,由工件各时刻中心位置的运动平均值确定;
中央控制模块:用于连接各模块,并接收工件检测模块和异常检测模块的输出结果,若工件台上未检测到工件,或工件出现异常,则向报警模块发出报警命令,并向停机模块发出停机命令。
进一步,所述工件检测模块通过当前图像与未放置工件时图像的差分值来判断工件有无。
进一步,所述类型识别模块通过支持向量机分类器识别工件类型,并利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件轮廓。
本发明能够解决现有技术中工件状态难以监控,特别是在无人值守情况下,难以及时发现工件异常的问题。本发明将产生以下有益效果:
1.该装置可确保加工过程中实时监控、实时监测工件异常情况,实现无人值守功能,进而提高加工效率和提升产品质量。
2.本装置安装部署简单、不受工件材料及工件类型限制,适合在机械加工领域广泛应用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述基于机器视觉的数控机床工件异常检测方法流程示意图;
图2为本发明所述机器视觉分析算法流程示意图;
图3为本发明所述基于机器视觉的数控机床工件异常检测装置结构示意图;
图4为圆柱体工件异常示意图;
图5为长方体工件异常示意图。
附图标记:图像采集模块1、机器视觉分析处理服务器2、报警模块3、机床主轴刀具4、工件5、工件台6。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,提供一种基于机器视觉的数控机床工件异常检测方法,包括以下步骤:
S1:在加工前采用机器学习算法对不同类型的工件图像数据进行训练学习;
S2:加工开始后,获取工件的图像;
S3:利用机器视觉分析算法对工件图像进行分析,判断工件是否出现异常;
S4:若工件检测失败或出现工件异常,启动报警,并控制机床主轴及其它运动装置进行停机。
步骤S1中,所述机器学习算法为支持向量机分类器SVM、BP神经网络、卷积神经网络或其它监督学习分类器。
如图2所示,步骤S3包括以下步骤:
S31:机器视觉算法读取异常参数阈值TD,并对工件图像进行预处理;
S32:利用当前图像与未放置工件时图像的差分值判断工件有无,若未检测到工件,则执行S4;若检测到工件存在,执行S33;
S33:利用步骤S1中训练好的机器学习模型识别工件类别,并利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件轮廓,进而计算工件中心位置C0、C1;
其中,C0为工件初始中心位置,该值可由所有介于在工件安装完成后和机床开始加工前图像中的工件轮廓的中心位置的均值确定:
其中n表示介于工件安装完成后和机床开始加工前摄像头采集的工件图像数量,C0i表示第i张工件图像中工件轮廓的中心。
C1为工件当前中心位置,其值由各时刻工件轮廓中心位置的运动平均值确定:
其中a为学习率,C′1i为第i时刻工件轮廓的中心,C1i表示第i时刻工件的中心位置,通过调节参数a实现该均值对噪声的抑制和对工件当前中心位置的实时跟踪;
S34:工件初始中心位置C0与当前中心位置C1之间的距离代表了当前工件状态与初始正常状态之间的差异,用于判断工件是否异常,该值由二者的欧氏距离确定:
其中,(C0x,C0y)表示C0的位置坐标,(C1x,C1y)表示C1的位置坐标。
S35:通过将欧氏距离D01与阈值TD参数进行比较,判断工件是否出现异常。
步骤S31中所述预处理包括灰度转换、降噪和增强。
另一方面,如图3所示,基于上述数控机床工件异常检测方法,提供一种基于机器视觉的数控机床工件5异常检测装置,包括机器视觉分析处理服务器2,以及与机器视觉分析处理服务器2连接的图像采集模块1、报警模块3和停机模块;其中:
图像采集模块1:设置在数控机床工件台6正上方,用于采集工件5图像,并发送给机器视觉分析处理服务器2;
报警模块3:用于接收到报警命令后发出报警信息;
停机模块:用于接收到停机命令后对机床主轴刀具4及其他部件进行停机;
所述机器视觉分析处理服务器2包括:
预处理模块:用于对采集到的工件5图像进行灰度转换、降噪、增强处理;
工件5检测模块:用于检测工件台6上是否有工件5,将结果发送给中央控制模块;
类型识别模块:用于对工件5类型进行识别;
异常检测模块:通过计算工件5的初始中心位置与当前中心位置的欧氏距离,与异常参数阈值比较,判断工件5是否异常,将结果发送给中央控制模块;所述工件5初始中心位置由工件5安装完成后,机床开始加工前的工件5中心位置的均值确定;所述工件5当前中心位置,由工件5各时刻中心位置的运动平均值确定;
中央控制模块:用于连接各模块,并接收工件5检测模块和异常检测模块的输出结果,若工件台6上未检测到工件5,或工件5出现异常,则向报警模块3发出报警命令,并向停机模块发出停机命令。
所述工件5检测模块通过当前图像与未放置工件5时图像的差分值来判断工件5有无。
所述类型识别模块通过支持向量机分类器识别工件5类型,并利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件5轮廓。
如图4-5所示,利用本发明的基于机器视觉的数控机床工件异常检测方法及装置,检测圆柱体工件和长方体工件的初始中心位置C0和当前中心位置C1,计算二者的欧氏距离D01,并与阈值TD比较,判断工件是否出现异常。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于机器视觉的数控机床工件异常检测方法,其特征在于:包括以下步骤:
S1:在加工前采用机器学习算法对不同类型的工件图像数据进行训练学习;
S2:加工开始后,获取工件的图像;
S3:利用机器视觉分析算法对工件图像进行分析,判断工件是否出现异常;
S4:若工件检测失败或出现工件异常,启动报警,并控制机床主轴及其它运动装置进行停机。
2.根据权利要求1所述的基于机器视觉的数控机床工件异常检测方法,其特征在于:步骤S1中,所述机器学习算法为支持向量机分类器SVM、BP神经网络、卷积神经网络或其它监督学习分类器。
3.根据权利要求1所述的基于机器视觉的数控机床工件异常检测方法,其特征在于:步骤S3包括以下步骤:
S31:机器视觉算法读取异常参数阈值TD,并对工件图像进行预处理;
S32:利用当前图像与未放置工件时图像的差分值判断工件有无,若未检测到工件,则执行S4;若检测到工件存在,执行S33;
S33:利用步骤S1中训练好的机器学习模型识别工件类别,并利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件轮廓,进而计算工件中心位置C0、C1;
其中,C0为工件初始中心位置,由所有介于在工件安装完成后和机床开始加工前图像中的工件轮廓的中心位置的均值确定:
其中n表示介于工件安装完成后和机床开始加工前摄像头采集的工件图像数量,C0i表示第i张工件图像中工件轮廓的中心;
C1为工件当前中心位置,由各时刻工件轮廓中心位置的运动平均值确定:
其中a为学习率,C′1i为第i时刻工件轮廓的中心,C1i表示第i时刻工件的中心位置,通过调节参数a实现该均值对噪声的抑制和对工件当前中心位置的实时跟踪;
S34:工件初始中心位置C0与当前中心位置C1之间的距离代表了当前工件状态与初始正常状态之间的差异,用于判断工件是否异常,该值由二者的欧氏距离确定:
其中,(C0x,C0y)表示C0的位置坐标,(C1x,C1y)表示C1的位置坐标;
S35:通过将欧氏距离D01与阈值TD参数进行比较,判断工件是否出现异常。
4.根据权利要求1所述的基于机器视觉的数控机床工件异常检测方法,其特征在于:步骤S31中所述预处理包括灰度转换、降噪和增强。
5.一种基于权利要求1-4任一所述方法的数控机床工件异常检测装置,其特征在于:包括机器视觉分析处理服务器,以及与所述机器视觉分析处理服务器连接的图像采集模块、报警模块和停机模块;其中:
图像采集模块:设置在数控机床工件台正上方,用于采集工件图像,并发送给机器视觉分析处理服务器;
报警模块:用于接收到报警命令后发出报警信息;
停机模块:用于接收到停机命令后对数控机床进行停机;
所述机器视觉分析处理服务器包括:
预处理模块:用于对采集到的工件图像进行灰度转换、降噪、增强处理;
工件检测模块:用于检测工件台上是否有工件,将结果发送给中央控制模块;
类型识别模块:用于对工件类型进行识别;
异常检测模块:通过计算工件的初始中心位置与当前中心位置的欧氏距离,与异常参数阈值比较,判断工件是否异常,将结果发送给中央控制模块;所述工件初始中心位置由工件安装完成后,机床开始加工前的工件中心位置的均值确定;所述工件当前中心位置,由工件各时刻中心位置的运动平均值确定;
中央控制模块:用于连接各模块,并接收工件检测模块和异常检测模块的输出结果,若工件台上未检测到工件,或工件出现异常,则向报警模块发出报警命令,并向停机模块发出停机命令。
6.根据权利要求5所述的数控机床工件异常检测装置,其特征在于:所述工件检测模块通过当前图像与未放置工件时图像的差分值来判断工件有无。
7.根据权利要求5所述的数控机床工件异常检测装置,其特征在于:所述类型识别模块通过支持向量机分类器识别工件类型,并利用边缘检测Canny算子、二值化处理和轮廓追踪算法,获取工件轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844518.6A CN110728655A (zh) | 2019-09-06 | 2019-09-06 | 基于机器视觉的数控机床工件异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844518.6A CN110728655A (zh) | 2019-09-06 | 2019-09-06 | 基于机器视觉的数控机床工件异常检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728655A true CN110728655A (zh) | 2020-01-24 |
Family
ID=69217905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844518.6A Pending CN110728655A (zh) | 2019-09-06 | 2019-09-06 | 基于机器视觉的数控机床工件异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728655A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111975438A (zh) * | 2020-08-21 | 2020-11-24 | 南通大学 | 基于距离传感器及机器视觉的机床急停方法及装置 |
CN114609970A (zh) * | 2020-12-08 | 2022-06-10 | 山东新松工业软件研究院股份有限公司 | 数控机床轴线运动的位置监控方法、监控装置及存储介质 |
CN114637261A (zh) * | 2022-03-07 | 2022-06-17 | 深圳市玄羽科技有限公司 | 一种基于云平台的工业制造系统及其控制方法 |
CN115657595A (zh) * | 2022-10-18 | 2023-01-31 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106647621A (zh) * | 2016-12-06 | 2017-05-10 | 深圳市玮之度科技发展有限公司 | 一种贵金属数控加工定位方法及系统 |
CN107742289A (zh) * | 2017-10-15 | 2018-02-27 | 哈尔滨理工大学 | 一种基于机器视觉回转体工件检测方法 |
CN108010074A (zh) * | 2017-10-19 | 2018-05-08 | 宁波蓝圣智能科技有限公司 | 一种基于机器视觉的工件检测方法及系统 |
CN108109154A (zh) * | 2016-11-24 | 2018-06-01 | 广州映博智能科技有限公司 | 一种工件的新型定位及数据获取方法 |
CN109040537A (zh) * | 2017-06-08 | 2018-12-18 | Juki株式会社 | 检查装置、安装装置、检查方法 |
CN109657708A (zh) * | 2018-12-05 | 2019-04-19 | 中国科学院福建物质结构研究所 | 基于图像识别-svm学习模型的工件识别装置及其方法 |
CN109671084A (zh) * | 2018-11-15 | 2019-04-23 | 华东交通大学 | 一种工件形状的测量方法 |
CN109740613A (zh) * | 2018-11-08 | 2019-05-10 | 深圳市华成工业控制有限公司 | 一种基于Feature-Shift和预测的视觉伺服控制方法 |
JP2019133426A (ja) * | 2018-01-31 | 2019-08-08 | 株式会社Uacj | 制御装置、異常検知システム、制御装置の制御方法、および制御プログラム |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
-
2019
- 2019-09-06 CN CN201910844518.6A patent/CN110728655A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109154A (zh) * | 2016-11-24 | 2018-06-01 | 广州映博智能科技有限公司 | 一种工件的新型定位及数据获取方法 |
CN106647621A (zh) * | 2016-12-06 | 2017-05-10 | 深圳市玮之度科技发展有限公司 | 一种贵金属数控加工定位方法及系统 |
CN109040537A (zh) * | 2017-06-08 | 2018-12-18 | Juki株式会社 | 检查装置、安装装置、检查方法 |
CN107742289A (zh) * | 2017-10-15 | 2018-02-27 | 哈尔滨理工大学 | 一种基于机器视觉回转体工件检测方法 |
CN108010074A (zh) * | 2017-10-19 | 2018-05-08 | 宁波蓝圣智能科技有限公司 | 一种基于机器视觉的工件检测方法及系统 |
JP2019133426A (ja) * | 2018-01-31 | 2019-08-08 | 株式会社Uacj | 制御装置、異常検知システム、制御装置の制御方法、および制御プログラム |
CN109740613A (zh) * | 2018-11-08 | 2019-05-10 | 深圳市华成工业控制有限公司 | 一种基于Feature-Shift和预测的视觉伺服控制方法 |
CN109671084A (zh) * | 2018-11-15 | 2019-04-23 | 华东交通大学 | 一种工件形状的测量方法 |
CN109657708A (zh) * | 2018-12-05 | 2019-04-19 | 中国科学院福建物质结构研究所 | 基于图像识别-svm学习模型的工件识别装置及其方法 |
CN110110760A (zh) * | 2019-04-17 | 2019-08-09 | 浙江工业大学 | 一种基于机器视觉的工件定位与识别方法 |
Non-Patent Citations (1)
Title |
---|
卢晓东 等: "《导弹制导系统原理》", 北京:国防工业出版社, pages: 167 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111975438A (zh) * | 2020-08-21 | 2020-11-24 | 南通大学 | 基于距离传感器及机器视觉的机床急停方法及装置 |
CN114609970A (zh) * | 2020-12-08 | 2022-06-10 | 山东新松工业软件研究院股份有限公司 | 数控机床轴线运动的位置监控方法、监控装置及存储介质 |
CN114609970B (zh) * | 2020-12-08 | 2023-08-11 | 山东新松工业软件研究院股份有限公司 | 数控机床轴线运动的位置监控方法、监控装置及存储介质 |
CN114637261A (zh) * | 2022-03-07 | 2022-06-17 | 深圳市玄羽科技有限公司 | 一种基于云平台的工业制造系统及其控制方法 |
CN114637261B (zh) * | 2022-03-07 | 2022-11-15 | 深圳市玄羽科技有限公司 | 一种基于云平台的工业制造系统及其控制方法 |
CN115657595A (zh) * | 2022-10-18 | 2023-01-31 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
CN115657595B (zh) * | 2022-10-18 | 2024-01-05 | 力劲精密机械(昆山)有限公司 | 一种卧式加工中心多轴协同控制方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728655A (zh) | 基于机器视觉的数控机床工件异常检测方法及装置 | |
US11741367B2 (en) | Apparatus and method for image processing to calculate likelihood of image of target object detected from input image | |
CN111347292B (zh) | 数控机床刀具状态监测及控制系统与方法 | |
US20190080446A1 (en) | System and method for automated defect detection | |
CN107084992B (zh) | 一种基于机器视觉的胶囊检测方法及系统 | |
CN112683193A (zh) | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 | |
CN111230593A (zh) | 一种基于动态图像序列的铣刀磨损量视觉测量方法 | |
CN110238556B (zh) | 焊接机器人焊接过程中焊接轨迹实时检测方法 | |
CN105631893A (zh) | 一种通过拍照检测电容安装正确与否的方法及装置 | |
CN109358067A (zh) | 基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法 | |
CN113867246A (zh) | 加工线防错系统、方法、存储介质、电子设备及生产线 | |
CN112598651A (zh) | 一种智能机器人加工生产检测系统 | |
US20220176667A1 (en) | Forming or separating device, and method for operating same | |
CN108268841A (zh) | 一种轧钢板热喷字符串识别与验证系统及方法 | |
CN109342445A (zh) | 一种abs齿圈端面缺陷检测系统及方法 | |
CN113752086A (zh) | 一种用于数控机床刀具状态检测的方法和装置 | |
CN113732558A (zh) | 机器人焊接典型质量问题在线检测方法及装置 | |
CN110852265A (zh) | 一种应用在工业流水线上的快速目标检测和定位方法 | |
CN114022441A (zh) | 一种不规则五金件的缺陷检测方法 | |
CN113139943A (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN105159248A (zh) | 一种基于机器视觉的对工业产品分类的方法 | |
CN106493610A (zh) | 一种非接触式刀片磨损的在线检测方法 | |
CN105259859B (zh) | 基于视觉设备改造塑封设备识别模拟编号方法及设备 | |
CN113012090B (zh) | 一种基于可移动摄像头的多工序工件质量检测方法及装置 | |
CN114986520B (zh) | 一种基于机器视觉的四轴并联机器人分拣系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |