CN114029723A - 一种基于多源传感的装配机械手用高精度装配方法 - Google Patents

一种基于多源传感的装配机械手用高精度装配方法 Download PDF

Info

Publication number
CN114029723A
CN114029723A CN202111307142.9A CN202111307142A CN114029723A CN 114029723 A CN114029723 A CN 114029723A CN 202111307142 A CN202111307142 A CN 202111307142A CN 114029723 A CN114029723 A CN 114029723A
Authority
CN
China
Prior art keywords
assembled
assembly
signal
assembling
preset
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.)
Granted
Application number
CN202111307142.9A
Other languages
English (en)
Other versions
CN114029723B (zh
Inventor
王三祥
王欣
杨万昌
张成国
张朝年
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.)
Jiangsu Yubo Automation Equipment Co ltd
Original Assignee
Jiangsu Yubo Automation Equipment 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 Jiangsu Yubo Automation Equipment Co ltd filed Critical Jiangsu Yubo Automation Equipment Co ltd
Priority to CN202111307142.9A priority Critical patent/CN114029723B/zh
Publication of CN114029723A publication Critical patent/CN114029723A/zh
Application granted granted Critical
Publication of CN114029723B publication Critical patent/CN114029723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P19/00—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes
    • B23P19/04—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes for assembling or disassembling 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

Abstract

本发明提供了一种基于多源传感的装配机械手用高精度装配方法，包括：步骤1：通过多源传感器组采集多个待装配物体的物体信息；步骤2：基于所述物体信息，确定装配方案；步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行相应装配。本发明的基于多源传感的装配机械手用高精度装配方法，可基于多元传感精确获取待装配物体信息与待装配零件信息，根据所得信息生成装配方案，从而使装配过程更加精确。

Description

一种基于多源传感的装配机械手用高精度装配方法
技术领域
本发明涉及多元传感技术领域，特别涉及一种基于多源传感的装配机械手用高精度装配方法。
背景技术
目前，在机械电子装配行业中，把异形元器件安装到PCB上往往依靠流水线上的工人进行手动装配。人力装配主要是依靠人眼和经验，在长时间的工作后无法保证生产效率，而且手动装配带有一定的主观性，也不能维持每件产品的同等质量，因此把自动化技术引入到电子装配业迫在眉睫。将自动化技术取代人力装配能有效地提高生产效率，节省人力资源，保证装配的质量。
相关企业已经利用装配机械手代替人手在装配流水线进行工作，但由于装配机械手没有人的双眼来进行定位，也不像工人可以依靠手部的触感经验来提示装配，因此装配机械手的装配准确率反而不如人力装配，生产效率无法得到提高。
发明内容
本发明提供一种基于多源传感的装配机械手用高精度装配方法，用以提高机械手专配准确率，提高生产效率。
本发明提供一种基于多源传感的装配机械手用高精度装配方法，包括：
步骤1：通过多源传感器组采集多个待装配物体的物体信息；
步骤2：基于所述物体信息，确定装配方案；
步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行相应装配。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：所述多元传感组包括：相机组件和激光传感器组件；
所述相机组件包括：
三组相机，用于采集所述待装配物体上各个待装配零件的零件图像，基于所述零件图像，确定所述待装配零件的零件位置；
所述激光传感器组件包括：
四组激光传感器，用于采集所述待装配物体上各个待装配零件的零件姿态；
所述物体信息包括：所述待装配物体上各个待装配零件的零件位置和零件姿态。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：所述步骤2：基于所述物体信息，确定装配方案，包括：
基于所述物体信息中所述待装配物体上各个待装配零件的零件位置和零件姿态，确定所述待装配物体在装配过程中所处达到的当前状态；
基于所述待装配物体的当前状态，确定所述装配机械手下一步的装配操作中需要进行装配的所述待装配物体中的待装配零件；
获取预设的装配标准数据库，从所述装配标准数据库中确定待装配零件经装配机械手下一步装配后所需达到的装配标准；
基于待装配零件的零件位置与零件姿态，生成最佳抓取方案；
根据待装配零件经装配机械手下一步装配后所需达到的装配标准与所述最佳抓取方案确定装配方案。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：所述步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行装配，包括：
获取所述装配机械手的属性信息；
基于所述属性信息，建立装配机械手模拟装配模型；
将所述装配方案输入所述装配机械手模拟装配模型，由所述装配机械手模拟装配模型完成所述装配方案；
获取所述装配机械手模拟模型模拟完成所述装配方案后的模拟配置参数；
获取所述装配机械手的当前配置参数；
将所述当前配置参数与所述模拟配置参数进行对比分析，获得装配机械手的所述当前配置参数中需要修改的至少一个配置项和对应修改数据；
基于所述修改数据，对相应所述配置项进行修改。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：基于所述零件图像，确定所述待装配零件的零件位置，包括：
通过所述照相机组件内的三组相机分别由预设的多个角度拍摄所述待装配物体对应于所述角度的三组图像；
在预设数据库中获取待装配物体中各个待装配零件的外观信息；
基于所述外观信息，生成所述待装配零件的全景图像；
将全部所述待装配零件的全景图像作为样本，输入至预设的神经网络模型中进行训练，得到零件识别模型；
将所述三组图像分别输入所述零件识别模型，获取所述零件识别模型输出的零件信息；
对所述零件信息进行解析，获得各个待装配零件的零件种类和对应所述零件位置。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：所述激光传感器组件内的四组激光传感器采集所述待装配物体上各个待装配零件的零件姿态的步骤，包括：
控制四组激光传感器从五个预设的方向分别向待装配物体发射扇形激光束；
获取激光传感器组件内的四组激光传感器从五个预设的方向分别向待装配物体发射扇形激光束照射到所述待装配物体上发生光反射产生的反射光线；
根据所述反射光线与所述扇形激光束的发射时间，确定所述激光传感器上的激光发射点与待装配物体上的激光反射点之间的距离；
基于所述距离，确定待装配物体上的所述反射点的反射点位置；
根据每组激光传感器所发射扇形激光束产生的所有反射光线对应的反射点位置进行拼接处理，获得各扇形激光束对应待装配物体上的表面位置信息；
基于各个所述表面位置信息，分别进行三维建模，获得四组三维模型；
将所述四组三维模型进行融合处理，获得所述待装配物体的完整三维模型。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：通过所述照相机组件内的三组相机分别由预设的多个角度拍摄所述待装配物体对应于所述角度的三组图像之后，还包括：
将所述三组图像的储存格式修改为单通道灰度图像储存格式；
对储存格式修改后的所述三组图像进行图像分割处理，得到多个子图像；
获取每个子图像的帧数，整合各相邻所述子图像之间的所述帧数的帧数差值，得到差值序列；
判断所述差值序列中的所述帧数差值是否处于预设的帧数差值范围之内；
当所述差值序列中所述帧数差值均处于所述帧数差值范围之内时，在所述多个子图像中选取测试像素点；
计算各子图像中测试像素点对应的第一像素值与所述测试像素点相邻的像素点对应的第二像素值之间的差值；
计算所述差值的平均值，获得平均差值；
计算所述平均差值与测试像素点对应的所述第一像素值的比值，并作为差异值；
当所述差异值大于预设的差异值阈值时，则所述测试像素点为边缘像素点；
将各子图像中的边缘像素点对应的第三像素值进行加权合并，得到加权像素值；
判断所述加权像素值是否大于预设的加权像素值阈值；
若是，则确定格式转换后的图像正常；
否则，则确定格式修改后的图像异常，确定对应所述图像对应的相机组，并向工作人员进行相应反馈。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，所述步骤3：控制装配机械手将所述待装配物体进行装配过程中，还包括：
采集装配机械手工作过程中产生的原始振动信号；
对所述原始振动信号进行信号分解，得到多个单帧信号；
获取各单帧信号对应的频率，剔除所述频率超出预设频率范围的单帧信号；
剔除完毕后，对剩余的单帧信号进行重组，得到第一处理信号；
将所述第一处理信号基于预设的固定时间间隔进行信号分割处理，得到多个子信号；
获取各子信号的振幅，基于各子信号振幅得到各子信号的信号波形图；
基于所述信号波形图对各子信号进行幅值谱分析，
判断每一子信号中极大值点对应的极大值是否大于预设的第一范围；
若是，将对应所述子信号作为第一异常信号；
判断每一所述子信号中的极小值点对应的极小值是否小于预设的第二范围；
若是，将对应所述子信号作为第二异常信号；
将所述第一异常信号和所述第二异常信号作为第三异常信号；
基于预设的异常信号-故障原因库，确定所述第三异常信号对应的故障原因；
基于预设的故障原因-故障修复方案库，确定所述故障原因对应的故障修复方案；
将所述故障原因和所述故障修复方案发送至预设的客户端；
若每一子信号中极大值点对应的极大值均落在所述第一范围内且每一子信号的极小值点对应的极小值均都落在所述第二范围内，则对应子信号无异常；
通过多元传感组件，获取装配完成后待装配物体完整信息；
将所装配零件的位置信息与姿态信息与预设装配标准信息进行对比；
若所装配零件的位置信息与姿态信息与预设装配标准信息一致，则装配合格；
若所装配零件的位置信息与姿态信息与预设装配标准信息不一致，根据装配完成后待装配物体完整信息，获取待装配物体位置信息，将待装配物体位置信息与待装配物体预设位置信息进行对比；
若待装配物体位置信息与待装配物体预设位置信息不符，则判定待装配物体固定装置出现故障，并向客户端反馈固定装置故障信息；
若待装配物体位置信息与待装配物体预设位置信息相符，则判定装配过程异常，需停机检测。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，所述基于多元传感组，获取待装配零件的第一位置信息与第一姿态信息，并根据所得第一位置信息与第一姿态信息，生成最佳抓取方案，包括：
根据待装配零件的零件位置和零件姿态，获取待装配零件的最佳抓取位置；
基于装配机械手当前位置，生成所述装配机械手由当前位置移动至最佳抓取位置所需进行的移动轨迹；
根据互联网大数据，获取待装配零件的待装配零件抓取方案并进行整合，得到待装配零件抓取方案组；
获取待装配零件抓取方案组中待装配零件抓取方案的提供方；
获取所述提供方的信用记录、担保值以及可信度，基于所述信用记录、担保值和可信度，计算所述提供方的评价指数；
将所述提供方的评价指数与预设评价指数阈值进行比较，将提供方的评价指数小于预设评价指数阈值的提供方对应方案从待装配零件抓取方案组中剔除，得到合格待装配零件抓取方案组；
则根据所述合格待装配零件抓取方案组中合格待装配零件抓取方案中抓取力最大值与抓取力最小值，生成抓取力范围，选取所述抓取力范围内的中位值设为最佳抓取力；
根据待装配零件最佳抓取位置、移动轨迹以及最佳抓取力，生成最佳抓取方案。
优选的，所述的一种基于多源传感的装配机械手用高精度装配方法，还包括：
在装配机械手装配所述待装配物体的工作过程中向装配机械手的电路输入端发射检测信号，并接收所述检测信号在所述电路中流转后反馈的反馈信号；
从预设的信号数据库中获取与所述反馈信号对应的对比信号以及与所述对比信号对应的对比噪声信号；
将所述对比信号和所述对比噪声信号输入至预设的判别网络，获得对比信号与对比噪声信号的映射关系；
根据所得映射关系，生成噪声检测模型；
将所述反馈信号输入所述噪声检测模型，输出对应于所述反馈信号的噪声信号，将所述反馈信号中的噪声信号剔除，得到待处理信号；
获取所述待处理信号的时域特性，生成对应第一波形图，基于所述检测信号时域特性，得到第二波形图；
并获取所述第一波形图与所第二波形图基于时域的相位移动，并根据所述测试信号经过机械手电路后产生的相位移动，获取所述装配机械手电路信息，并基于所述电路信息，获取所述装配机械手的电路的实时电流；
判断所述装配机械手电路的实时电流是否处于预设范围之内；
若处于，则所述装配机械手电路无异常；
若不处于，则所述装配机械手电路异常，并向客户端反馈。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于多源传感的装配机械手用高精度装配方法流程图；
图2为本发明又一实施例中又一基于多源传感的装配机械手用高精度装配方法流程图；
图3为本发明又一实施例中再一基于多源传感的装配机械手用高精度装配方法流程图；
图4为本发明又一实施例中另一基于多源传感的装配机械手用高精度装配方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面参考图1至图4来描述本发明实施例提出的一种基于多源传感的装配机械手用高精度装配方法。
实施例1：
如图1所示，本发明提供一种基于多源传感的装配机械手用高精度装配方法，包括：
步骤1：通过多源传感器组采集多个待装配物体的物体信息；
步骤2：基于所述物体信息，确定装配方案；
步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行相应装配。
该实施例中，物体信息为待装配物体中零件的位置以及姿态信息；
该实施例中，装配方案为对待装配物进行下一步操作所需要的操作流程；
该实施例中，待装配物体位于待装配物固定装置上，机械手靠近待装配物体后，多元传感组对待装配物体进行扫描，获取待装配物体状态信息，然后获取传送带上的待装配零件信息信息，根据待装配物体状态信息与传送带上零件信息得到装配方案进行装配。
上述方案的有益效果：本发明基于多元传感组，可以获取待装配物体各方向的信息以及传送带上待装配零件信息，并根据得到的信息生成精确的装配方案，根据装配方案进行装配，确保装配的准确性，当确保机械手装配时的精确性后，使用机械手装配效率可远超人工装配，可以有效地提高工作效率，确保装配的速度与质量，具有很强的实用性。
实施例2：
基于实施例1的基础上，所述多元传感组包括：相机组件和激光传感器组件；
所述相机组件包括：
三组相机，用于采集所述待装配物体上各个待装配零件的零件图像，基于所述零件图像，确定所述待装配零件的零件位置；
所述激光传感器组件包括：
四组激光传感器，用于采集所述待装配物体上各个待装配零件的零件姿态；
所述物体信息包括：所述待装配物体上各个待装配零件的零件位置和零件姿态。
该实施例中，姿态信息为可以表示待装配物体中各零件的安装状态信息，可以确定已装配好的零件是否存在歪斜等；
该实施例中，零件位置为待装配物体上存在零件的位置；
上述方案的有益效果：本发明设置有三组相机和四组激光传感器，分别从不同角度方向获取零件的位置和姿态信息，使获取的结果保证准确，可以避免单个相机和单个激光传感器得到的结果受角度影响存在误差的问题。
实施例3：
基于实施例2的基础上，如图2所示，所述步骤2：基于所述物体信息，确定装配方案，包括：
步骤S201：基于所述物体信息中所述待装配物体上各个待装配零件的零件位置和零件姿态，确定所述待装配物体在装配过程中所处达到的当前状态；
步骤S202：基于所述待装配物体的当前状态，确定所述装配机械手下一步的装配操作中需要进行装配的所述待装配物体中的待装配零件；
步骤S203：获取预设的装配标准数据库，从所述装配标准数据库中确定待装配零件经装配机械手下一步装配后所需达到的装配标准；
步骤S204：基于待装配零件的零件位置与零件姿态，生成最佳抓取方案；
步骤S205：根据待装配零件经装配机械手下一步装配后所需达到的装配标准与所述最佳抓取方案确定装配方案。
该实施例中，待装配物体的当前状态为根据零件位置确定待装配物体上哪些位置存在零件，并根据零件姿态，确定各零件处于什么位置，并且根据各零件的姿态确定安装完成度，从而获取待装配物体的当前状态信息，例如，当装配物上所有应装配零件部位都有零件，并且各零件姿态为标准姿态时，待装配物体为装配完成状态。
该实施例中，预设的装配标准数据库为预先设置好的储存有待装配物达到装配标准下的状态信息；
上述方案的有益效果：本发明可确定所装配物体的当前状态，获取下一步装配操作，从而确定下一步装配操作所装配的零件，根据预设数据库得到下一步装配操作所装配的零件的装配标准，然后根据所需装配零件的位置生成最佳抓取方案，确保了此次装配过程的准确性，提高装配质量。
实施例4：
基于实施例1的基础上，所述步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行装配，包括：
获取所述装配机械手的属性信息；
基于所述属性信息，建立装配机械手模拟装配模型；
将所述装配方案输入所述装配机械手模拟装配模型，由所述装配机械手模拟装配模型完成所述装配方案；
获取所述装配机械手模拟模型模拟完成所述装配方案后的模拟配置参数；
获取所述装配机械手的当前配置参数；
将所述当前配置参数与所述模拟配置参数进行对比分析，获得装配机械手的所述当前配置参数中需要修改的至少一个配置项和对应修改数据；
基于所述修改数据，对相应所述配置项进行修改；
该实施例中，装配机械手本体的完整参数为机械手本体的实际数据，如材料硬度，机械手尺寸等；
该实施例中，装配机械手模拟装配模型为根据装配机械手本体的实际数据得到的机械手模拟模型，可以正确模拟机械手运行情况；
该实施例中，模拟配置参数为装配机械手模拟装配模型完成装配方案后的各项可调节参数的设置情况；
上述方案的有益效果：本发明可根据装配机械手本体的真实数据，建立模拟模型进行模拟机械手工作，并且当模拟模型完成任务时获取修改数据，可确保机械手在修改数据之后可以完成所需完成的任务，防止因参数错误导致机械手出错造成不必要的损失。
实施例5：
基于实施例2的基础上，如图3所示，所述基于所述零件图像，确定所述待装配零件的零件位置，包括：
步骤S301：通过所述照相机组件内的三组相机分别由预设的多个角度拍摄所述待装配物体对应于所述角度的三组图像；
步骤S302：在预设数据库中获取待装配物体中各个待装配零件的外观信息；
步骤S303：基于所述外观信息，生成所述待装配零件的全景图像；
步骤S304：将全部所述待装配零件的全景图像作为样本，输入至预设的神经网络模型中进行训练，得到零件识别模型；
步骤S305：将所述三组图像分别输入所述零件识别模型，获取所述零件识别模型输出的零件信息；
步骤S306：对所述零件信息进行解析，获得各个待装配零件的零件种类和对应所述零件位置。
该实施例中，预设数据库为预设数据储存中心，内部储存有所装配物体的完整信息，包括所装配物体的未装配时的信息，所装配物体的装配完成时信息以及所装配物体上所以零件信息；
该实施例中，全景图像为根据数据库中储存的各零件的外观得到的全景图像；
该实施例中，零件识别模型为通过神经网络模型得到的可以获取输入图像中零件信息的模型；
上述方案的有益效果：本发明可将装配物内零件全景图像为样本训练零件识别模型，将拍摄图像输入，可得到图像中的零件信息，将全景图像为输入，可以确保各个方向的图像的零件都可以被识别，将所拍摄图像输入零件识别模型，可得到图中包含的所有零件信息，避免因拍摄角度问题零件无法识别导致装配出错。
实施例6：
基于实施例2的基础上，如图4所示，所述激光传感器组件内的四组激光传感器采集所述待装配物体上各个待装配零件的零件姿态的步骤，包括：
步骤S401：控制四组激光传感器从五个预设的方向分别向待装配物体发射扇形激光束；
步骤S402：获取激光传感器组件内的四组激光传感器从五个预设的方向分别向待装配物体发射扇形激光束照射到所述待装配物体上发生光反射产生的反射光线；
步骤S403：根据所述反射光线与所述扇形激光束的发射时间，确定所述激光传感器上的激光发射点与待装配物体上的激光反射点之间的距离；
步骤S404：基于所述距离，确定待装配物体上的所述反射点的反射点位置；
步骤S405：根据每组激光传感器所发射扇形激光束产生的所有反射光线对应的反射点位置进行拼接处理，获得各扇形激光束对应待装配物体上的表面位置信息；
步骤S406：基于各个所述表面位置信息，分别进行三维建模，获得四组三维模型；
步骤S407：将所述四组三维模型进行融合处理，获得所述待装配物体的完整三维模型；
步骤S408：获取所述完整三维模型中各个待装配零件的零件姿态。
该实施例中，还可检测激光传感器在激光发射前的温度、激光发射后温度与所示反射光线的功率；
基于所示公式，可计算激光传感器发射激光束的功率P：
Figure BDA0003340700370000131
其中，ρ为激光传感器材料的密度；c为激光传感器材料的比热容；γ1为机关传感器所发射激光束的波长；T1为激光传感器在激光发射前的温度；T2为激光传感器在激光发射后的温度；K为所述激光传感器材料的传热系数；t为所述激光束持续时长；e为自然常数；
基于所述激光传感器发射激光束的功率P，可计算所述预设区域零件材料的相似率S，计算公式如下所示：
Figure BDA0003340700370000132
其中，Pf为反射光线的功率；z为待装配物体零件材料对光的折射率；μ激光束传播的自然损耗率；E为所述待装配物体零件材料的光吸率；
判断预设区域零件材料的相似率是否处于预设范围内；
若处于，则判定预设区域零件材料无误；
若不处于，则判定预设区域零件材料异常，并向客户端反馈。
本发明可实时检测预设区域零件的吸光率，各材料的吸光率是恒定的，当检测到预设区域零件的光吸率E与预设吸光率不符，说明零件材料存在问题，向客户端反馈查看，可以有效的避免因零件材料问题导致的损失；
该实施例中，四组激光传感器设置于机械手上，五个预设的方向为上、左、右、前、后五个方向；
该实施例中，扇形激光束为120°；
该实施例中，反射点信息为将激光束反射回来的点的信息；
上述方案的有益效果：本发明可根据激光传感器接收到的反射光线，反射点具体位置，并根据各反射点生成各个方向下零件的外表面信息，将四组外表面信息进行融合，生成完整三维模型，并对三维模型建立坐标系，根据所测零件在坐标系中的位置得到姿态信息，本发明可通过多个传感器得到零件不同方向的图像进行融合，从而得到完整图像，使结果更加准确，避免角度问题导致对零件判断错误。
实施例7：
基于实施例5的基础上，所述通过所述照相机组件内的三组相机分别由预设的多个角度拍摄所述待装配物体对应于所述角度的三组图像之后，还包括：
将所述三组图像的储存格式修改为单通道灰度图像储存格式；
对储存格式修改后的所述三组图像进行图像分割处理，得到多个子图像；
获取每个子图像的帧数，整合各相邻所述子图像之间的所述帧数的帧数差值，得到差值序列；
判断所述差值序列中的所述帧数差值是否处于预设的帧数差值范围之内；
当所述差值序列中所述帧数差值均处于所述帧数差值范围之内时，在所述多个子图像中选取测试像素点；
计算各子图像中测试像素点对应的第一像素值与所述测试像素点相邻的像素点对应的第二像素值之间的差值；
计算所述差值的平均值，获得平均差值；
计算所述平均差值与测试像素点对应的所述第一像素值的比值，并作为差异值；
当所述差异值大于预设的差异值阈值时，则所述测试像素点为边缘像素点；
将各子图像中的边缘像素点对应的第三像素值进行加权合并，得到加权像素值；
判断所述加权像素值是否大于预设的加权像素值阈值；
若是，则确定格式转换后的图像正常；
否则，则确定格式修改后的图像异常，确定对应所述图像对应的相机组，并向工作人员进行相应反馈。
该实施例中，预设的多个角度为一组位置为与待装配物正面垂直90°，其余两组为与待装配物左右两侧各垂直90°角度；
该实施例中，单通道灰度图为每个图像只有一个颜色分量的灰度图像；
该实施例中，分割处理为将完整图像分割为多个子图像的过程；
该实施例中，差值序列为各子图像差值的排列组合；
该实施例中，加权合并中权即由测量值精度的不同在平差计算中所取的权重不同，加权合并的意思就是乘以权重，使其权重相同然后合并的过程；
上述方案的有益效果：本发明可对所拍摄图像进行储存格式转换，并对格式转换后的图像进行分割，生成多个子图像，对多个子图像进行处理，获取其中的边缘像素点，并计算各子图像中边缘像素点的加权像素值，当加权像素值大于预设阈值，确定相机正常，当加权像素值小于预设阈值，则相机异常，可以实时回去相机状态，避免用相机异常条件下拍摄的照片导致装配过程出现问题造成的损失。
实施例8：
基于实施例1的基础上，所述步骤3：控制装配机械手将所述待装配物体进行装配过程中，还包括：
采集装配机械手工作过程中产生的原始振动信号；
对所述原始振动信号进行信号分解，得到多个单帧信号；
获取各单帧信号对应的频率，剔除所述频率超出预设频率范围的单帧信号；
剔除完毕后，对剩余的单帧信号进行重组，得到第一处理信号；
将所述第一处理信号基于预设的固定时间间隔进行信号分割处理，得到多个子信号；
获取各子信号的振幅，基于各子信号振幅得到各子信号的信号波形图；
基于所述信号波形图对各子信号进行幅值谱分析，
判断每一子信号中极大值点对应的极大值是否大于预设的第一范围；
若是，将对应所述子信号作为第一异常信号；
判断每一所述子信号中的极小值点对应的极小值是否小于预设的第二范围；
若是，将对应所述子信号作为第二异常信号；
将所述第一异常信号和所述第二异常信号作为第三异常信号；
基于预设的异常信号-故障原因库，确定所述第三异常信号对应的故障原因；
基于预设的故障原因-故障修复方案库，确定所述故障原因对应的故障修复方案；
将所述故障原因和所述故障修复方案发送至预设的客户端；
若每一子信号中极大值点对应的极大值均落在所述第一范围内且每一子信号的极小值点对应的极小值均都落在所述第二范围内，则对应子信号无异常；
通过多元传感组件，获取装配完成后待装配物体完整信息；
将所装配零件的位置信息与姿态信息与预设装配标准信息进行对比；
若所装配零件的位置信息与姿态信息与预设装配标准信息一致，则装配合格；
若所装配零件的位置信息与姿态信息与预设装配标准信息不一致，根据装配完成后待装配物体完整信息，获取待装配物体位置信息，将待装配物体位置信息与待装配物体预设位置信息进行对比；
若待装配物体位置信息与待装配物体预设位置信息不符，则判定待装配物体固定装置出现故障，并向客户端反馈固定装置故障信息；
若待装配物体位置信息与待装配物体预设位置信息相符，则判定装配过程异常，需停机检测。
该实施例中，装配标准信息为零件安装的位置与姿态的标准，如当前安装零件位置与姿态信息与装配标准信息中一致，则判定此零件安装合格；
该实施例中，预设位置信息为各零件在待装配物体上的标准的位置信息；
该实施例中，物体完整信息为对所述待装配物体装配完成后，根据多元传感组得到的装配完成的物体的整体外观以及各零件的位置以及零件姿态信息；
该实施例中，单帧信号为对原始振动信号分解后的只有一帧的信号；
该实施例中，重组为将剩余的单帧信号重新进行组合排列，形成新的信号；
该实施例中，幅值谱是对信号做傅立叶变换之后，取傅立叶变换的模作为幅值；
该实施例中，幅值特征域表示波形图对应时域信号的幅值的取值范围；
上述方案的有益效果：本发明可根据机械手工作时产生的振动信号进行处理，并根据处理后的结果判断其中是否存在异常信号，若存在，则表示机械手存在故障，可根据机械手异常部位与相应异常信号在数据库中进行匹配，获取相同部位相同异常信号下的故障原因并基于所述故障原因与历史检修结果，获取故障修复方案，可以极大的节省故障维修时间，增加工作效率，并在机械手物异常时，实时检测机械手装配是否合格，可以有效地防止发送意外影响正常工作。
实施例9：
基于实施例3的基础上，所述基于待装配零件的零件位置与零件姿态，生成最佳抓取方案，包括：
根据待装配零件的零件位置和零件姿态，获取待装配零件的最佳抓取位置；
基于装配机械手当前位置，生成所述装配机械手由当前位置移动至最佳抓取位置所需进行的移动轨迹；
根据互联网大数据，获取待装配零件的待装配零件抓取方案并进行整合，得到待装配零件抓取方案组；
获取待装配零件抓取方案组中待装配零件抓取方案的提供方；
获取所述提供方的信用记录、担保值以及可信度，基于所述信用记录、担保值和可信度，计算所述提供方的评价指数；
将所述提供方的评价指数与预设评价指数阈值进行比较，将提供方的评价指数小于预设评价指数阈值的提供方对应方案从待装配零件抓取方案组中剔除，得到合格待装配零件抓取方案组；
则根据所述合格待装配零件抓取方案组中合格待装配零件抓取方案中抓取力最大值与抓取力最小值，生成抓取力范围，选取所述抓取力范围内的中位值设为最佳抓取力；
根据待装配零件最佳抓取位置、移动轨迹以及最佳抓取力，生成最佳抓取方案。
该实施例中，获取根据提供方所提供待装配零件抓取方案数量与其提供全部方案数量，可计算提供方的评价指数α，计算方法如下所示：
Figure BDA0003340700370000181
其中，L为为提供方信用记录中不良记录的占比；D为提供方的担保值；K为提供方的可信度；θ为预设误差系数；Z为提供方所提供待装配零件抓取方案数量；Q为提供方所提供的全部方案数量；q1、q2、q3为预设的权重值；
该实施例中，传送带为待装配物体上零件还未进行装配时的存放区域；
上述方案的有益效果：本发明可根据多元传感组，获取零件存放区中待装配零件的信息，生成最佳抓取角度，然后基于大数据，获取互联网中信用记录和担保值良好厂家提供数据，确定数据的准确性，根据所得数据得到零件的抓取力度大小，根据待装配零件最佳抓取位置、机械手移动轨迹以及最佳抓取力，生成最佳抓取方案，可避免机械手进行零件装配时对零件本身造成损害。
实施例10：
基于实施例1的基础上，还包括：
在装配机械手装配所述待装配物体的工作过程中向装配机械手的电路输入端发射检测信号，并接收所述检测信号在所述电路中流转后反馈的反馈信号；
从预设的信号数据库中获取与所述反馈信号对应的对比信号以及与所述对比信号对应的对比噪声信号；
将所述对比信号和所述对比噪声信号输入至预设的判别网络，获得对比信号与对比噪声信号的映射关系；
根据所得映射关系，生成噪声检测模型；
将所述反馈信号输入所述噪声检测模型，输出对应于所述反馈信号的噪声信号，将所述反馈信号中的噪声信号剔除，得到待处理信号；
获取所述待处理信号的时域特性，生成对应第一波形图，基于所述检测信号时域特性，得到第二波形图；
并获取所述第一波形图与所第二波形图基于时域的相位移动，并根据所述测试信号经过机械手电路后产生的相位移动，获取所述装配机械手电路信息，并基于所述电路信息，获取所述装配机械手的电路的实时电流；
判断所述装配机械手电路的实时电流是否处于预设范围之内；
若处于，则所述装配机械手电路无异常；
若不处于，则所述装配机械手电路异常，并向客户端反馈。
该实施例中，相位移动为检测信号经过机械手电路后成为待处理信号后，检测信号对应波形图与待处理信号波形图的相位移动，检测信号经过机械手电路影响后产生了相位移动，由此推算机械手电路内信息；
该实施例中，反馈信号为所述检测信号经过机械手电路后携带有电路信息的信号；
该实施例中，频率特征为当前频率的信号所对应的幅频特性和相频特性；
该实施例中，预设范围预先设置好的电路内的电流大小范围；
上述方案的有益效果：本发明可在装配机械手工作过程中向装配机械手电路输入端发射检测信号，并根据反馈信号得到电路中的电流大小，并对电流大小进行检测，当电路中电流大小不处于预设范围时进行报警，可以有效地避免电路内电流异常导致机械手工作时出现异常从而造成不必要的损失。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于多源传感的装配机械手用高精度装配方法，其特征在于，包括：
步骤1：通过多源传感器组采集多个待装配物体的物体信息；
步骤2：基于所述物体信息，确定装配方案；
步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行相应装配。
2.如权利要求1所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，所述多元传感组包括：相机组件和激光传感器组件；
所述相机组件包括：
三组相机，用于采集所述待装配物体上各个待装配零件的零件图像，基于所述零件图像，确定所述待装配零件的零件位置；
所述激光传感器组件包括：
四组激光传感器，用于采集所述待装配物体上各个待装配零件的零件姿态；
所述物体信息包括：所述待装配物体上各个待装配零件的零件位置和零件姿态。
3.如权利要求2所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于：所述步骤2：基于所述物体信息，确定装配方案，包括：
基于所述物体信息中所述待装配物体上各个待装配零件的零件位置和零件姿态，确定所述待装配物体在装配过程中所处达到的当前状态；
基于所述待装配物体的当前状态，确定所述装配机械手下一步的装配操作中需要进行装配的所述待装配物体中的待装配零件；
获取预设的装配标准数据库，从所述装配标准数据库中确定待装配零件经装配机械手下一步装配后所需达到的装配标准；
基于待装配零件的零件位置与零件姿态，生成最佳抓取方案；
根据待装配零件经装配机械手下一步装配后所需达到的装配标准与所述最佳抓取方案确定装配方案。
4.如权利要求1所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，所述步骤3：基于所述装配方案，控制装配机械手将所述待装配物体进行装配，包括：
获取所述装配机械手的属性信息；
基于所述属性信息，建立装配机械手模拟装配模型；
将所述装配方案输入所述装配机械手模拟装配模型，由所述装配机械手模拟装配模型完成所述装配方案；
获取所述装配机械手模拟模型模拟完成所述装配方案后的模拟配置参数；
获取所述装配机械手的当前配置参数；
将所述当前配置参数与所述模拟配置参数进行对比分析，获得装配机械手的所述当前配置参数中需要修改的至少一个配置项和对应修改数据；
基于所述修改数据，对相应所述配置项进行修改。
5.如权利要求2所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，所述基于所述零件图像，确定所述待装配零件的零件位置，包括：
通过所述照相机组件内的三组相机分别由预设的多个角度拍摄所述待装配物体对应于所述角度的三组图像；
在预设数据库中获取待装配物体中各个待装配零件的外观信息；
基于所述外观信息，生成所述待装配零件的全景图像；
将全部所述待装配零件的全景图像作为样本，输入至预设的神经网络模型中进行训练，得到零件识别模型；
将所述三组图像分别输入所述零件识别模型，获取所述零件识别模型输出的零件信息；
对所述零件信息进行解析，获得各个待装配零件的零件种类和对应所述零件位置。
6.如权利要求2所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，所述激光传感器组件内的四组激光传感器采集所述待装配物体上各个待装配零件的零件姿态的步骤如下：
控制四组激光传感器从五个预设的方向分别向待装配物体发射扇形激光束；
获取激光传感器组件内的四组激光传感器从五个预设的方向分别向待装配物体发射扇形激光束照射到所述待装配物体上发生光反射产生的反射光线；
根据所述反射光线与所述扇形激光束的发射时间，确定所述激光传感器上的激光发射点与待装配物体上的激光反射点之间的距离；
基于所述距离，确定待装配物体上的所述反射点的反射点位置；
根据每组激光传感器所发射扇形激光束产生的所有反射光线对应的反射点位置进行拼接处理，获得各扇形激光束对应待装配物体上的表面位置信息；
基于各个所述表面位置信息，分别进行三维建模，获得四组三维模型；
将所述四组三维模型进行融合处理，获得所述待装配物体的完整三维模型；
获取所述完整三维模型中各个待装配零件的零件姿态。
7.如权利要求5所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，通过所述照相机组件内的三组相机分别由预设的多个角度拍摄所述待装配物体对应于所述角度的三组图像之后，还包括：
将所述三组图像的储存格式修改为单通道灰度图像储存格式；
对储存格式修改后的所述三组图像进行图像分割处理，得到多个子图像；
获取每个子图像的帧数，整合各相邻所述子图像之间的所述帧数的帧数差值，得到差值序列；
判断所述差值序列中的所述帧数差值是否处于预设的帧数差值范围之内；
当所述差值序列中所述帧数差值均处于所述帧数差值范围之内时，在所述多个子图像中选取测试像素点；
计算各子图像中测试像素点对应的第一像素值与所述测试像素点相邻的像素点对应的第二像素值之间的差值；
计算所述差值的平均值，获得平均差值；
计算所述平均差值与测试像素点对应的所述第一像素值的比值，并作为差异值；
当所述差异值大于预设的差异值阈值时，则所述测试像素点为边缘像素点；
将各子图像中的边缘像素点对应的第三像素值进行加权合并，得到加权像素值；
判断所述加权像素值是否大于预设的加权像素值阈值；
若是，则确定格式转换后的图像正常；
否则，则确定格式修改后的图像异常，确定对应所述图像对应的相机组，并向工作人员进行相应反馈。
8.如权利要求1所述的一种基于多源传感的装配机械手用高精度装配方法，所述步骤3：控制装配机械手将所述待装配物体进行装配过程中，还包括：
采集装配机械手工作过程中产生的原始振动信号；
对所述原始振动信号进行信号分解，得到多个单帧信号；
获取各单帧信号对应的频率，剔除所述频率超出预设频率范围的单帧信号；
剔除完毕后，对剩余的单帧信号进行重组，得到第一处理信号；
将所述第一处理信号基于预设的固定时间间隔进行信号分割处理，得到多个子信号；
获取各子信号的振幅，基于各子信号振幅得到各子信号的信号波形图；
基于所述信号波形图对各子信号进行幅值谱分析，
判断每一子信号中极大值点对应的极大值是否大于预设的第一范围；
若是，将对应所述子信号作为第一异常信号；
判断每一所述子信号中的极小值点对应的极小值是否小于预设的第二范围；
若是，将对应所述子信号作为第二异常信号；
将所述第一异常信号和所述第二异常信号作为第三异常信号；
基于预设的异常信号-故障原因库，确定所述第三异常信号对应的故障原因；
基于预设的故障原因-故障修复方案库，确定所述故障原因对应的故障修复方案；
将所述故障原因和所述故障修复方案发送至预设的客户端；
若每一子信号中极大值点对应的极大值均落在所述第一范围内且每一子信号的极小值点对应的极小值均都落在所述第二范围内，则对应子信号无异常；
通过多元传感组件，获取装配完成后待装配物体完整信息；
将所装配零件的位置信息与姿态信息与预设装配标准信息进行对比；
若所装配零件的位置信息与姿态信息与预设装配标准信息一致，则装配合格；
若所装配零件的位置信息与姿态信息与预设装配标准信息不一致，根据装配完成后待装配物体完整信息，获取待装配物体位置信息，将待装配物体位置信息与待装配物体预设位置信息进行对比；
若待装配物体位置信息与待装配物体预设位置信息不符，则判定待装配物体固定装置出现故障，并向客户端反馈固定装置故障信息；
若待装配物体位置信息与待装配物体预设位置信息相符，则判定装配过程异常，需停机检测。
9.如权利要求3所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，基于待装配零件的零件位置与零件姿态，生成最佳抓取方案，包括：
根据待装配零件的零件位置和零件姿态，获取待装配零件的最佳抓取位置；
基于装配机械手当前位置，生成所述装配机械手由当前位置移动至最佳抓取位置所需进行的移动轨迹；
根据互联网大数据，获取待装配零件的待装配零件抓取方案并进行整合，得到待装配零件抓取方案组；
获取待装配零件抓取方案组中待装配零件抓取方案的提供方；
获取所述提供方的信用记录、担保值以及可信度，基于所述信用记录、担保值和可信度，计算所述提供方的评价指数；
将所述提供方的评价指数与预设评价指数阈值进行比较，将提供方的评价指数小于预设评价指数阈值的提供方对应方案从待装配零件抓取方案组中剔除，得到合格待装配零件抓取方案组；
则根据所述合格待装配零件抓取方案组中合格待装配零件抓取方案中抓取力最大值与抓取力最小值，生成抓取力范围，选取所述抓取力范围内的中位值设为最佳抓取力；
根据待装配零件最佳抓取位置、移动轨迹以及最佳抓取力，生成最佳抓取方案。
10.如权利要求1所述的一种基于多源传感的装配机械手用高精度装配方法，其特征在于，还包括：
在装配机械手装配所述待装配物体的工作过程中向装配机械手的电路输入端发射检测信号，并接收所述检测信号在所述电路中流转后反馈的反馈信号；
从预设的信号数据库中获取与所述反馈信号对应的对比信号以及与所述对比信号对应的对比噪声信号；
将所述对比信号和所述对比噪声信号输入至预设的判别网络，获得对比信号与对比噪声信号的映射关系；
根据所得映射关系，生成噪声检测模型；
将所述反馈信号输入所述噪声检测模型，输出对应于所述反馈信号的噪声信号，将所述反馈信号中的噪声信号剔除，得到待处理信号；
获取所述待处理信号的时域特性，生成对应第一波形图，基于所述检测信号时域特性，得到第二波形图；
并获取所述第一波形图与所第二波形图基于时域的相位移动，并根据所述测试信号经过机械手电路后产生的相位移动，获取所述装配机械手电路信息，并基于所述电路信息，获取所述装配机械手的电路的实时电流；
判断所述装配机械手电路的实时电流是否处于预设范围之内；
若处于，则所述装配机械手电路无异常；
若不处于，则所述装配机械手电路异常，并向客户端反馈。
CN202111307142.9A 2021-11-05 2021-11-05 一种基于多源传感的装配机械手用高精度装配方法 Active CN114029723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111307142.9A CN114029723B (zh) 2021-11-05 2021-11-05 一种基于多源传感的装配机械手用高精度装配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111307142.9A CN114029723B (zh) 2021-11-05 2021-11-05 一种基于多源传感的装配机械手用高精度装配方法

Publications (2)

Publication Number Publication Date
CN114029723A true CN114029723A (zh) 2022-02-11
CN114029723B CN114029723B (zh) 2022-09-13

Family

ID=80136492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111307142.9A Active CN114029723B (zh) 2021-11-05 2021-11-05 一种基于多源传感的装配机械手用高精度装配方法

Country Status (1)

Country Link
CN (1) CN114029723B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020013675A1 (en) * 1998-11-12 2002-01-31 Alois Knoll Method and device for the improvement of the pose accuracy of effectors on mechanisms and for the measurement of objects in a workspace
CN106599794A (zh) * 2016-11-21 2017-04-26 南京熊猫电子股份有限公司 一种基于ar模型的六轴工业机器人故障诊断方法及系统
CN109397285A (zh) * 2018-09-17 2019-03-01 鲁班嫡系机器人（深圳）有限公司 一种装配方法、装配装置及装配设备
CN109719730A (zh) * 2019-01-25 2019-05-07 温州大学 一种断路器柔性化装配过程的数字孪生机器人
CN111785197A (zh) * 2020-08-06 2020-10-16 京东方科技集团股份有限公司 一种电流检测装置及显示装置
CN113375559A (zh) * 2021-07-06 2021-09-10 中国工程物理研究院机械制造工艺研究所 基于多源传感的在线测量定心装置、系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020013675A1 (en) * 1998-11-12 2002-01-31 Alois Knoll Method and device for the improvement of the pose accuracy of effectors on mechanisms and for the measurement of objects in a workspace
CN106599794A (zh) * 2016-11-21 2017-04-26 南京熊猫电子股份有限公司 一种基于ar模型的六轴工业机器人故障诊断方法及系统
CN109397285A (zh) * 2018-09-17 2019-03-01 鲁班嫡系机器人（深圳）有限公司 一种装配方法、装配装置及装配设备
CN109719730A (zh) * 2019-01-25 2019-05-07 温州大学 一种断路器柔性化装配过程的数字孪生机器人
CN111785197A (zh) * 2020-08-06 2020-10-16 京东方科技集团股份有限公司 一种电流检测装置及显示装置
CN113375559A (zh) * 2021-07-06 2021-09-10 中国工程物理研究院机械制造工艺研究所 基于多源传感的在线测量定心装置、系统及方法

Also Published As

Publication number Publication date
CN114029723B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN109949372B (zh) 一种激光雷达与视觉联合标定方法
CN109977813B (zh) 一种基于深度学习框架的巡检机器人目标定位方法
KR102171491B1 (ko) 딥러닝을 이용한 양품 선별 방법
CN104063873B (zh) 一种基于压缩感知的轴套类零件表面缺陷在线检测方法
JP3733094B2 (ja) 良否判定装置、良否判定プログラムおよび良否判定方法
CN107179324B (zh) 检测产品包装的方法、装置和系统
CN110473178A (zh) 一种基于多光源融合的外观缺陷检测方法及系统
CN110135521A (zh) 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统
CN110473179A (zh) 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备
CN110136186B (zh) 一种用于移动机器人目标测距的检测目标匹配方法
CN108090896B (zh) 木板平整度检测及其机器学习方法、装置及电子设备
CN113902710A (zh) 基于异常检测算法进行工业零件表面缺陷检测方法及系统
CN111783616B (zh) 一种基于数据驱动自学习的无损检测方法
US11521120B2 (en) Inspection apparatus and machine learning method
CN115995058A (zh) 基于人工智能的输电通道安全在线监测方法
US11682112B2 (en) Inspection device and machine learning method
CN115015286A (zh) 基于机器视觉的芯片检测方法及系统
KR102174424B1 (ko) 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
CN114029723B (zh) 一种基于多源传感的装配机械手用高精度装配方法
CN115294009A (zh) 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质
CN116105604B (zh) 钢管质量检测系统及检测方法
JPH0321866B2 (zh)
CN114749848A (zh) 一种基于3d视觉引导的钢筋焊接自动化系统
CN116935308B (zh) 基于车辆情景ai智能识别的洗车机安全监控系统及方法

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
GR01 Patent grant
GR01 Patent grant