CN112528841A - 一种基于神经网络的无纸化生产用智能识别系统 - Google Patents
一种基于神经网络的无纸化生产用智能识别系统 Download PDFInfo
- Publication number
- CN112528841A CN112528841A CN202011431280.3A CN202011431280A CN112528841A CN 112528841 A CN112528841 A CN 112528841A CN 202011431280 A CN202011431280 A CN 202011431280A CN 112528841 A CN112528841 A CN 112528841A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- computer
- recognition system
- intelligent recognition
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 230000007797 corrosion Effects 0.000 abstract description 2
- 238000005260 corrosion Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007592 spray painting technique Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Architecture (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明属于数字化制造技术领域，公开了一种基于神经网络的无纸化生产用智能识别系统，包括工作平台、图像采集设备和计算机，工作平台上设有待采集区域，图像采集设备采集待采集区域的图像数据，将图像数据发送给计算机，计算机识别成功后输出与图像数据对应零件相关的BOM数据。该系统结构简单、操作便捷且不需要条形码或二维码，有效避免了因制作条形码或二维码产生的纸张和对零件的污染、腐蚀问题，实现了真正意义上的无纸化生产。制造企业在数字化转型和迈向智能化的过程中，对该系统的采用有着重大的意义，能为企业的数字化建设添砖加瓦，尤其是对离散型制造企业有着参考借鉴的作用。
Description
技术领域
本发明属于数字化制造技术领域，涉及一种用于生产装配的智能识别系统，具体涉及一种基于神经网络的无纸化生产用智能识别系统。
背景技术
随着现代通信、信息技术的发展，使得工业制造迈入数字化、智能化的时代，在制造领域产生了一系列新的变革。无纸化生产系统摈弃了传统纸质文件，通过条形码或二维码代替纸质文件，将所有相关的BOM数据集成在条形码或二维码中，生产现场通过扫码枪识别条形码或二维码，在计算机上显示相关的BOM数据。所以，无纸化生产在生产过程中不会产生、传递和保存纸质文件，很大程度地节约了纸张成本，加快了文件的传递速度，节约了对纸质文件保存的管理成本。有效保障了生产过程的可控。无纸化生产由国外引进，我国起步较晚，但该技术在我国已属成熟。
但是，条形码或二维码的制作仍是问题，当前普遍采用的方式是直接喷绘或附一张印有条形码或二维码的纸张随零件周转。因加工某些零件所使用的原材料活性较高，采用喷绘的方式会对部分零件的表面造成污染，严重的甚至会腐蚀零件，而且部分零件不规则、无平整面和尺寸过小等情况都会造成无法喷绘。采用附一张印有条形码或二维码的纸张随零件周转的方式亦存一些问题，如纸张产生破损、周转途中遗失、因液体或污渍导致条形码或二维码无法识别，而且因条形码或二维码的打印产生了纸张，没有实现真正意义上的无纸化生产。无论哪一种情况发生，都会打乱生产节奏，耽误生产进度，对企业的生产任务极为不利。
发明内容
为了解决上述问题，本发明提供了一种基于神经网络的无纸化生产用智能识别系统，结构简单、操作便捷且不需条形码或二维码。
本发明的技术方案是：
一种基于神经网络的无纸化生产用智能识别系统，包括工作平台、图像采集设备和计算机，工作平台上设有待采集区域，图像采集设备采集待采集区域的图像数据，将图像数据发送给计算机，计算机识别成功后输出与图像数据对应零件相关的BOM数据。
进一步的，工作平台为一平面，待采集区域设在工作平台的中间区域，图像采集设备设在工作平台的周边并对准待采集区域。
进一步的，图像采集设备还具有红外探测器，当红外探测器探测到待采集区域有物品放置时，自动启动休眠的计算机和图像采集设备。
进一步的，待采集区域下方设有压力传感器，压力传感器与计算机和图像采集设备连接并启动休眠的计算机和图像采集设备。
进一步的，图像采集设备有若干个。
进一步的，若干个图像采集设备分别设在工作平台各个周边，以不同的角度对准待采集区域。
进一步的，图像采集设备具有测距模块，测量放置在待采集区域上的零件尺寸参数并发送计算机识别。
进一步的，计算机内具有机器学习软件，机器学习软件是使用零件设计阶段产生的三维数学模型进行训练，对零件的特征、尺寸和形状进行学习，使系统可以识别三维数学模型的各个角度的图像，并将这些图像储存固化下来；在零件放置在待采集区域上后，图像采集设备自动采集零件的图像，并根据学习得到的各个零件各个角度图像自动匹配，识别具体零件名称，调出该零件的BOM数据。
本发明的优点是：
该系统结构简单、操作便捷且不需要条形码或二维码，有效避免了因制作条形码或二维码产生的纸张和对零件的污染、腐蚀问题，实现了真正意义上的无纸化生产。制造企业在数字化转型和迈向智能化的过程中，对该系统的采用有着重大的意义，能为企业的数字化建设添砖加瓦，尤其是对离散型制造企业有着参考借鉴的作用。
附图说明
图1为本发明一个实施例的系统示意图；
其中，1—工作平台，2—图像采集设备，1.1—待采集区域，1.2—压力传感器。
具体实施方式
本部分是本发明的实施例，用于解释和说明本发明的技术方案。
一种基于神经网络的无纸化生产用智能识别系统，包括工作平台1、图像采集设备2和计算机，工作平台1上设有待采集区域1.1，图像采集设备2采集待采集区域1.1的图像数据，将图像数据发送给计算机，计算机识别成功后输出与图像数据对应零件相关的BOM数据。
工作平台1为一平面，待采集区域1.1设在工作平台1的中间区域，图像采集设备2设在工作平台1的周边并对准待采集区域1.1。
图像采集设备2还具有红外探测器，当红外探测器探测到待采集区域1.1有物品放置时，自动启动休眠的计算机和图像采集设备2。
待采集区域1.1下方设有压力传感器1.2，压力传感器1.2与计算机和图像采集设备2连接并启动休眠的计算机和图像采集设备2。
图像采集设备2有若干个。
若干个图像采集设备2分别设在工作平台1各个周边，以不同的角度对准待采集区域1.1。
图像采集设备2具有测距模块，测量放置在待采集区域1.1上的零件尺寸参数并发送计算机识别。
计算机内具有机器学习软件，机器学习软件是使用零件设计阶段产生的三维数学模型进行训练，对零件的特征、尺寸和形状进行学习，使系统可以识别三维数学模型的各个角度的图像，并将这些图像储存固化下来；在零件放置在待采集区域1.1上后，图像采集设备2自动采集零件的图像，并根据学习得到的各个零件各个角度图像自动匹配，识别具体零件名称，调出该零件的BOM数据。
下面结合附图说明本发明另一个实施例
一种基于神经网络的无纸化生产用智能识别系统，包括工作平台1、图像采集设备2，在工作平台1的中心区域设置有待采集区域1.1，图像采集设备2连接计算机。
为了使系统能感知到有零件待识别，该基于神经网络的无纸化生产用智能识别系统的待采集区域1.1用于放置待识别的零件，待采集区域1.1下方设置有压力传感器1.2。
为了使操作便捷，该基于神经网络的无纸化生产用智能识别系统的启动与关闭由压力传感器1.2控制。
为了使系统能有效采集待识别零件的图像，该基于神经网络的无纸化生产用智能识别系统的图像采集设备2设置在工作平台1周边。
为了使系统能识别复杂的零件，该基于神经网络的无纸化生产用智能识别系统的图像采集设备2设置有一个至若干个。
为了使系统能识别出零件的尺寸，该基于神经网络的无纸化生产用智能识别系统的图像采集设备2设置有测距功能。
为了实现无纸化生产系统的真正目的，该基于神经网络的无纸化生产用智能识别系统识别成功后，在计算机上自动显示与之相关的BOM数据。
使用时，先基于神经网络使用设计阶段产生的三维数学模型进行训练，对零件的特征、尺寸和形状进行学习，使系统可以识别三维数学模型的各个角度的图像，操作者或工业机器人将待加工的零件放置在工作平台1上，以待采集区域1.1为中心，触发压力传感器1.2后系统启动，图像采集设备2开始采集待加工零件的图像，识别完成后将与该零件相关的BOM数据在计算机上显示，如生产作业文件、图纸、三维数学模型等，操作者或工业机器人按BOM数据加工零件，系统内可查看该零件加工进度。
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的无纸化生产用智能识别系统，其特征在于，包括工作平台(1)、图像采集设备(2)和计算机，工作平台(1)上设有待采集区域(1.1)，图像采集设备(2)采集待采集区域(1.1)的图像数据，将图像数据发送给计算机，计算机识别成功后输出与图像数据对应零件相关的BOM数据。
2.根据权利要求1所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的工作平台(1)为一平面，待采集区域(1.1)设在工作平台(1)的中间区域，图像采集设备(2)设在工作平台(1)的周边并对准待采集区域(1.1)。
3.根据权利要求1所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的图像采集设备(2)还具有红外探测器，当红外探测器探测到待采集区域(1.1)有物品放置时，自动启动休眠的计算机和图像采集设备(2)。
4.根据权利要求1所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的待采集区域(1.1)下方设有压力传感器(1.2)，压力传感器(1.2)与计算机和图像采集设备(2)连接并启动休眠的计算机和图像采集设备(2)。
5.根据权利要求1所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的图像采集设备(2)有若干个。
6.根据权利要求5所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的若干个图像采集设备(2)分别设在工作平台(1)各个周边，以不同的角度对准待采集区域(1.1)。
7.根据权利要求1所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的图像采集设备(2)具有测距模块，测量放置在待采集区域(1.1)上的零件尺寸参数并发送计算机识别。
8.根据权利要求1所述的一种基于神经网络的无纸化生产用智能识别系统，其特征在于，所述的计算机内具有机器学习软件，机器学习软件是使用零件设计阶段产生的三维数学模型进行训练，对零件的特征、尺寸和形状进行学习，使系统可以识别三维数学模型的各个角度的图像，并将这些图像储存固化下来；在零件放置在待采集区域(1.1)上后，图像采集设备(2)自动采集零件的图像，并根据学习得到的各个零件各个角度图像自动匹配，识别具体零件名称，调出该零件的BOM数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431280.3A CN112528841A (zh) | 2020-12-11 | 2020-12-11 | 一种基于神经网络的无纸化生产用智能识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431280.3A CN112528841A (zh) | 2020-12-11 | 2020-12-11 | 一种基于神经网络的无纸化生产用智能识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112528841A true CN112528841A (zh) | 2021-03-19 |
Family
ID=74998975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011431280.3A Pending CN112528841A (zh) | 2020-12-11 | 2020-12-11 | 一种基于神经网络的无纸化生产用智能识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528841A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703146A (zh) * | 2017-09-30 | 2018-02-16 | 北京得华机器人技术研究院有限公司 | 一种汽车零配件视觉检测系统及方法 |
| CN108229665A (zh) * | 2018-02-02 | 2018-06-29 | 上海建桥学院 | 一种以深度卷积神经网络为基础的零件分拣系统 |
| CN108491776A (zh) * | 2018-03-12 | 2018-09-04 | 青岛理工大学 | 基于像素分类的装配体零件识别方法、装置及监测系统 |
| CN108787486A (zh) * | 2018-06-05 | 2018-11-13 | 四川九哈科技股份有限公司 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
| WO2019016225A1 (en) * | 2017-07-20 | 2019-01-24 | Siemens Aktiengesellschaft | METHOD AND SYSTEM FOR DETECTING ABNORMAL STATE OF A MACHINE |
| CN110385282A (zh) * | 2019-07-10 | 2019-10-29 | 浙江大学 | 机械装配中基于深度学习的多余物视觉检测系统与方法 |
| CN111127401A (zh) * | 2019-11-29 | 2020-05-08 | 西安工程大学 | 一种基于深度学习的机器人立体视觉机械零件检测方法 |
-
2020
- 2020-12-11 CN CN202011431280.3A patent/CN112528841A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019016225A1 (en) * | 2017-07-20 | 2019-01-24 | Siemens Aktiengesellschaft | METHOD AND SYSTEM FOR DETECTING ABNORMAL STATE OF A MACHINE |
| CN107703146A (zh) * | 2017-09-30 | 2018-02-16 | 北京得华机器人技术研究院有限公司 | 一种汽车零配件视觉检测系统及方法 |
| CN108229665A (zh) * | 2018-02-02 | 2018-06-29 | 上海建桥学院 | 一种以深度卷积神经网络为基础的零件分拣系统 |
| CN108491776A (zh) * | 2018-03-12 | 2018-09-04 | 青岛理工大学 | 基于像素分类的装配体零件识别方法、装置及监测系统 |
| CN108787486A (zh) * | 2018-06-05 | 2018-11-13 | 四川九哈科技股份有限公司 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
| CN110385282A (zh) * | 2019-07-10 | 2019-10-29 | 浙江大学 | 机械装配中基于深度学习的多余物视觉检测系统与方法 |
| CN111127401A (zh) * | 2019-11-29 | 2020-05-08 | 西安工程大学 | 一种基于深度学习的机器人立体视觉机械零件检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 何晓阳等: "基于LabVIEW与BP神经网络的零件识别系统", 仪表技术与传感器, no. 01 * |
| 杨玲等: "基于BP神经网络的工业视觉检查系统研究", 哈尔滨工业大学学报, no. 06 * |
| 谢智阳等: "一种基于人工智能的零部件识别学习系统", 汽车电器, no. 08 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103612860B (zh) | 基于机器视觉的宽厚板成品库入库定位与位置识别系统 | |
| CN202924613U (zh) | 集装箱起重机高效装卸作业自动控制系统 | |
| CN101872423A (zh) | 一种生产线上运动目标追踪方法 | |
| CN110743818A (zh) | 基于视觉及深度学习的垃圾分选系统、垃圾分选方法 | |
| CN103464383A (zh) | 工业机器人分拣系统及方法 | |
| CN110342153A (zh) | 一种基于三维点云的垃圾桶识别抓取方法 | |
| CN103873539A (zh) | 一种自主式物品云管理系统 | |
| CN206039665U (zh) | 智能设备巡检系统 | |
| CN108460418B (zh) | 一种基于文字识别与语义分析的发票分类方法 | |
| CN111715559A (zh) | 一种基于机器视觉的垃圾分拣系统 | |
| CN208092786U (zh) | 一种以深度卷积神经网络为基础的零件分拣系统 | |
| CN112859885A (zh) | 一种送料机器人路径协同优化方法 | |
| CN202583831U (zh) | 基于rfid识别技术的物料高效转载装备智能控制系统 | |
| CN201828932U (zh) | 电容器外观质量检测装置 | |
| CN114029941B (zh) | 一种机器人抓取方法、装置、电子设备及计算机介质 | |
| CN112528841A (zh) | 一种基于神经网络的无纸化生产用智能识别系统 | |
| CN117381793A (zh) | 一种基于深度学习的物料智能检测视觉系统 | |
| CN104874692A (zh) | 自动化冲压线一模双件视觉对中控制系统 | |
| CN102521707A (zh) | 基于rfid的机械制造车间生产进程信息采集方法 | |
| CN112541367A (zh) | 一种基于深度学习和图像处理的多种二维码识别方法 | |
| CN103914186A (zh) | 图像定位识别系统 | |
| CN206764823U (zh) | 机器人抓取定位装置及具有其的机器人抓取系统 | |
| CN111598251A (zh) | 一种基于机器学习的cnc预测性维护系统及方法 | |
| CN106079890B (zh) | 一种基于虚拟轴传动技术的易拉罐彩印机的软件控制系统 | |
| CN211100232U (zh) | 基于视觉及深度学习的垃圾分选系统 |
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 |