CN112883842B - 基于零件与光源相互匹配的摩托车发动机装配方法与系统 - Google Patents

基于零件与光源相互匹配的摩托车发动机装配方法与系统 Download PDF

Info

Publication number
CN112883842B
CN112883842B CN202110141471.4A CN202110141471A CN112883842B CN 112883842 B CN112883842 B CN 112883842B CN 202110141471 A CN202110141471 A CN 202110141471A CN 112883842 B CN112883842 B CN 112883842B
Authority
CN
China
Prior art keywords
parts
illumination
light source
different
information
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.)
Active
Application number
CN202110141471.4A
Other languages
English (en)
Other versions
CN112883842A (zh
Inventor
邬君
邱建忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Machinery Research And Design Institute Group Co ltd
Original Assignee
Sichuan Machinery Research And Design Institute Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Machinery Research And Design Institute Group Co ltd filed Critical Sichuan Machinery Research And Design Institute Group Co ltd
Priority to CN202110141471.4A priority Critical patent/CN112883842B/zh
Publication of CN112883842A publication Critical patent/CN112883842A/zh
Application granted granted Critical
Publication of CN112883842B publication Critical patent/CN112883842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
    • H04N13/10—Processing, recording or transmission of stereoscopic or multi-view image signals
    • H04N13/106—Processing image signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Automatic Assembly (AREA)

Abstract

本发明提供了基于零件与光源相互匹配的摩托车发动机装配方法与系统,其通过对不同零件的图像进行分析以确定不同零件各自的外形信息并进行分类，并且对利用不同颜色或者不同形状尺寸的光源对零件进行照明以得到相应的反射光分布信息，在利用预设卷积神经网络模型，确定每个零件在装配过程中的最佳照明条件，以此调整在当前装配过程中对实际装配零件进行照明的照明参数，这样能够预先确定不同零件的最优装配照明场景并在实际装配过程中快速地选择调整光源照明参数，从而提高摩托车发动机装配的可靠性和效率。

Description

基于零件与光源相互匹配的摩托车发动机装配方法与系统
技术领域
本发明涉及自动化与数字化工业生产的技术领域，尤其涉及基于零件与光源相互匹配的摩托车发动机装配方法与系统。
背景技术
摩托车发动机的装配涉及多种不同类型的零件，并且在装配过程中需要利用不同的装配工具来将不同零件相互组装在一起。由于不同零件具有不同的表面颜色、形状和尺寸，若在整个装配过程中均采用单一形式的光源对不同零件进行照明，会不可避免产生照明阴影或者照明不均匀的情况，从而严重地影响摩托车发动机不同零件的装配准确性和装配效率。为了改善在装配过程中对不同零件的照明性能，现有技术需要在每次装配不同零件时提前调整光源的照明参数，这不仅需要花费大量的时间进行光源调整，同时也不能保证调整后的光源能够完全匹配当前装配的零件的照明需求，从而大大降低摩托车发动机装配的可靠性和效率。
发明内容
针对上述现有技术存在的缺陷，本发明提供基于零件与光源相互匹配的摩托车发动机装配方法与系统，其通过对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对该零件图像进行分析，从而获得不同零件各自的外形信息，再根据该外形信息，对所有零件进行分类，接着利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息，并且利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件，最后确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数；可见，该基于零件与光源相互匹配的摩托车发动机装配方法与系统通过对不同零件的图像进行分析以确定不同零件各自的外形信息并进行分类，并且对利用不同颜色或者不同形状尺寸的光源对零件进行照明以得到相应的反射光分布信息，在利用预设卷积神经网络模型，确定每个零件在装配过程中的最佳照明条件，以此调整在当前装配过程中对实际装配零件进行照明的照明参数，这样能够预先确定不同零件的最优装配照明场景并在实际装配过程中快速地选择调整光源照明参数，从而提高摩托车发动机装配的可靠性和效率。
本发明提供基于零件与光源相互匹配的摩托车发动机装配方法，其特征在于，其包括如下步骤：
步骤S1，对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对所述零件图像进行分析，从而获得不同零件各自的外形信息；再根据所述外形信息，对所有零件进行分类；
步骤S2，利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息；
步骤S3，利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件；
步骤S4，确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数；
进一步，在所述步骤S1中，对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对所述零件图像进行分析，从而获得不同零件各自的外形信息；再根据所述外形信息，对所有零件进行分类具体包括：
步骤S101，对所述摩托车发动机的零件逐一进行双目拍摄，以此获得每个零件各自的双目图像，并对所述双目图像进行图像背景噪声降噪处理；
步骤S102，确定降噪处理后的所述双目图像的双目图像视差，再根据所述双目图像视差，生成所述零件对应的三维图像；
步骤S103，对所述三维图像进行分析，以此确定所述零件对应的表面颜色、尺寸和形状，以此作为所述外形信息；再根据所述外形信息，将每个零件进行关于表面颜色类型、尺寸大小和形状规则与否的分类处理；
进一步，在所述步骤S2中，利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息具体包括：
步骤S201，利用红色、蓝色或白色的光源，或者，环形、线状或面状的光源，或者，不同尺寸的光源，对分类后的零件进行照明；
步骤S202，从相对于所述零件的多个不同方位角上，分别采集零件表面对来自所述光源的光线进行反射后形成的反射光线；
步骤S203，对采集得到的反射光线进行分析，从而确定所述反射光线对应的随不同方位角的反射光光强分布变化信息；
进一步，在所述步骤S3中，利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件具体包括：
步骤S301，利用所述外形信息和所述反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，以此确定具有不同外形信息的零件在何种颜色或者何种形状尺寸的光源照射下，其对应的反射光光强分布处于光强均匀分布状态，再根据所述确定的结果，构建相应的发动机零件-照明光源匹配库；
步骤S302，采用枚举法，对所述发动机零件-照明光源匹配库中每一个零件对应的照明光源进行光源照明参数的校验，从而逐一确定每个零件在装配过程中的最佳照明条件；
进一步，在所述步骤S4中，确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数具体包括：
步骤S401，对当前装配过程中对应的实际装配零件进行图像拍摄验证，以此所述实际装配零件对应的实际外形信息；
步骤S402，根据所述实际外形信息，从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；
步骤S403，根据所述最佳照明条件，调整在当前装配过程中对所述实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者。
本发明还提供基于零件与光源相互匹配的摩托车发动机装配系统，其特征在于，其包括零件拍摄模块、零件分类模块、零件表面光反射状态确定模块、最佳照明条件确定模块、照明参数调整模块；其中，
所述零件拍摄模块用于对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；
所述零件分类模块用于对所述零件图像进行分析，从而获得不同零件各自的外形信息，再根据所述外形信息，对所有零件进行分类；
所述零件表面光反射状态确定模块用于利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息；
所述最佳照明条件确定模块用于利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件；
所述照明参数调整模块用于确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数；
进一步，所述零件拍摄模块对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像具体包括：
对所述摩托车发动机的零件逐一进行双目拍摄，以此获得每个零件各自的双目图像，并对所述双目图像进行图像背景噪声降噪处理；
以及，
所述零件分类模块对所述零件图像进行分析，从而获得不同零件各自的外形信息，再根据所述外形信息，对所有零件进行分类具体包括：
确定降噪处理后的所述双目图像的双目图像视差，再根据所述双目图像视差，生成所述零件对应的三维图像；
接着对所述三维图像进行分析，以此确定所述零件对应的表面颜色、尺寸和形状，以此作为所述外形信息；再根据所述外形信息，将每个零件进行关于表面颜色类型、尺寸大小和形状规则与否的分类处理
进一步，所述零件表面光反射状态确定模块利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息具体包括：
利用红色、蓝色或白色的光源，或者，环形、线状或面状的光源，或者，不同尺寸的光源，对分类后的零件进行照明；
接着从相对于所述零件的多个不同方位角上，分别采集零件表面对来自所述光源的光线进行反射后形成的反射光线；
最后对采集得到的反射光线进行分析，从而确定所述反射光线对应的随不同方位角的反射光光强分布变化信息；
进一步，所述最佳照明条件确定模块利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件具体包括：
利用所述外形信息和所述反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，以此确定具有不同外形信息的零件在何种颜色或者何种形状尺寸的光源照射下，其对应的反射光光强分布处于光强均匀分布状态，再根据所述确定的结果，构建相应的发动机零件-照明光源匹配库；
接着采用枚举法，对所述发动机零件-照明光源匹配库中每一个零件对应的照明光源进行光源照明参数的校验，从而逐一确定每个零件在装配过程中的最佳照明条件；
进一步，所述照明参数调整模块确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数具体包括：
对当前装配过程中对应的实际装配零件进行图像拍摄验证，以此所述实际装配零件对应的实际外形信息；
接着根据所述实际外形信息，从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；
最后根据所述最佳照明条件，调整在当前装配过程中对所述实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者。
相比于现有技术，本发明的基于零件与光源相互匹配的摩托车发动机装配方法与系统通过对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对该零件图像进行分析，从而获得不同零件各自的外形信息，再根据该外形信息，对所有零件进行分类，接着利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息，并且利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件，最后确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数；可见，该基于零件与光源相互匹配的摩托车发动机装配方法与系统通过对不同零件的图像进行分析以确定不同零件各自的外形信息并进行分类，并且对利用不同颜色或者不同形状尺寸的光源对零件进行照明以得到相应的反射光分布信息，在利用预设卷积神经网络模型，确定每个零件在装配过程中的最佳照明条件，以此调整在当前装配过程中对实际装配零件进行照明的照明参数，这样能够预先确定不同零件的最优装配照明场景并在实际装配过程中快速地选择调整光源照明参数，从而提高摩托车发动机装配的可靠性和效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于零件与光源相互匹配的摩托车发动机装配方法的流程示意图。
图2为本发明提供的基于零件与光源相互匹配的摩托车发动机装配系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明提供的基于零件与光源相互匹配的摩托车发动机装配方法的流程示意图。该基于零件与光源相互匹配的摩托车发动机装配方法包括如下步骤：
步骤S1，对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对该零件图像进行分析，从而获得不同零件各自的外形信息；再根据该外形信息，对所有零件进行分类；
步骤S2，利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息；
步骤S3，利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件；
步骤S4，确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数。
上述技术方案的有益效果为：该基于零件与光源相互匹配的摩托车发动机装配方法通过对不同零件的图像进行分析以确定不同零件各自的外形信息并进行分类，并且对利用不同颜色或者不同形状尺寸的光源对零件进行照明以得到相应的反射光分布信息，在利用预设卷积神经网络模型，确定每个零件在装配过程中的最佳照明条件，以此调整在当前装配过程中对实际装配零件进行照明的照明参数，这样能够预先确定不同零件的最优装配照明场景并在实际装配过程中快速地选择调整光源照明参数，从而提高摩托车发动机装配的可靠性和效率。
优选地，在该步骤S1中，对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对该零件图像进行分析，从而获得不同零件各自的外形信息；再根据该外形信息，对所有零件进行分类具体包括：
步骤S101，对该摩托车发动机的零件逐一进行双目拍摄，以此获得每个零件各自的双目图像，并对该双目图像进行图像背景噪声降噪处理；
步骤S102，确定降噪处理后的该双目图像的双目图像视差，再根据该双目图像视差，生成该零件对应的三维图像；
步骤S103，对该三维图像进行分析，以此确定该零件对应的表面颜色、尺寸和形状，以此作为该外形信息；再根据该外形信息，将每个零件进行关于表面颜色类型、尺寸大小和形状规则与否的分类处理。
上述技术方案的有益效果为：由于摩托车发送机装配过程中使用的零件数量并不是很多，对摩托车发动机的零件进行双目拍摄，能够对所有零件的外形信息进行逐一的分析确定，从而提高对所有零件外形分析的全面性。此外，通过双目拍摄的方式生成每个零件对应的三维图像，能够准确地和快速地确定每个零件各自的表面颜色、尺寸大小和形状规则与否的外形信息，从而便于后续对不同零件进行细化的分类。
优选地，在该步骤S2中，利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息具体包括：
步骤S201，利用红色、蓝色或白色的光源，或者，环形、线状或面状的光源，或者，不同尺寸的光源，对分类后的零件进行照明；
步骤S202，从相对于该零件的多个不同方位角上，分别采集零件表面对来自该光源的光线进行反射后形成的反射光线；
步骤S203，对采集得到的反射光线进行分析，从而确定该反射光线对应的随不同方位角的反射光光强分布变化信息。
上述技术方案的有益效果为：当光源发出的光线颜色不同或者光源的形状/尺寸不同而导致光源的发光面积不同，这些都会影响来自光源的光线被零件表面反射后形成的反射光光强分布信息，反射光线对应光强分布均匀性会直接影响对零件进行装配过程中的视觉清晰度，因此通过该反射光线对应的随不同方位角的反射光光强分布变化信息，能够便于准确地不同光源对零件的照射匹配性。
优选地，在该步骤S3中，利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件具体包括：
步骤S301，利用该外形信息和该反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，以此确定具有不同外形信息的零件在何种颜色或者何种形状尺寸的光源照射下，其对应的反射光光强分布处于光强均匀分布状态，再根据该确定的结果，构建相应的发动机零件-照明光源匹配库；
步骤S302，采用枚举法，对该发动机零件-照明光源匹配库中每一个零件对应的照明光源进行光源照明参数的校验，从而逐一确定每个零件在装配过程中的最佳照明条件。
上述技术方案的有益效果为：利用该外形信息和该反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，能够准确地和快速地确定每个零件自身对应适合的照明光源。由于摩托车发动机包含的零件数量有限，这能够便于采用枚举法对每一个零件对应的照明光源进行光源照明参数的校验，从而便于对所有零件进行逐一的分析以此确定其对应的在装配过程中的最佳照明条件。
优选地，在该步骤S4中，确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数具体包括：
步骤S401，对当前装配过程中对应的实际装配零件进行图像拍摄验证，以此该实际装配零件对应的实际外形信息；
步骤S402，根据该实际外形信息，从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；
步骤S403，根据该最佳照明条件，调整在当前装配过程中对该实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者。
上述技术方案的有益效果为：通过对当前装配过程中对应的实际装配零件进行图像拍摄验证后得到对应的实际外形信息，再以该实际外形信息为依据从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件，最后以该最佳照明条件为标准，调整在当前装配过程中对该实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者，这样能够在确定零件的类型后能够自动地调整相应的照明参数，从而有效地避免在装配不同零件时重新手动调整光源的照明参数以及最大限度地提高摩托车发动机装配的可靠性和效率。
参阅图2，为本发明提供的基于零件与光源相互匹配的摩托车发动机装配系统的结构示意图。该基于零件与光源相互匹配的摩托车发动机装配系统包括零件拍摄模块、零件分类模块、零件表面光反射状态确定模块、最佳照明条件确定模块、照明参数调整模块；其中，
该零件拍摄模块用于对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；
该零件分类模块用于对该零件图像进行分析，从而获得不同零件各自的外形信息，再根据该外形信息，对所有零件进行分类；
该零件表面光反射状态确定模块用于利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息；
该最佳照明条件确定模块用于利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件；
该照明参数调整模块用于确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数。
上述技术方案的有益效果为：该基于零件与光源相互匹配的摩托车发动机装配系统通过对不同零件的图像进行分析以确定不同零件各自的外形信息并进行分类，并且对利用不同颜色或者不同形状尺寸的光源对零件进行照明以得到相应的反射光分布信息，在利用预设卷积神经网络模型，确定每个零件在装配过程中的最佳照明条件，以此调整在当前装配过程中对实际装配零件进行照明的照明参数，这样能够预先确定不同零件的最优装配照明场景并在实际装配过程中快速地选择调整光源照明参数，从而提高摩托车发动机装配的可靠性和效率。
优选地，该零件拍摄模块对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像具体包括：
对该摩托车发动机的零件逐一进行双目拍摄，以此获得每个零件各自的双目图像，并对该双目图像进行图像背景噪声降噪处理；
以及，
该零件分类模块对该零件图像进行分析，从而获得不同零件各自的外形信息，再根据该外形信息，对所有零件进行分类具体包括：
确定降噪处理后的该双目图像的双目图像视差，再根据该双目图像视差，生成该零件对应的三维图像；
接着对该三维图像进行分析，以此确定该零件对应的表面颜色、尺寸和形状，以此作为该外形信息；再根据该外形信息，将每个零件进行关于表面颜色类型、尺寸大小和形状规则与否的分类处理。
上述技术方案的有益效果为：由于摩托车发送机装配过程中使用的零件数量并不是很多，对摩托车发动机的零件进行双目拍摄，能够对所有零件的外形信息进行逐一的分析确定，从而提高对所有零件外形分析的全面性。此外，通过双目拍摄的方式生成每个零件对应的三维图像，能够准确地和快速地确定每个零件各自的表面颜色、尺寸大小和形状规则与否的外形信息，从而便于后续对不同零件进行细化的分类。
优选地，该零件表面光反射状态确定模块利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息具体包括：
利用红色、蓝色或白色的光源，或者，环形、线状或面状的光源，或者，不同尺寸的光源，对分类后的零件进行照明；
接着从相对于该零件的多个不同方位角上，分别采集零件表面对来自该光源的光线进行反射后形成的反射光线；
最后对采集得到的反射光线进行分析，从而确定该反射光线对应的随不同方位角的反射光光强分布变化信息。
上述技术方案的有益效果为：当光源发出的光线颜色不同或者光源的形状/尺寸不同而导致光源的发光面积不同，这些都会影响来自光源的光线被零件表面反射后形成的反射光光强分布信息，反射光线对应光强分布均匀性会直接影响对零件进行装配过程中的视觉清晰度，因此通过该反射光线对应的随不同方位角的反射光光强分布变化信息，能够便于准确地不同光源对零件的照射匹配性。
优选地，该最佳照明条件确定模块利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件具体包括：
利用该外形信息和该反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，以此确定具有不同外形信息的零件在何种颜色或者何种形状尺寸的光源照射下，其对应的反射光光强分布处于光强均匀分布状态，再根据该确定的结果，构建相应的发动机零件-照明光源匹配库；
接着采用枚举法，对该发动机零件-照明光源匹配库中每一个零件对应的照明光源进行光源照明参数的校验，从而逐一确定每个零件在装配过程中的最佳照明条件。
上述技术方案的有益效果为：利用该外形信息和该反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，能够准确地和快速地确定每个零件自身对应适合的照明光源。由于摩托车发动机包含的零件数量有限，这能够便于采用枚举法对每一个零件对应的照明光源进行光源照明参数的校验，从而便于对所有零件进行逐一的分析以此确定其对应的在装配过程中的最佳照明条件。
优选地，该照明参数调整模块确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数具体包括：
对当前装配过程中对应的实际装配零件进行图像拍摄验证，以此该实际装配零件对应的实际外形信息；
接着根据该实际外形信息，从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；
最后根据该最佳照明条件，调整在当前装配过程中对该实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者。
上述技术方案的有益效果为：通过对当前装配过程中对应的实际装配零件进行图像拍摄验证后得到对应的实际外形信息，再以该实际外形信息为依据从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件，最后以该最佳照明条件为标准，调整在当前装配过程中对该实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者，这样能够在确定零件的类型后能够自动地调整相应的照明参数，从而有效地避免在装配不同零件时重新手动调整光源的照明参数以及最大限度地提高摩托车发动机装配的可靠性和效率。
从上述实施例的内容可知，该基于零件与光源相互匹配的摩托车发动机装配方法与系统通过对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对该零件图像进行分析，从而获得不同零件各自的外形信息，再根据该外形信息，对所有零件进行分类，接着利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自该光源的光线的反射光分布信息，并且利用该外形信息和该反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件，最后确定当前装配过程对应的实际装配零件，以此从该发动机零件-照明光源匹配库中确定该实际装配零件对应的最佳照明条件；再根据该最佳照明条件，调整在当前装配过程中对该实际装配零件进行照明的照明参数；可见，该基于零件与光源相互匹配的摩托车发动机装配方法与系统通过对不同零件的图像进行分析以确定不同零件各自的外形信息并进行分类，并且对利用不同颜色或者不同形状尺寸的光源对零件进行照明以得到相应的反射光分布信息，在利用预设卷积神经网络模型，确定每个零件在装配过程中的最佳照明条件，以此调整在当前装配过程中对实际装配零件进行照明的照明参数，这样能够预先确定不同零件的最优装配照明场景并在实际装配过程中快速地选择调整光源照明参数，从而提高摩托车发动机装配的可靠性和效率。

Claims (9)

1.基于零件与光源相互匹配的摩托车发动机装配方法，其特征在于，其包括如下步骤：
步骤S1，对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对所述零件图像进行分析，从而获得不同零件各自的外形信息；再根据所述外形信息，对所有零件进行分类；
步骤S2，利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息；
步骤S3，利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件；
步骤S4，确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数；
其中，
所述步骤S2具体包括：
步骤S201，利用红色、蓝色或白色的光源，或者，环形、线状或面状的光源，或者，不同尺寸的光源，对分类后的零件进行照明；
步骤S202，从相对于所述零件的多个不同方位角上，分别采集零件表面对来自所述光源的光线进行反射后形成的反射光线；
步骤S203，对采集得到的反射光线进行分析，从而确定所述反射光线对应的随不同方位角的反射光光强分布变化信息。
2.根据权利要求1所述的基于零件与光源相互匹配的摩托车发动机装配方法，其特征在于：
在所述步骤S1中，对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；并对所述零件图像进行分析，从而获得不同零件各自的外形信息；再根据所述外形信息，对所有零件进行分类具体包括：
步骤S101，对所述摩托车发动机的零件逐一进行双目拍摄，以此获得每个零件各自的双目图像，并对所述双目图像进行图像背景噪声降噪处理；
步骤S102，确定降噪处理后的所述双目图像的双目图像视差，再根据所述双目图像视差，生成所述零件对应的三维图像；
步骤S103，对所述三维图像进行分析，以此确定所述零件对应的表面颜色、尺寸和形状，以此作为所述外形信息；再根据所述外形信息，将每个零件进行关于表面颜色类型、尺寸大小和形状规则与否的分类处理。
3.根据权利要求1所述的基于零件与光源相互匹配的摩托车发动机装配方法，其特征在于：
在所述步骤S3中，利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件具体包括：
步骤S301，利用所述外形信息和所述反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，以此确定具有不同外形信息的零件在何种颜色或者何种形状尺寸的光源照射下，其对应的反射光光强分布处于光强均匀分布状态，再根据所述确定的结果，构建相应的发动机零件-照明光源匹配库；
步骤S302，采用枚举法，对所述发动机零件-照明光源匹配库中每一个零件对应的照明光源进行光源照明参数的校验，从而逐一确定每个零件在装配过程中的最佳照明条件。
4.根据权利要求3所述的基于零件与光源相互匹配的摩托车发动机装配方法，其特征在于：
在所述步骤S4中，确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数具体包括：
步骤S401，对当前装配过程中对应的实际装配零件进行图像拍摄验证，以此所述实际装配零件对应的实际外形信息；
步骤S402，根据所述实际外形信息，从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；
步骤S403，根据所述最佳照明条件，调整在当前装配过程中对所述实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者。
5.基于零件与光源相互匹配的摩托车发动机装配系统，用以实现权利要求1所述的装配方法，其特征在于，其包括零件拍摄模块、零件分类模块、零件表面光反射状态确定模块、最佳照明条件确定模块、照明参数调整模块；其中，
所述零件拍摄模块用于对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像；
所述零件分类模块用于对所述零件图像进行分析，从而获得不同零件各自的外形信息，再根据所述外形信息，对所有零件进行分类；
所述零件表面光反射状态确定模块用于利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息；
所述最佳照明条件确定模块用于利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件；
所述照明参数调整模块用于确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数。
6.根据权利要求5所述的基于零件与光源相互匹配的摩托车发动机装配系统，其特征在于：
所述零件拍摄模块对所有摩托车发动机的零件进行拍摄，以此获得不同的零件图像具体包括：
对所述摩托车发动机的零件逐一进行双目拍摄，以此获得每个零件各自的双目图像，并对所述双目图像进行图像背景噪声降噪处理；
以及，
所述零件分类模块对所述零件图像进行分析，从而获得不同零件各自的外形信息，再根据所述外形信息，对所有零件进行分类具体包括：
确定降噪处理后的所述双目图像的双目图像视差，再根据所述双目图像视差，生成所述零件对应的三维图像；
接着对所述三维图像进行分析，以此确定所述零件对应的表面颜色、尺寸和形状，以此作为所述外形信息；再根据所述外形信息，将每个零件进行关于表面颜色类型、尺寸大小和形状规则与否的分类处理。
7.根据权利要求6所述的基于零件与光源相互匹配的摩托车发动机装配系统，其特征在于：
所述零件表面光反射状态确定模块利用具有不同颜色或不同形状尺寸的光源，对分类后的零件进行照明，同时采集零件表面对来自所述光源的光线的反射光分布信息具体包括：
利用红色、蓝色或白色的光源，或者，环形、线状或面状的光源，或者，不同尺寸的光源，对分类后的零件进行照明；
接着从相对于所述零件的多个不同方位角上，分别采集零件表面对来自所述光源的光线进行反射后形成的反射光线；
最后对采集得到的反射光线进行分析，从而确定所述反射光线对应的随不同方位角的反射光光强分布变化信息。
8.根据权利要求7所述的基于零件与光源相互匹配的摩托车发动机装配系统，其特征在于：
所述最佳照明条件确定模块利用所述外形信息和所述反射光分布信息，对预设卷积神经网络模型进行训练，以此构建相应的发动机零件-照明光源匹配库，从而逐一确定每个零件在装配过程中的最佳照明条件具体包括：
利用所述外形信息和所述反射光分布信息，对darknet-yolo卷积神经网络模型进行训练，以此确定具有不同外形信息的零件在何种颜色或者何种形状尺寸的光源照射下，其对应的反射光光强分布处于光强均匀分布状态，再根据所述确定的结果，构建相应的发动机零件-照明光源匹配库；
接着采用枚举法，对所述发动机零件-照明光源匹配库中每一个零件对应的照明光源进行光源照明参数的校验，从而逐一确定每个零件在装配过程中的最佳照明条件。
9.根据权利要求8所述的基于零件与光源相互匹配的摩托车发动机装配系统，其特征在于：
所述照明参数调整模块确定当前装配过程对应的实际装配零件，以此从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；再根据所述最佳照明条件，调整在当前装配过程中对所述实际装配零件进行照明的照明参数具体包括：
对当前装配过程中对应的实际装配零件进行图像拍摄验证，以此所述实际装配零件对应的实际外形信息；
接着根据所述实际外形信息，从所述发动机零件-照明光源匹配库中确定所述实际装配零件对应的最佳照明条件；
最后根据所述最佳照明条件，调整在当前装配过程中对所述实际装配进行照明的照明光颜色、照明面积和照明方向角中的任意一者。
CN202110141471.4A 2021-02-02 2021-02-02 基于零件与光源相互匹配的摩托车发动机装配方法与系统 Active CN112883842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110141471.4A CN112883842B (zh) 2021-02-02 2021-02-02 基于零件与光源相互匹配的摩托车发动机装配方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110141471.4A CN112883842B (zh) 2021-02-02 2021-02-02 基于零件与光源相互匹配的摩托车发动机装配方法与系统

Publications (2)

Publication Number Publication Date
CN112883842A CN112883842A (zh) 2021-06-01
CN112883842B true CN112883842B (zh) 2022-12-16

Family

ID=76052530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110141471.4A Active CN112883842B (zh) 2021-02-02 2021-02-02 基于零件与光源相互匹配的摩托车发动机装配方法与系统

Country Status (1)

Country Link
CN (1) CN112883842B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076205A (zh) * 2006-05-16 2007-11-21 丰达电机（香港）有限公司 微型扬声器的装配方法及微型扬声器
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN109375573A (zh) * 2018-11-22 2019-02-22 南通科技职业学院 一种工业机器视觉系统图像处理方法
CN109623362A (zh) * 2018-12-11 2019-04-16 北京动力机械研究所 一种基于视觉引导的装配系统
CN111251292A (zh) * 2020-01-13 2020-06-09 佛山缔乐视觉科技有限公司 基于视觉定位的工件装配方法、装置和存储介质
CN111972181A (zh) * 2020-08-14 2020-11-24 珠海格力电器股份有限公司 植物培养柜及其光照调节方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467711B2 (en) * 2015-05-13 2019-11-05 Micasense, Inc. Reflectance panels featuring machine-readable symbol and methods of use
CN106934374B (zh) * 2017-03-14 2020-05-26 潍坊学院 一种雾霾场景中交通标识牌的识别方法及系统
CN107978110A (zh) * 2017-12-06 2018-05-01 中国科学院上海技术物理研究所 基于图像匹配的电子围栏智能在位识别系统及识别方法
US11631230B2 (en) * 2018-03-06 2023-04-18 Omron Corporation Method, device, system and computer-program product for setting lighting condition and storage medium
CN109344882B (zh) * 2018-09-12 2021-05-25 浙江科技学院 基于卷积神经网络的机器人控制目标位姿识别方法
CN109794435A (zh) * 2019-01-18 2019-05-24 金陵科技学院 基于深度学习的水果质量检测系统及方法
KR102055815B1 (ko) * 2019-06-28 2020-01-22 우정훈 자동차용 실내 조명 제조 공정을 제어하기 위한 방법 및 장치
CN110309779A (zh) * 2019-07-01 2019-10-08 南昌青橙视界科技有限公司 装配场景中零件操作动作的监测方法、装置及电子设备
CN110385282B (zh) * 2019-07-10 2020-06-16 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
CN110555487B (zh) * 2019-09-14 2023-03-24 贵州省茶叶研究所 一种基于卷积神经网络的鲜茶叶识别分类方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076205A (zh) * 2006-05-16 2007-11-21 丰达电机（香港）有限公司 微型扬声器的装配方法及微型扬声器
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN109375573A (zh) * 2018-11-22 2019-02-22 南通科技职业学院 一种工业机器视觉系统图像处理方法
CN109623362A (zh) * 2018-12-11 2019-04-16 北京动力机械研究所 一种基于视觉引导的装配系统
CN111251292A (zh) * 2020-01-13 2020-06-09 佛山缔乐视觉科技有限公司 基于视觉定位的工件装配方法、装置和存储介质
CN111972181A (zh) * 2020-08-14 2020-11-24 珠海格力电器股份有限公司 植物培养柜及其光照调节方法

Also Published As

Publication number Publication date
CN112883842A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111006608B (zh) 透明板材通孔视觉检测系统及方法
CN102412170B (zh) 多方向上反射的光源的采集系统和方法
CN108918539A (zh) 一种隧道结构表观病害检测装置及方法
CN111612737B (zh) 一种人造板表面瑕疵检测装置及检测方法
CN111009007A (zh) 一种指部多特征全面三维重建方法
CN1735789A (zh) 测距设备
CN109308722A (zh) 一种基于主动视觉的空间位姿测量系统及方法
CN114280075B (zh) 一种管类零件表面缺陷在线视觉检测系统及检测方法
Wu et al. LED light design method for high contrast and uniform illumination imaging in machine vision
CN101339145B (zh) 基于ccd成像的镭射印刷质量检测系统和方法
CN112883842B (zh) 基于零件与光源相互匹配的摩托车发动机装配方法与系统
CN212301365U (zh) 一种光源装置及缺陷检测系统
CN118130477A (zh) 一种基于视觉识别的压铸合金工件缺陷检测方法及系统
CN117871053A (zh) 一种镜头的测试设备及测试方法
CN105550668A (zh) 一种活体生物特征采集装置及识别活体生物特征的方法
CN110599450B (zh) Led光源位置校正方法及系统
US20240288377A1 (en) Modular apparatus for the inspection of industrial products and related methods
CN110095865A (zh) 一种led结构光源的均匀照射设计方法
CN111189840A (zh) 近场均匀照明的纸病检测方法
EP4001878A1 (en) A system and method for determining the reflectance of a reflector of a lamp of a motor vehicle
CN115791838A (zh) 一种圆柱管状结构物体的缺陷检测装置及其检测方法
CN113532800A (zh) 透光区域的分析方法以及相关设备、装置
CN116359230B (zh) 一种永磁体表面凹凸缺陷检测系统及方法
Terrill et al. Autonomous lighting audits: Part 2—light identification and analysis
CN118333464B (zh) 基于多维数据的手袋生产智能数据处理系统

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
GR01 Patent grant
GR01 Patent grant