CN114407079B - 一种控制机械臂安装螺栓的方法 - Google Patents
一种控制机械臂安装螺栓的方法 Download PDFInfo
- Publication number
- CN114407079B CN114407079B CN202210082141.7A CN202210082141A CN114407079B CN 114407079 B CN114407079 B CN 114407079B CN 202210082141 A CN202210082141 A CN 202210082141A CN 114407079 B CN114407079 B CN 114407079B
- Authority
- CN
- China
- Prior art keywords
- bolt
- mechanical arm
- image
- control module
- bolts
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009434 installation Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract 2
- 238000003672 processing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012467 final product Substances 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
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
- B25J9/1687—Assembly, peg and hole, palletising, straight line, weaving pattern movement
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及一种控制机械臂安装螺栓的方法，包括如下步骤：(1)拾取螺栓在安装面进行安装；(2)监测机械臂对螺栓的扭矩并将检测的扭矩值发送至控制模块，若机械臂对螺栓的扭矩达到预定值时，控制模块控制机械臂停止拧螺栓，则进入步骤(3)；(3)测量其与安装面的夹角并将检测的夹角值发送至控制模块，若夹角值在预定的范围内，则进入步骤(4)；(4)采集安装点的图像并将采集的图像发送至控制模块，所述控制模块进行视觉分析并判断螺栓是否拧到位。本发明结合扭矩控制和激光测量对螺栓进行检测，进行实时监控并得到及时反馈调整，后对安装螺栓的安装面进行安装完成后再次检测，提升机械臂在安装螺栓时的可靠性。
Description
技术领域
本发明属于机器人应用技术领域，具体涉及一种控制机械臂安装螺栓的方法。
背景技术
螺栓作为工业制造的一个关键零件，它优秀的固定性和便利性在各个工业组装是不可缺少的。使用人工安装螺栓，这过程是很费时费力的，而且也存在着人在转螺栓的时候使用的力是不同的，导致有些螺栓安装的紧而有些螺栓安装的松，从而影响最终产品的平衡性和使用。
使用机械臂安装螺栓已逐渐成为工厂里安装螺栓的主流，但在现在主流机械手臂转动螺栓时，通常是采用单一的拧螺机进行安装，按照产生的扭矩，也就是使用扭矩控制法来判断机械臂产生的扭矩是否过大或过小，从而判断螺栓是否拧紧，但由于在铸造螺栓的时候难免会有机械误差出现螺栓在生产时螺纹的螺牙生产不标准或者有损坏，在没有二次检测的情况下安装螺栓，可能在会导致安装螺栓时发生滑丝的现象，且有时机械臂在安装螺栓的时候会出现一些外在的震动导致机械手臂将螺栓打偏的情况或者机械臂对安装面的坐标不准确，使螺栓在相同扭矩下没有达到预期固定的位置出现安装歪的情况，从而在后续设备使用时出现螺栓松动现象。
综上所述，亟需提供一种检测在机械臂安装螺栓时的异常情况，并提升机械臂在安装螺栓时的可靠性的控制机械臂安装螺栓的方法。
发明内容
本发明的目的是提供一种检测在机械臂安装螺栓时的异常情况，并提升机械臂在安装螺栓时的可靠性的控制机械臂安装螺栓的方法。
上述目的是通过如下技术方案实现：一种控制机械臂安装螺栓的方法，所述机械臂末端设有激光测量仪、扭矩监测仪和视觉识别机构，所述控制机械臂安装螺栓的方法包括如下步骤：
(1)将需要安装的螺栓尺寸输入数据库中，机械臂拾取螺栓在安装面进行安装；
(2)扭矩监测仪监测机械臂对螺栓的扭矩并将检测的扭矩值发送至控制模块，若机械臂对螺栓的扭矩达到预定值时，控制模块控制机械臂停止拧螺栓，则进入步骤(3)；若机械臂对螺栓的扭矩持续在一个数值且没有出现明显变化，控制模块控制机械臂停止打螺栓并发送预定的异常信息；
(3)激光测量仪测量其与安装面的夹角并将检测的夹角值发送至控制模块，若夹角值在预定的范围内，则进入步骤(4)；若夹角值不在预定的范围内，控制模块发送预定的异常信息；
(4)视觉识别机构采集安装点的图像并将采集的图像发送至控制模块，所述控制模块进行视觉分析并判断螺栓是否拧到预定位置，若拧到位，完成螺栓安装；若未拧到位，控制模块发送预定的异常信息，并控制机械臂对识别的安装不合格的位置进行螺栓的重新安装。
本发明采用扭矩、激光测量检测以及视觉识别结合的控制方法，监测机械臂对螺栓的扭矩判断是否拧紧，并根据检测结果控制机械臂停止拧螺栓的动作；拧紧后通过激光测量仪测量其与安装面的夹角，判断是否打歪，打歪了的取出重新打；最后在安装完螺栓后，对螺栓进检测，运用图像识别的技术，对合格的和不合格的安装螺栓进行标注，将不合格的螺栓安装的坐标位置反馈给系统，然后不合格的位置重新安装。
进一步的技术方案是，所述步骤(4)中图像采集和分析的具体步骤如下：
(4.1)对视觉识别机构进行校对；
(4.2)图像的边缘检测，获取边缘二值图像；
(4.3)确定检测安装面边缘线，通过检测安装面标记线与螺栓标记距离与角度判断螺栓与安装面是否贴合；
(4.4)对采集的图像进行训练和螺栓标定，形成数据集；
(4.5)根据步骤(4.4)获得的数据集进行识别判断螺栓是否拧到预定位置。
进一步的技术方案是，所述步骤(4.3)中检测安装面边缘线的确定方法为：通过霍夫变换对步骤(4.2)中的边缘图像进行直线检测：通过在边缘图像中计算经过二值图像的图像点的直线，直线方程为y＝kx+b，经变换后得到b＝-kx+y，表示因变量为b、自变量为k的参数空间，(x,y)是未失真图像的像素坐标，b为截距，k为直线斜率；直线方程使用极坐标参数方程ρ＝xcosθ+ysinθ表示，其中ρ为坐标系原点到直线的距离，通过极坐标方程计算得到所有直线方程的焦点，找到二值图像的图像点的直线方程通过所述焦点的所有图像点，将其连成一条直线，获得的直线为检测安装面边缘线。
进一步的技术方案是，所述步骤(4.4)中包括特征分类的步骤：首先通过将选择的图像和对象作为输入，选取图像中的候选区域，截取图像中的一个固定大小的片段，使用卷积神经网络提取特征，然后根据初始搜索参数对对象进行定位和分类，训练一个SVM分类器来判断候选框里物体的类别，每个类别对应一个SVM，判断是否属于预定类别，最后进行微调，与目标值建立回归方程计算，使用回归器修正候选框位置，对于每个类别，训练一个线性回归模型去判定这个框里的物体的准确性。
进一步的技术方案是，将被分类出来的特征通过人工标注，且在标注过程中，人工对每个图像分配一个标签，分别标注螺栓被拎紧和没有被拎紧，如此形成数据集。
进一步的技术方案是，所述步骤(4.2)中使用自动阈值Canny算法对图像的边缘检测得到最优边缘检测图，即图像中所显示的物体外轮廓。
进一步的技术方案是，将所述激光测量仪器安装在机械臂末端并与机械臂末端平行，所述步骤(1)与步骤(2)之间还包括使用激光测量仪器测量其与安装面的夹角的步骤。如此，通过拧螺栓之前，通过测量激光测量仪器与安装面的夹角数值，避免机械臂开始就将螺栓打歪。
进一步的技术方案是，所述步骤(2)中发送的异常信息为“滑丝”，所述步骤(3)中发送的异常信息为“打歪”，所述步骤(4)中发送的异常信息为“偏移”。
相比于现有技术，本发明结合扭矩控制法和激光测量方法对螺栓进行第一次检测，可以防止螺栓因为打歪而得到进一步损坏，这样减少机械臂在安装螺栓的不稳定性，可以在机械臂在安装螺栓时进行实时监控并得到及时反馈调整；其次，结合图像处理的方法，对安装螺栓的安装面进行安装完成后的再一次检测，从而检测出螺栓在安装面上没有安装到位的情况，进一步提升机械臂在安装螺栓时的可靠性。
具体实施方式
以下结合具体实施例对本发明作进一步描述，以助于更好地理解本发明，但本发明的保护范围并不仅限于这些实施例。
本发明实施例如下，一种控制机械臂安装螺栓的方法，所述机械臂末端设有激光测量仪、扭矩监测仪和视觉识别机构，所述控制机械臂安装螺栓的方法包括如下步骤：
(1)将需要安装的螺栓尺寸输入数据库中，机械臂拾取螺栓在安装面进行安装；
(2)扭矩监测仪监测机械臂对螺栓的扭矩并将检测的扭矩值发送至控制模块，若机械臂对螺栓的扭矩达到预定值时，控制模块控制机械臂停止拧螺栓，则进入步骤(3)；若机械臂对螺栓的扭矩持续在一个数值且没有出现明显变化，控制模块控制机械臂停止打螺栓并发送预定的异常信息；
(3)激光测量仪测量其与安装面的夹角并将检测的夹角值发送至控制模块，若夹角值在预定的范围内，则进入步骤(4)；若夹角值不在预定的范围内，控制模块发送预定的异常信息；
(4)视觉识别机构采集安装点的图像并将采集的图像发送至控制模块，所述控制模块进行视觉分析并判断螺栓是否拧到预定位置，若拧到位，完成螺栓安装；若未拧到位，控制模块发送预定的异常信息，并控制机械臂对识别的安装不合格的位置进行螺栓的重新安装。
本发明采用扭矩、激光测量检测以及视觉识别结合的控制方法，监测机械臂对螺栓的扭矩判断是否拧紧，并根据检测结果控制机械臂停止拧螺栓的动作；拧紧后通过激光测量仪测量其与安装面的夹角，判断是否打歪，打歪了的取出重新打；最后在安装完螺栓后，对螺栓进检测，运用图像识别的技术，对合格的和不合格的安装螺栓进行标注，将不合格的螺栓安装的坐标位置反馈给系统，然后不合格的位置重新安装。
具体运行过程分为以下几种情况：
1)扭矩到达正常的数值，激光测量仪器检测的数值在合理范围内。出现此情况，说明螺栓是垂直于安装面安装的且到达合理的扭矩数值，螺栓已经安装到位。
2)扭矩到达正常的数值，激光测量仪器检测的数值远远大于90°。此情况说明，螺栓出现打歪的情况。采用扭矩控制的方法在这种情况下是不起效果的，应该采用激光测量仪器来辅助机械臂，确保螺栓没有被打歪。
3)当扭矩数值始终在一个数值转动且没有出现明显变化。激光测量仪器检测的数值在合理范围内。此情况说明螺栓的螺牙出现问题导致外螺纹无法与相配套的内螺纹咬合，出现滑丝的现象。
4)扭矩到达正常的数值，激光测量仪器检测的数值在合理范围内。二次摄像头检测，发现螺栓还是有安装偏移或没安装进去。这种情况通常是安装面材质问题或者机械手臂在安装螺栓时有一些细微的抖动导致螺栓在安装时发生一些细微的偏移。
这种情况通常激光测量仪器无法检测出来。这里需要使用图像识别的技术对螺栓进行二次检测。通过人工的图像处理方法工作量是非常大的，这里使用深度学习技术来避免手动标定螺栓特征的繁琐工作量。
具体实施过程是，通过使用安装在机械手臂上的摄像头拍摄的区域得到的螺栓安装的位置信息和图片的信息。
在上述实施例的基础上，本发明另一实施例中，所述步骤(4)中图像采集和分析的具体步骤如下：
(4.1)对视觉识别机构进行校对；
(4.2)图像的边缘检测，获取二值图像；
(4.3)确定检测安装面边缘线，通过检测安装面标记线与螺栓标记距离与角度判断螺栓与安装面是否贴合；
(4.4)对采集的图像进行训练和螺栓标定，形成数据集；
(4.5)根据步骤(4.4)获得的数据集进行识别判断螺栓是否拧到预定位置。
在上述实施例的基础上，本发明另一实施例中，所述步骤(4.3)中检测安装面边缘线的确定方法为：通过霍夫变换对步骤(4.2)中的边缘图像进行直线检测：通过在边缘图像中计算经过二值图像图像点的直线，直线方程为y＝kx+b，经变换后得到b＝-kx+y，表示因变量为b、自变量为k的参数空间，(x,y)是未失真图像的像素坐标，b为截距，k为直线斜率；直线方程使用极坐标参数方程ρ＝xcosθ+ysinθ表示，其中ρ为坐标系原点到直线的距离，通过极坐标方程计算得到所有直线方程的焦点，找到二值图像的图像点的直线方程通过所述焦点的所有图像点，将其连成一条直线，获得的直线为检测安装面边缘线。
在上述实施例的基础上，本发明另一实施例中，所述步骤(4.4)中包括特征分类的步骤：首先通过将选择的图像和对象作为输入，选取图像中的候选区域，截取图像中的一个固定大小的片段，使用卷积神经网络提取特征，然后根据初始搜索参数对对象进行定位和分类，训练一个SVM分类器来判断候选框里物体的类别，每个类别对应一个SVM，判断是否属于预定类别，最后进行微调，与目标值建立回归方程计算，使用回归器修正候选框位置，对于每个类别，训练一个线性回归模型去判定这个框里的物体的准确性。
在上述实施例的基础上，本发明另一实施例中，将被分类出来的特征通过人工标注，且在标注过程中，人工对每个图像分配一个标签，分别标注螺栓被拎紧和没有被拎紧，如此形成数据集。
在上述实施例的基础上，本发明另一实施例中，所述步骤(4.2)中使用自动阈值Canny算法对图像的边缘检测得到最优边缘检测图，即图像中所显示的物体外轮廓。
在上述实施例的基础上，本发明另一实施例中，将所述激光测量仪器安装在机械臂末端并与机械臂末端平行，所述步骤(1)与步骤(2)之间还包括使用激光测量仪器测量其与安装面的夹角的步骤。如此，通过拧螺栓之前，通过测量激光测量仪器与安装面的夹角数值，避免机械臂开始就将螺栓打歪。
在上述实施例的基础上，本发明另一实施例中，所述步骤(2)中发送的异常信息为“滑丝”，所述步骤(3)中发送的异常信息为“打歪”，所述步骤(4)中发送的异常信息为“偏移”。
其中，摄像头扭矩监测仪、激光测量仪器和视觉识别机构安装在机械臂末端，激光测量仪与机械臂末端平行，根据螺栓的尺寸确保激光仪器准确测量出螺栓头与安装面的距离从而得到是否螺栓是相对垂直状态且螺栓与安装面已经相对贴合。可以在螺栓安装完成后，再在机械臂上安装摄像头，对安装的螺栓整体进行检测。
相比于现有技术，本发明结合扭矩控制法和激光测量方法对螺栓进行第一次检测，可以防止螺栓因为打歪而得到进一步损坏，这样减少机械臂在安装螺栓的不稳定性，可以在机械臂在安装螺栓时进行实时监控并得到及时反馈调整；其次，结合图像处理的方法，对安装螺栓的安装面进行安装完成后的再一次检测，从而检测出螺栓在安装面上没有安装到位的情况，进一步提升机械臂在安装螺栓时的可靠性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (5)
1.一种控制机械臂安装螺栓的方法，其特征在于，所述机械臂末端设有激光测量仪、扭矩监测仪和视觉识别机构，所述控制机械臂安装螺栓的方法包括如下步骤：
(1)将需要安装的螺栓尺寸输入数据库中，机械臂拾取螺栓在安装面进行安装；
(2)扭矩监测仪监测机械臂对螺栓的扭矩并将检测的扭矩值发送至控制模块，若机械臂对螺栓的扭矩达到预定值时，控制模块控制机械臂停止拧螺栓，则进入步骤(3)；若机械臂对螺栓的扭矩持续在一个数值且没有出现明显变化，控制模块控制机械臂停止打螺栓并发送预定的异常信息；
(3)激光测量仪测量其与安装面的夹角并将检测的夹角值发送至控制模块，若夹角值在预定的范围内，则进入步骤(4)；若夹角值不在预定的范围内，控制模块发送预定的异常信息；
(4)视觉识别机构采集安装点的图像并将采集的图像发送至控制模块，所述控制模块进行视觉分析并判断螺栓是否拧到预定位置，若拧到位，完成螺栓安装；若未拧到位，控制模块发送预定的异常信息，并控制机械臂对识别的安装不合格的位置进行螺栓的重新安装；
所述步骤(4)中图像采集和分析的具体步骤如下：
(4.1)对视觉识别机构进行校对；
(4.2)图像的边缘检测，获取边缘二值图像；
(4.3)确定检测安装面边缘线，通过检测安装面标记线与螺栓标记距离与角度判断螺栓与安装面是否贴合：通过霍夫变换对步骤(4.2)中的边缘图像进行直线检测：通过在边缘图像中计算经过二值图像的图像点的直线，直线方程为y＝kx+b，经变换后得到b＝-kx+y，表示因变量为b、自变量为k的参数空间，(x,y)是未失真图像的像素坐标，b为截距，k为直线斜率；直线方程使用极坐标参数方程ρ＝xcosθ+ysinθ表示，其中ρ为坐标系原点到直线的距离，通过极坐标方程计算得到所有直线方程的焦点，找到二值图像的图像点的直线方程通过所述焦点的所有图像点，将其连成一条直线，获得的直线为检测安装面边缘线。
(4.4)对采集的图像进行训练和螺栓标定，形成数据集；所述步骤(4.4)中包括特征分类的步骤：首先通过将选择的图像和对象作为输入，选取图像中的候选区域，截取图像中的一个固定大小的片段，使用卷积神经网络提取特征，然后根据初始搜索参数对对象进行定位和分类，训练一个SVM分类器来判断候选框里物体的类别，每个类别对应一个SVM，判断是否属于预定类别，最后进行微调，与目标值建立回归方程计算，使用回归器修正候选框位置，对于每个类别，训练一个线性回归模型去判定这个框里的物体的准确性；
(4.5)根据步骤(4.4)获得的数据集进行识别判断螺栓是否拧到预定位置。
2.根据权利要求1所述的控制机械臂安装螺栓的方法，其特征在于，将被分类出来的特征通过人工标注，且在标注过程中，人工对每个图像分配一个标签，分别标注螺栓被拎紧和没有被拎紧，如此形成数据集。
3.根据权利要求1或2所述的控制机械臂安装螺栓的方法，其特征在于，所述步骤(4.2)中使用自动阈值Canny算法对图像的边缘检测得到最优边缘检测图，即图像中所显示的物体外轮廓。
4.根据权利要求1所述的控制机械臂安装螺栓的方法，其特征在于，将所述激光测量仪器安装在机械臂末端并与机械臂末端平行，所述步骤(1)与步骤(2)之间还包括使用激光测量仪器测量其与安装面的夹角的步骤。
5.根据权利要求1所述的控制机械臂安装螺栓的方法，其特征在于，所述步骤(2)中发送的异常信息为“滑丝”，所述步骤(3)中发送的异常信息为“打歪”，所述步骤(4)中发送的异常信息为“偏移”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082141.7A CN114407079B (zh) | 2022-01-24 | 2022-01-24 | 一种控制机械臂安装螺栓的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210082141.7A CN114407079B (zh) | 2022-01-24 | 2022-01-24 | 一种控制机械臂安装螺栓的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114407079A CN114407079A (zh) | 2022-04-29 |
| CN114407079B true CN114407079B (zh) | 2024-01-30 |
Family
ID=81276965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210082141.7A Active CN114407079B (zh) | 2022-01-24 | 2022-01-24 | 一种控制机械臂安装螺栓的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114407079B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205286B (zh) * | 2022-09-13 | 2023-01-24 | 国网天津市电力公司建设分公司 | 爬塔机器人机械臂螺栓识别与定位方法、存储介质、终端 |
| CN117415603B (zh) * | 2023-12-18 | 2024-03-12 | 北京李尔现代坦迪斯汽车系统有限公司 | 一种汽车座椅生产用螺栓旋拧机器人 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010000573A (ja) * | 2008-06-20 | 2010-01-07 | Aisin Aw Co Ltd | ボルト締め付け判定装置 |
| CN107984201A (zh) * | 2017-11-30 | 2018-05-04 | 中国地质大学（武汉） | 一种基于视觉伺服的螺孔定位及锁卸螺丝方法 |
| KR20180074048A (ko) * | 2016-12-23 | 2018-07-03 | 김보경 | 볼트 체결장치 |
| CN109570986A (zh) * | 2018-12-27 | 2019-04-05 | Tcl王牌电器(惠州)有限公司 | 全自动锁螺丝机和螺丝锁紧判断方法 |
| CN110097536A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 |
| CN110442747A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于关键词的视频摘要生成方法 |
| CN110580723A (zh) * | 2019-07-05 | 2019-12-17 | 成都智明达电子股份有限公司 | 一种利用深度学习和计算机视觉进行精准定位的方法 |
| CN111571190A (zh) * | 2020-05-22 | 2020-08-25 | 中国科学院自动化研究所 | 三维立体式可视化自动装配系统及方法 |
| CN211759705U (zh) * | 2019-12-26 | 2020-10-27 | 四维尔丸井(广州)汽车零部件有限公司 | 打螺丝系统 |
| CN111958221A (zh) * | 2020-08-04 | 2020-11-20 | 大峡谷照明系统（苏州）股份有限公司 | 自动螺丝机 |
| CN113020959A (zh) * | 2021-03-11 | 2021-06-25 | 中国科学院自动化研究所 | 基于双目视觉的接头拧紧角度自动预测装置及系统 |
| CN113379712A (zh) * | 2021-06-23 | 2021-09-10 | 西南交通大学 | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 |
| CN113927288A (zh) * | 2021-11-22 | 2022-01-14 | 苏州工业园区嘉宝精密机械有限公司 | 一种具有检测功能的螺丝锁紧方法 |
-
2022
- 2022-01-24 CN CN202210082141.7A patent/CN114407079B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010000573A (ja) * | 2008-06-20 | 2010-01-07 | Aisin Aw Co Ltd | ボルト締め付け判定装置 |
| KR20180074048A (ko) * | 2016-12-23 | 2018-07-03 | 김보경 | 볼트 체결장치 |
| CN107984201A (zh) * | 2017-11-30 | 2018-05-04 | 中国地质大学（武汉） | 一种基于视觉伺服的螺孔定位及锁卸螺丝方法 |
| CN109570986A (zh) * | 2018-12-27 | 2019-04-05 | Tcl王牌电器(惠州)有限公司 | 全自动锁螺丝机和螺丝锁紧判断方法 |
| CN110097536A (zh) * | 2019-04-10 | 2019-08-06 | 东南大学 | 基于深度学习和霍夫变换的六边形螺栓松动检测方法 |
| CN110580723A (zh) * | 2019-07-05 | 2019-12-17 | 成都智明达电子股份有限公司 | 一种利用深度学习和计算机视觉进行精准定位的方法 |
| CN110442747A (zh) * | 2019-07-09 | 2019-11-12 | 中山大学 | 一种基于关键词的视频摘要生成方法 |
| CN211759705U (zh) * | 2019-12-26 | 2020-10-27 | 四维尔丸井(广州)汽车零部件有限公司 | 打螺丝系统 |
| CN111571190A (zh) * | 2020-05-22 | 2020-08-25 | 中国科学院自动化研究所 | 三维立体式可视化自动装配系统及方法 |
| CN111958221A (zh) * | 2020-08-04 | 2020-11-20 | 大峡谷照明系统（苏州）股份有限公司 | 自动螺丝机 |
| CN113020959A (zh) * | 2021-03-11 | 2021-06-25 | 中国科学院自动化研究所 | 基于双目视觉的接头拧紧角度自动预测装置及系统 |
| CN113379712A (zh) * | 2021-06-23 | 2021-09-10 | 西南交通大学 | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 |
| CN113927288A (zh) * | 2021-11-22 | 2022-01-14 | 苏州工业园区嘉宝精密机械有限公司 | 一种具有检测功能的螺丝锁紧方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114407079A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114407079B (zh) | 一种控制机械臂安装螺栓的方法 | |
| CN109969736B (zh) | 一种大型运载皮带跑偏故障智能检测方法 | |
| CN100485371C (zh) | 钢板预处理过程中的上、下表面缺陷在线自动检测方法 | |
| CN105930837A (zh) | 基于自主巡检机器人的变电站仪表设备图像识别方法 | |
| CN114799849B (zh) | 一种基于机器视觉的螺丝机作业操作参数采集分析系统 | |
| CN116423005B (zh) | 一种提高焊接精度的锡焊工艺优化方法及系统 | |
| KR20150012384A (ko) | 도로 표면상의 포트홀 측정 시스템 및 방법 | |
| CN117250208B (zh) | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 | |
| CN116092214B (zh) | 一种轻量化白车身总成生产的同步监测方法及系统 | |
| CN116840243B (zh) | 一种机器视觉对象识别的修正方法及系统 | |
| CN116428984A (zh) | 一种五金模具冲压加工智能检测系统 | |
| CN111563896A (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN116993725B (zh) | 一种柔性电路板智能贴片信息处理系统 | |
| CN116896860A (zh) | 一种基于5g的smt生产线质量监测与分析方法和系统 | |
| Rusli et al. | Fastener identification and assembly verification via machine vision | |
| CN112146593A (zh) | 一种基于机器视觉的外螺纹检测方法及实时检测系统 | |
| CN116840240A (zh) | 电源分配器视觉检测系统 | |
| CN111475016A (zh) | 一种基于计算机视觉的装配过程几何参数自适应测量系统及方法 | |
| CN116197649A (zh) | 一种用于锁螺丝机的智能调节系统 | |
| CN114155432A (zh) | 一种基于机器人的表计读数识别方法 | |
| TWM619409U (zh) | 智慧化加工系統 | |
| CN112288747A (zh) | 一种钢坯的智能检测方法及装置 | |
| CN105277137A (zh) | 换气阀检测对位方法 | |
| CN117358615B (zh) | 一种自动喷码印刷缺陷检测方法及系统 | |
| CN117496451B (zh) | 一种机械设备自动化生产用图像处理系统 |
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 |