CN114354626A - 一种基于数字孪生的铆接质量图像检测方法 - Google Patents
一种基于数字孪生的铆接质量图像检测方法 Download PDFInfo
- Publication number
- CN114354626A CN114354626A CN202111680062.8A CN202111680062A CN114354626A CN 114354626 A CN114354626 A CN 114354626A CN 202111680062 A CN202111680062 A CN 202111680062A CN 114354626 A CN114354626 A CN 114354626A
- Authority
- CN
- China
- Prior art keywords
- riveting
- mechanical arm
- image detection
- quality image
- riveting quality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 21
- 230000033001 locomotion Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 abstract 1
- 238000013519 translation Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000036544 posture Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本发明公开了一种基于数字孪生的铆接质量图像检测方法，包含以下步骤：(1)设计铆接质量图像检测孪生系统的总体方案，建立铆接质量图像检测系统的三维模型；(2)建立双向数据传输通道，实现机械臂三维模型与实体的联动；(3)结合铆接位置布局与机械臂参数对机械臂进行位姿控制、轨迹规划；(4)对采集的图像进行处理；(5)使用卷积神经对图片进行训练与测试。本发明通过建立铆接质量图像检测系统的三维模型结合双向数据传输通道，实现对机械臂实体的远程控制，通过对其进行的位姿控制与轨迹规划，实现对铆接头的图像采集，对其通过卷积神经网络进行训练与测试最终实现铆接质量检测。
Description
技术领域
本发明属于视觉检测领域，特别涉及一种基于数字孪生的铆接质量图像检测方法。
背景技术
在飞机装配过程中，壁板组件装配是至关重要的环节之一。由蒙皮、长桁铆接形成的壁板组件作为一种典型的薄壳结构，在机身、机翼等飞机结构中应用广泛。壁板组件既是主要的承力构件，也是构成飞机气动外形的重要组成部分，其装配精度直接影响后续不见装配及总装的质量和效率，而铆钉连接作为其装配的重要连接方式，铆接质量将很大程度影响到装配精度。而且，飞机的各种故障中，机体损伤的故障数量占总故障数量的30％以上，而机体损伤的故障中有75％～80％都是机体结构的连接部位发生疲劳破坏引起的，因此，保证机体的铆接质量对于提高飞机装配质量、延长飞机寿命尤为重要。
现阶段的专利公开以及文献资料显示：1)一种飞机气动铆接质量在线检测装置及检测方法(CN201710122247.4)，其检测装置包括底座、顶铁、夹紧螺栓、传感器系统、铆接板、铆钉、数据处理系统。通过调整丝杆螺栓实现仿真板夹紧和放松，利用传感器对于铆接信号的实时采集，数据文件传输到上位机进行结果分析和评价，在显示平台上显示出铆接的基本过程、铆接质量评价结果和针对性指导反馈，该方法必须在铆接过程中全程采集铆接质量信息，而无法对已铆接部分进行检测，适用性较差；2)一种用于新能源汽车车身的自冲铆接质量检测装置和方法(CN202011397098.0)，通过力传感器和位移传感器记录自冲铆接过程的冲压力和位移大小，检测设备根据输入设备的输入铆接类型特征，和力传感器、位移传感器记录的曲线特征，利用深度学习算法计算并在输出显示设备上输出检测结果，该方法只考虑了力与位移间关系，而忽略了环境因素、材料因素、被铆件状态因素等，测量结果可靠性不高；3)一种便携式铆接质量检测装置及其监测方法(CN201910137510.6)通过数据采集系统进行数据采集，在未知油缸两腔面积情况下可以准确的测得油缸双侧面积，进而对铆接质量进行判断，该方法通过压力传感器、力传感器、流量计等多个测量元件进行测量，当温度等环境因素变化时测量结果会有较大波动，不确定性误差较大。综上，现有研究成果和方法在铆接质量检测方面仍存在缺陷，难以满足当今铆接质量检测的精度要求与效率要求。
本发明将数字孪生技术与机器视觉检测技术这两种新兴技术结合，可以对已完成铆接的部分进行图像采集从而完成质量检测，同时由于图像中包含的信息资源较为丰富，测量结果的可靠性较高；由于图像采集系统的光源布置是固定的，因此外界光照变化对测量系统的影响较小，测量的不确定性误差较小。因此，本方法能够满足当今铆接质量检测的效率要求、精度要求。
发明内容
本发明提出一种基于数字孪生的铆接质量图像检测方法，结合数字孪生技术与机器视觉测量技术，将其应用于铆接质量检测，能够实时同步地表征检测系统的运作状态，通过孪生模型与实体间的信息交互实现虚拟模型的实时更新，并通过软件实时模拟出相机视角，便于对机械臂的运动轨迹进行规划，最后应用机器视觉技术对铆接质量进行检测，解决了现有技术对铆钉头位于骨架内侧的铆接质量检测困难的问题。
为实现上述目的，本发明采用的技术方案是：
一种基于数字孪生的铆接质量图像检测方法，包括以下步骤：
(1)确定铆接图像检测孪生系统的组成，系统包括被测样件、工业相机、机械臂、电脑、工作台。
(2)为保证机械臂实体与孪生模型间的通讯，采用TCP/IP传输协议，TCP/IP 信息传输协议规定了互联网各部分之间的通信标准和方法，通过TCP/IP传输协议可以实现信息传递时的格式转化，从而实现机械臂实体与孪生模型间的通讯。
(3)通过在Hierarchy面板中拖拽各关节节点，生成模型树，从而建立关节间父子关系，采用3×3旋转矩阵来表示机械臂末端姿态，并基于刚体的移动与转动推导出机械臂位姿的齐次坐标变换矩阵，从而在ros平台下对机械臂的各个关节进行python脚本程序编写，实现输入指定位姿点就可以计算出各关节位置信息，并通过双向数据传输通道传至电脑端，从而实现数字孪生模型的实时更新。
(4)为实现电脑端对机械臂实体的远程控制，通过对机械臂的逆运动学分析，得出各位姿点所对应各关节的角度值，将其转化为虚拟仿真系统指令按照指定的格式发送机械臂，指导机械臂的各关节运动。
(5)为保证图像检测的准确性，采集照片时相机需始终垂直于待测铆接平面且焦点位于待测铆接中心的正上方，根据待测零件的铆接位置分布，确定相机测量点的空间坐标，代入遗传算法,解得最优路线，从而完成相机的运动路径规划，再将相机运动路径进行离散化，得到各离散点坐标，代入逆运动学方程，解得各个关节位置，最终完成对机械臂的轨迹规划，使其带动工业相机运动到待测铆钉头的指定拍摄位置，实现铆钉头图像的采集。
(6)将已采集图片中的待测铆接部分使用Matlab软件的机器视觉工具箱手动标记为感兴趣区域，将标记后图像代入Alexnet神经网络进行训练，最终计算机能够自主识别出待测铆接部分并裁剪，从而减少图片中的待处理信息，提升程序运行速度。
(7)为去除采集图像中存在的噪点等多余特征信息，对图像进行灰度变换、基于ostu的阈值分割、高斯滤波、形态学处理、canny算子边缘提取等处理，最终提取出铆钉头的边缘曲线。
(8)分别用标签标记出合格铆接头图像与不合格铆接头图像，将其导入卷积神经网络进行训练、识别，最终实现铆接的质量检测。
与现有技术相比，本发明具有以下有益效果：
本发明设计了铆接质量图像检测孪生系统并采用TCP/IP传输通道协议实现机械臂实体与孪生模型间的实时通讯，从而实现了对检测系统的实时控制与孪生模型的实时更新；通过机械臂与机器视觉检测技术的结合，能够对一些难以进行人工检测的位置实现铆接质量检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现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是本发明的一些实施例，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它的附图。
图1是本发明提供的铆接图像检测孪生系统组成图；
图2是本发明提供的系统工作流程图；
图3是本发明提供的TCP/IP传输协议图；
图4是本发明提供的图像处理流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。此处所说明的附图是本申请的一部分，用来对本发明进行进一步解释，但并不构成对本发明的限定。
参照图1，为铆接图像检测孪生系统组成图。如图1所示铆接图像检测孪生系统有以下部分组成：机械臂、光源、面阵CCD工业相机、被测物体、电脑端。
参照图2，为铆接图像检测孪生系统工作流程图。如图2所示，包括以下步骤：
(1)根据机械臂与被测件的实际尺寸，使用UG三维建模软件在信息空间中构建数字孪生模型，对机械臂各关节进行脚本程序编写，实现输入指定位姿点就可以获取关节位置信息；
(2)参照图3，建立双向数据传输通道，并采用TCP/IP数据传输协议，通过此通道进行孪生系统与实体系统的信息交互，从而实现对机械臂实体的远程控制及孪生模型的实时更新。其中：对于实体机械臂在虚拟三维空间中的坐标映射，需要在机械臂末端的位姿表述时规定一个坐标系，然后采用一个三维的列向量来表示相对此坐标系的位置，末端的姿态在数学表达中采用3×3的旋转矩阵来表示。如式(1)所示，对于选定的直角坐标系{A}作为基坐标系，空间任意一点坐标系{B}来描述这一点相对于基坐标{A}的位置可以用3×1的列向量表示，坐标系{B}到坐标系{A}的三个坐标分量Px、Py、Pz来表示，即可以表示为：
机械臂属于复杂结构，仅抽象为一个刚体无法表达具体信息，除了需要掌握空间连杆的位置坐标，还需获得或计算出连杆的姿态。计算坐标系{B}三个方向的单位向量相对于坐标系{A}的方向余弦，组成新的3×3矩阵，此矩阵既是坐标系{B}相对于基坐标系{A}的姿态又能代表空间中点的位姿。
式中，R称之为旋转矩阵，即为坐标系{B}相对于基坐标系{A}位姿关系。
由于
矩阵是由
三个单位向量组成，并且三个向量之间两两垂直，因此满足单位正交的条件。即旋转变换就可以用绕X轴、绕Y轴、绕Z 轴旋转θ角度，公式如下：
为了书写简便，式(2-6)中，Sθ表示sinθ，Cθ表示cosθ，下文中公式的代表全部使用此符号。
机械臂的运动方程的研究，需将刚体的移动和转动整合在一起，得到机械臂位姿的齐次坐标矩阵，具体变换方式如下：
1)平移齐次坐标变换
平移齐次坐标变换就是从空间中取点P，从一个坐标点位置移动到另一个坐标点位置，求出移动后的坐标系和移动前的坐标系的相对位置变化。首先假设坐标系{A}和坐标系{B}的原点不重合，但三个坐标轴的方向是相同的，AP与BP分别表示各自坐标系原点与P点连线的矢量，ABP表示坐标系{B}相对坐标系{A}的位置平移的变化，故如果已知BP，则AP可记作为：
AP＝BP+AP (6)
2)旋转齐次坐标变换
坐标系{A}和坐标系{B}中，它们的原点是重合的，仅仅是三个坐标轴的方向不相同。坐标系{B}相对于坐标系{A}旋转后的状态用矩阵
表示，则当BP已知时，则AP可以表示为：
由于在数学运算中，矩阵的乘法不具备位置交换原则，即AB≠BA，在坐标变换时，左乘是指在运动时，相对于固定坐标系而言的，则右乘指在运动时，相对于运动坐标系而言的。
3)平移和旋转结合的齐次坐标变换一般情况，当两个坐标系{A}和{B}的原点和坐标轴方位都不相同时，此时两个坐标点之间既具有平移变换又具有旋转变换，若BP为已知时，则AP可以表示为：
式中，ABR表示坐标系{B}相对于坐标系{A}的旋转变化。
因此，在空间中无论两个坐标系{A}、{B}的状态和姿态如何，都可以利用平移变换和旋转变换相互结合的方法来互相描述，为了使此描述更加简介，在此引入一个齐次变换矩阵，将式(3-9)改写成齐次矩阵：
可简化为：
式中，AP和BP为4行1列的列向量，
为4行4列的齐次变换矩阵：
ABT为4行4列的齐次变换矩阵：空间里点P(a，b，c)用平移齐次变换表示为：
式(4)、式(5)、式(6)的旋转矩阵对应写成齐次坐标矩阵为：
式中，Trans表示平移变换，Rot表示旋转变换。
(3)将待测件的图纸文件导入检测系统，读取铆接孔的位置信息从而对工业相机的运动轨迹进行规划并转化为离散坐标点，将其代入逆运动学方程，解得各个关节位置，通过双向数据传输通道传至机械臂，从而控制机械臂孪生模型和机械臂实体到达指定位姿点进行图像采集，采集完成后，将下一个坐标点重新代入运算，重复上述步骤，直至轨迹规划完毕。其中，对机械臂的逆运动学分析主要使用分离变量法求解，求解过程如下：
由于求关节角度需要用到部分三角函数的方程，本文中使用到的解方程方法：
-sin(θ)px+cos(θ)py＝d (16)
三角恒等变换，设
px＝ρcos(φ) (17)
px＝ρsin(φ) (18)
其中：
φ＝atan2(py,px) (20)
代入上式：
cos(θ)sin(φ)-sin(θ)cos(θ)＝d/ρ (21)
换成差角公式得：
其中：px 2+py 2-d2≥0
对机械臂的逆运动学仿真验证可以通过MATLAB软件实现。MATLAB的 RoboticToolbox可以设置工业机器人的数学模型，并以图像的形式显示出来。 Toolbox还包括正逆运动学分析、动力学分析和轨迹规划等机器人算法函数库。驱动MATLAB提供的RoboticToolbox的drive bot(r)命令，可以构建机械臂数学模型模型，并可同时生成机械臂各关节的位置控制面板，可以通过调节机器人的每个关节使其能够到达预想位置，从而实现对所有关节姿态的清晰查看。
(4)将已采集图片中的待测铆接部分使用Matlab软件的机器视觉工具箱手动标记为感兴趣区域，将标记后图像代入Alexnet神经网络进行训练，最终能够计算机能够自主识别出待测铆接部分并裁剪，从而减少图片中的待处理信息，提升程序运行速度。
(5)参照图4对已采集图像进行图像处理。首先，对采集到的图像进行灰度化处理，将其转化为灰度图像，精简图像中包含的信息；其次，利用Otsu阈值分割法对图像进行二值化处理；再次，对图像进行高斯滤波处理、形态学处理，从而去除噪点；进而，使用canny算子提取图像边缘；
(6)将处理后的图片打上合格与不合格两种标签，并按照8:2比例分为训练集与测试集导入卷积神经网络进行训练与测试，完成卷积神经网络的训练；
(7)随后循环(1)～(5)步骤直至完成所有铆接部分的质量检测。
以飞机座舱盖骨架上的铆接部分为例进行铆接质量检测，待测部分分别有铆接头A、铆接头B、铆接头C，检测系统中机械臂选用UR10人机协同机械臂。
首先，基于机械臂实体尺寸构建检测系统的孪生模型，再通过读取被测样件图纸，构建被测样件孪生模型。上述孪生模型都是对实体的完整虚实映射；
通过机械臂自带的功能进行脚本编写，使其在运动的同时将实时将各个关节位置信息按照指定格式通过双向传输通道传至电脑端，实现孪生系统的实时更新；
根据铆接孔在虚拟三维空间中的位置坐标信息对工业相机的运动轨迹进行规划，并通过逆运动学方程解出各关节位置，从而通过电脑端控制机械臂实体带动工业相机运动到相应位置进行图像采集；
将采集到的图像导入同一个文件夹目录下，调用Matlab程序对文件夹中的所有图片逐一进行处理，将处理后的图片置于该文件夹下的新子文件夹；调用提前训练好的卷积神经网络算法程序对子文件夹中的图片逐一进行检测。
最终的检测结果为铆接头A不合格，铆接头B、铆接头C合格。通过采集的图片我们能够看到，铆接头A的头部变形区域过短，属于常见铆接缺陷中的铆接松动问题。
以上实施例仅用于说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员依然可以对本发明的具体实施方案进行修改或者等同替换，而这些并未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种基于数字孪生的铆接质量图像检测方法，其特征在于，包括以下步骤：
(1)设计铆接质量图像检测孪生系统的总体方案，建立铆接质量图像检测系统的数字孪生模型；
(2)建立双向数据传输通道，机械臂的位姿数据通过该通道实时同步至其数字孪生模型，而在电脑端对数字孪生模型的运动控制指令通过该通道下达至机械臂实体，从而实现机械臂数字孪生模型与实体的实时联动；
(3)根据铆接位置布局与机械臂参数，对机械臂进行位姿控制、轨迹规划，使机械臂带动工业相机运动到适当位置，从而实现铆接头图像的采集；
(4)对采集的图像进行图像处理，突出被测铆接头特征信息，以便卷积神经网络进行训练与测试；
(5)将处理后的图片集导入卷积神经网络进行训练与测试。
2.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，铆接图像检测孪生系统包括被测样件、工业相机、机械臂、电脑、工作台。
3.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，通过在Hierarchy面板中拖拽各关节节点，生成模型树，从而建立关节间父子关系，采用3×3旋转矩阵来表示机械臂末端姿态，并基于刚体的移动与转动推导出机械臂位姿的齐次坐标变换矩阵，从而在ros平台下对机械臂的各个关节进行python脚本程序编写，实现输入指定位姿点就可以计算出各关节位置信息，并通过双向数据传输通道传至电脑端，从而实现数字孪生模型的实时更新。
4.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，为保证机械臂实体与孪生模型间的通讯，采用TCP/IP传输协议，TCP/IP信息传输协议规定了互联网各部分之间的通信标准和方法，通过TCP/IP传输协议将虚拟仿真系统指令按照指定的格式发送到机械臂控制器，指导机械臂的各关节运动。
5.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，为保证图像检测的准确性，采集照片时相机需始终垂直于待测铆接平面且焦点位于待测铆接中心的正上方，根据待测零件的铆接位置分布，确定相机测量点的空间坐标，代入遗传算法,解得最优路线，从而完成相机的运动路径规划，再将相机运动路径进行离散化，得到各离散点坐标，代入逆运动学方程，解得各个关节位置，最终完成对机械臂的轨迹规划。
6.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，将已采集图片中的待测铆接部分使用Matlab软件的机器视觉工具箱手动标记为感兴趣区域，将标记后图像代入Alexnet神经网络进行训练，最终计算机能够自主识别出待测铆接部分并裁剪，从而减少图片中的待处理信息，提升程序运行速度。
7.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，为移除采集的图像中存在的噪点等多余特征信息，对图像进行灰度变换、高斯滤波、基于ostu的阈值分割、形态学处理、canny算子边缘提取等处理，最终提取出铆钉头的边缘曲线。
8.根据权利要求1所述的一种基于数字孪生的铆接质量图像检测方法，其特征在于，分别用标签标记出合格铆接头图像与不合格铆接头图像，将其代入卷积神经网络进行训练、识别，最终实现铆接的质量检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111680062.8A CN114354626A (zh) | 2021-12-31 | 2021-12-31 | 一种基于数字孪生的铆接质量图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111680062.8A CN114354626A (zh) | 2021-12-31 | 2021-12-31 | 一种基于数字孪生的铆接质量图像检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114354626A true CN114354626A (zh) | 2022-04-15 |
Family
ID=81104769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111680062.8A Pending CN114354626A (zh) | 2021-12-31 | 2021-12-31 | 一种基于数字孪生的铆接质量图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114354626A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998304A (zh) * | 2022-06-30 | 2022-09-02 | 深圳职业技术学院 | 自冲铆成形质量的检测方法、装置、电子设备及存储介质 |
| CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
| CN115229117A (zh) * | 2022-07-29 | 2022-10-25 | 东北大学 | 一种基于数字孪生的壁板铆接变形控制方法 |
| KR102599072B1 (ko) * | 2022-05-02 | 2023-11-06 | 테스원 주식회사 | 레이저 스캐닝 기반 spr 체결 품질 판단 방법 |
-
2021
- 2021-12-31 CN CN202111680062.8A patent/CN114354626A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102599072B1 (ko) * | 2022-05-02 | 2023-11-06 | 테스원 주식회사 | 레이저 스캐닝 기반 spr 체결 품질 판단 방법 |
| WO2023214756A1 (ko) * | 2022-05-02 | 2023-11-09 | 테스원 주식회사 | 레이저 스캐닝 기반 spr 체결 품질 판단 방법 |
| CN114998304A (zh) * | 2022-06-30 | 2022-09-02 | 深圳职业技术学院 | 自冲铆成形质量的检测方法、装置、电子设备及存储介质 |
| CN115229117A (zh) * | 2022-07-29 | 2022-10-25 | 东北大学 | 一种基于数字孪生的壁板铆接变形控制方法 |
| CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
| CN115144399B (zh) * | 2022-08-30 | 2023-01-13 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114354626A (zh) | 一种基于数字孪生的铆接质量图像检测方法 | |
| Tang et al. | A framework for manipulating deformable linear objects by coherent point drift | |
| CN110238845B (zh) | 最优标定点选取和误差自测量的自动手眼标定方法及装置 | |
| CN111679291B (zh) | 基于三维激光雷达的巡检机器人目标定位配置方法 | |
| CN107481292A (zh) | 车载摄像头的姿态误差估计方法和装置 | |
| CN111325768B (zh) | 一种基于3d视觉和模仿学习的自由漂浮目标抓捕方法 | |
| CN110065068B (zh) | 一种基于逆向工程的机器人装配作业演示编程方法及装置 | |
| CN112917516B (zh) | 用于自主装配机器人的知识学习与推理执行系统 | |
| CN110675453B (zh) | 一种已知场景中运动目标的自定位方法 | |
| Ding et al. | Research on computer vision enhancement in intelligent robot based on machine learning and deep learning | |
| Fu et al. | Active learning-based grasp for accurate industrial manipulation | |
| CN109636856B (zh) | 基于hog特征融合算子的物体六维度位姿信息联合测量方法 | |
| CN110142769B (zh) | 基于人体姿态识别的ros平台在线机械臂示教系统 | |
| CN110349209A (zh) | 基于双目视觉的振捣棒定位方法 | |
| CN111272764B (zh) | 大型智能临时平台非接触图像识别移动管控系统及方法 | |
| CN116245944B (zh) | 一种基于实测数据的舱段自动化对接方法及系统 | |
| Yunardi et al. | Implementation of motion capture system for trajectory planning of leg swing simulator | |
| CN113139945A (zh) | 一种基于Attention+YOLOv3的空调外机图像智能检测方法、设备及介质 | |
| CN206788571U (zh) | 运动模拟控制设备 | |
| Fu et al. | Robotic arm intelligent grasping system for garbage recycling | |
| CN111008607A (zh) | 一种视觉伺服飞机舱门缝隙自动化激光扫描方法和系统 | |
| US20230001576A1 (en) | Adaptive mobile manipulation apparatus and method | |
| Mazzuchelli | Robotize quality inspection approach enhanced by Bayesian optimization through point Cloud based sensors | |
| Bai et al. | Strategy with machine learning models for precise assembly using programming by demonstration | |
| Kwok et al. | Vision system and projective rectification for a robot drawing platform |
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 |