CN114581439A - 散装零件快速自动点料方法及系统 - Google Patents

散装零件快速自动点料方法及系统 Download PDF

Info

Publication number
CN114581439A
CN114581439A CN202210464515.1A CN202210464515A CN114581439A CN 114581439 A CN114581439 A CN 114581439A CN 202210464515 A CN202210464515 A CN 202210464515A CN 114581439 A CN114581439 A CN 114581439A
Authority
CN
China
Prior art keywords
bulk
target
parts
image
counting
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
Application number
CN202210464515.1A
Other languages
English (en)
Inventor
黄犇
刘洪涛
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.)
Tianjin 712 Communication and Broadcasting Co Ltd
Original Assignee
Tianjin 712 Communication and Broadcasting 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 Tianjin 712 Communication and Broadcasting Co Ltd filed Critical Tianjin 712 Communication and Broadcasting Co Ltd
Priority to CN202210464515.1A priority Critical patent/CN114581439A/zh
Publication of CN114581439A publication Critical patent/CN114581439A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20152—Watershed segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种散装零件快速自动点料方法及系统，该方法包括获取待计数的散装零件的图像；利用训练好的神经网络识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数，直至获得各个类别的目标零件个数，能有效提升作业效率，提高数料准确度。

Description

散装零件快速自动点料方法及系统
技术领域
本发明涉及电路制造技术领域，尤其涉及散装零件快速自动点料方法及系统。
背景技术
多品种少批量生产特点的企业，每个生产批次库房发料和车间收料大多都是散装件，需要占用大量人力进行人工点料。人工点料的方式不但效率低，准确度也没有保证。对于静电敏感器件或一些异形件，人工点料过程，还有可能造成静电不良或其他物理损伤。
目前，对于手工焊接、组装使用的散装料，市场上没有自动数料设备。基于对手工焊接、组装使用的散装料自动点料的需求现况，我们设计开发基于机器视觉检测技术的快速点料系统，替代现有的人工点料作业模式，解决人力占用问题，提高收发料的准确率和工作效率。
发明内容
因此，本发明的目的在于提供一种散装零件快速自动点料方法及系统，实现了对散装零件的自动识别与计数，方便快捷的实现零件的自动技术。
为了实现上述目的，本发明的一种散装零件快速自动点料方法，包括以下步骤：
S1、获取待计数的散装零件的图像；
S2、利用训练好的神经网络识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；
S3、利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数；
S4、重复步骤S3，统计各类别所述目标零件的数量。
进一步优选的，还包括S0、对待计数的散装零件进行振动，避免散装零件重叠。
进一步优选的，所述神经网络采用MLP网络，所述MLP网络进行训练时包括以下步骤：
获取各种类型散装零件的历史图像，作为样本零件图像；并将样本零件图像按比例分为测试集和训练集；
利用训练集，通过矩形框选择目标和背景，根据矩形框创建目标样本和背景样本；通过形态学计算目标样本的区域面积；根据目标样本的区域面积的最大值和最小值设定样本零件的面积阈值；对符合面积阈值的目标样本进行计数，保存训练好的MLP网络参数；
利用测试集对训练好的MLP网络进行测试。
进一步优选的，还包括在S3中，当分割出的目标零件边界粘连或出现重叠时，包括以下步骤：
S301、对于粘连区域，求出图像的梯度图；
S302、对梯度图进行分水岭算法，求得粘连区域的边缘线；
S303、根据边缘线得到多个独立ROI区域分别进行特征提取，所述特征包括面积或形状，将提取的特征与预存的样本数据进行比对，根据面积或形状判断是否还存在粘连区域；
S304、重复S301-S303，直至粘连区域全部分割完成，对分割区域进行计数。
进一步优选的，所述对梯度图进行分水岭算法，包括以下步骤：
对粘连区域，利用梯度函数提取图像边缘，形成梯度图；
对梯度图中的每一个像素点的灰度值进行标记，表示该像素点的海拔高度，灰度值为0对应地形图的地面，灰度值最大的像素对应地形图的最高点，灰度值大于平均值的像素连成的线作为分水岭，形成粘连区域的边缘线。
本发明一种散装零件快速自动点料系统，用于实施上述散装零件快速自动点料方法，包括工业照相机、图像处理器和控制面板；
所述工业照相机设置在测试载具上方，用于获取待测试的散装零件的图像；
所述图像处理器用于根据获取的图像，利用训练好的神经网络识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数，重复该过程，统计各类别目标零件的数量。
所述控制面板用于获取操作员的操作指令，控制工业照相机调整角度；获取显示面板的计数结果。
进一步优选的，还包括LED光源，所述LED光源，所述LED光源用于对测试载具中的散装零件进行补光，保证拍照图像是在特定照度的环境中获得的，防止外部环境光对拍照效果的影响，避免拍照过程中散装零件出现阴影。
进一步优选的，还包括振动台，所述振动台上设有测试载具，所述测试载具用于盛装待测试的散装零件；所述振动台，用于振动测试载具中的散装零件，保证散装零件不会出现重叠。
进一步优选的，还包括显示模块，所述显示模块用于显示获取图像，显示零件信息和点料结果。
进一步优选的，还包括供电模块，所述供电模块用于将220V交流电转换为各功能模块所需的直流电。
本申请公开的一种散装零件快速自动点料方法及系统，相比于现有技术，至少具有以下优点：
1.本申请提供的散装零件快速自动点料方法及系统，通过获取散装零件的图像，利用图像处理技术，实现了对于手插件、螺装件等小型散装零件的自动计数。2.本申请中散装零件快速自动点料方法及系统，对于散装零件在放置测试载具后，无法避免会出现零件叠加，影响后期图像分析的情况，设计了振动模块与测试载具结合的方案，通过在X/Y/Z轴方向对测试载具进行高频率低幅度振动，可以有效的将零件摆放位置离散化处理。
3.本系统可有效替代制造企业人工数料的繁重工作，有效提升作业效率，提高数料准确度。由于减少人工拿取零件的次数，可以有效管控外力变形、静电等由于人工数料带来的零件不良。本系统的应用也可以减少数料人力的占用，节约企业用工成本。由于采用机器视觉检测技术，每一次数料过程状态和结果，都可以输出表单或者存储到数据库，用于企业制造生产数据参考使用。
附图说明
图1为本发明的散装零件快速自动点料方法的流程示意图。
图2为本发明散装零件快速自动点料系统的原理示意图。
图3为本发明散装零件快速自动点料系统的结构示意图。
图中：1--工业照相机；2--工业照相机镜头；3--LED光源；4--遮光罩；5--主机箱；6--测试载具；7--显示模块；8--控制面板；9--启动键；10--散热风扇孔。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的散装零件快速自动点料方法，包括以下步骤：
S1、获取待计数的散装零件的图像；
S2、利用训练好的神经网络，识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；
S3、利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数；
S4、重复步骤S3，统计各类别所述目标零件的数量。
进一步优选的，还包括S0、对待计数的散装零件进行振动，避免散装零件重叠，需要说明的是，在振动过程中，采用X/Y/Z轴三个轴，进行高频率低幅度振动，可以有效的将零件摆放位置离散化处理。
进一步优选的，所述神经网络采用MLP网络，所述MLP网络进行训练时包括以下步骤：
获取各种类型散装零件的历史图像，作为样本零件图像，并将样本零件图像按比例分为测试集和训练集；
利用训练集，通过矩形框选择目标和背景，根据矩形框创建目标样本和背景样本；通过形态学计算目标样本的区域面积；根据目标样本的区域面积的最大值和最小值设定样本零件的面积阈值；对符合面积阈值的目标样本进行计数，保存训练好的MLP网络参数；
利用测试集对训练好的MLP网络进行测试。
在S3中，当分割出的目标零件边界粘连或出现重叠时，包括以下步骤：
S301、对于粘连区域，求出图像的梯度图；
S302、对梯度图进行分水岭算法，求得粘连区域的边缘线；
进一步，所述对梯度图进行分水岭算法，包括以下步骤：
对粘连区域，利用梯度函数提取图像边缘，形成梯度图；
对梯度图中的每一个像素点的灰度值进行标记，表示该像素点的海拔高度，灰度值为0对应地形图的地面，灰度值最大的像素对应地形图的最高点，灰度值大于平均值的像素连成的线作为分水岭，形成粘连区域的边缘线。
S303、根据边缘线得到多个独立ROI区域分别进行特征提取，所述特征包括面积或形状，将提取的特征与预存的样本数据进行比对，根据面积或形状判断是否还存在粘连区域；
S304、重复S301-S303，直至粘连区域全部分割完成，对分割区域进行计数。
如图3所示，为本发明散装零件快速自动点料系统的外观图，图中工业照相机1与工业照相机镜头2连接；相机两侧分别设置了一个LED光源3，在机体两侧设置了遮光罩4；相机下方设置测试载具6；测试载具6连接振动台，测试载具6下设置主机箱5；主机箱5一侧设置显示模块7，显示模块7一侧设置控制面板8；控制面板8旁边设置了启动键9；主机箱5另一侧设置散热风扇孔10。
如图2-3所示，本发明一种散装零件快速自动点料系统，用于实施上述散装零件快速自动点料方法，包括工业照相机、图像处理器和控制面板；
所述工业照相机设置在测试载具上方，用于获取待测试的散装零件的图像；
所述图像处理器用于根据获取的图像，利用训练好的神经网络识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数，重复该过程，统计各类别目标零件的数量。
所述控制面板用于获取操作员的操作指令，控制工业照相机调整角度；获取显示面板的计数结果。
进一步优选的，还包括LED光源，所述LED光源用于对测试载具中的散装零件进行补光，防止拍照过程中散装零件出现阴影。
进一步优选的，还包括振动台，所述振动台上设有测试载具，所述测试载具用于盛装待测试的散装零件；所述振动台用于振动测试载具中的散装零件，保证散装零件不会出现重叠。
进一步优选的，还包括显示模块，所述显示模块用于显示获取图像，显示零件信息和点料结果。
进一步优选的，还包括供电模块，所述供电模块用于将220V交流电转换为各功能模块所需的直流电。
在使用时，将220V交流电输入至图2中的供电模块，供电模块将220V的交流电转换为各功能模块的所需的直流电，其中包括给中央处理器、工业照相机、显示模块、控制面板、振动台以及LED光源等部件供电，工业照相机对零件进行拍照，将获取的图像发送到图像采集卡，图像采集卡将图像存储后发到图像处理器中，进行数据处理，并将处理结果发送至中央处理器中，中央处理器根据处理结果，输出计数的结果，将计数的结果存入存储器中，其中中央处理器还包括根据用户在控制面板输入的数据，进行单独类别的零件计数结果的显示以及根据用户输入的数据或指令，对振动台或者LED光源进行调整，在计数之前通过振动台对零件进行振动，或者调整LED光源的角度，确保光线或投影不会影响计数。
在本发明的一个实施例中，首先设置训练子程序和识别子程序，对神经网络进行构建和训练，训练子程序是通过界面训练按钮调用，程序先通过GIGE千兆网口读取工业摄像机图像并在窗口显示，用户通过矩形框选择目标和背景，系统根据用户的选择创建目标和背景样本。
识别子程序是先通过GIGE千兆网口采集学习样品的图像，识别图像的特征值，通过特征值从数据库中读取训练好的数据，样品学习结束。
通过GIGE千兆网口采集待计数物料的图像，读取训练好的数据对图像的背景和目标进行分割，提取目标并进行形态学处理，计算每个区域的面积，然后根据面积统计区域目标的数量。
将多次图像分割的结果一次进行统计，输出最终统计结果。
对于粘连区域，不同面积且面积间差异较大的连通域，同时进行图像处理和分割时，会造成大面积区域未分割完全，而相对较小的区域严重畸变失真甚至被过滤掉，通过大小面积的连通域“先分割在处理”的方法进行图像处理，配合摄像头参数及产品特征，实际进行多粘连区域分割，以确保识别精度，使用分水岭算法，先求出图像的梯度图，在梯度图的基础上，进行分水岭算法，求得分段图像的边缘线，分水岭算法主要是把图像看做测地学上的拓扑地貌，图像中的每一个像素点的像素值表示该点的海拔高度，灰度值为0对应地形图的地面，灰度值最大的像素对应地形图的最高点，通过此算法将独立的感兴趣区域分割出来。
对预处理后得到的多个独立ROI区域分别进行特征提取（面积、形状等）将特征值与数据库中的样本数据进行比对，设定检测契合度参数，对不符合契合度的ROI区域进行判断，对于干扰项进行删除，根据面积判断是否仍然还有2或3个以上目标粘连，形成粘连区域，按此方法进行迭代，直至被检测物料全部分割计数完成。
快速点料系统启动后，操作员首先将若干（数量不限）散装零件放置于测试载具。通过显示模块、控制面板实现操作员与系统的人机交互功能，实现参数设置、发布指令和结果反馈。中央处理器对整个系统参数进行初始化，包括振动台振动幅度/频率、LED光源色度/亮度/角度、相机曝光时间/增益等。
当操作员按启动键，发出“开始点数”命令后，中央处理器向工业照相机发出触发信号，工业照相机开始采集待测物体成像信息。将待检测物体的可视化图像和内在特征转换为能被图像处理器识别的图像数据。通过工业照相机镜头，将目标成像在图像传感器的光敏面上。在此过程中需要配合LED光源来消除环境光的干涉及增强待检测物体的特征表现。工业照相机将光信号转换成电信号，从而实现数字图像。再通过GIGE接口将图像数据发送给图像采集卡。
图像处理器接收到图像信息后，对图像数据进行预处理，将预处理结果反馈至中央处理器。中央处理器向内部存储器发送调取待检测物体特征模板及图形处理各项参数命令。内部存储器将从外部存储器中调用相关信息并反馈至中央处理器。中央处理器对各项参数进行配置，同时配合图像处理器从产品图像中提取需要的信息，与物体特征模板进行对比，做出决策。根据图像像素分布和亮度、颜色等信息，图像处理系统对这些信息进行各种图形运算来抽取目标的特征，如面积、数量、位置、长度，再根据预设的允许度和其他条件输出结果，实现自动识别功能。
中央处理器将点数结果发送至标签打印机及图像处理器。标签打印机将物料信息及点数结果打印备用。图像处理器将检测结果处理成可视化信号数据，通过显示模块将检测结果显示。
供电系统的工作原理是220V交流电输入至供电模块。供电模块将交流电转换为各个功能模块所需要的不同电压的直流电。供电模块输出36V至振动台，控制振动台振动；供电模块输出24V至LED光源控制模块为LED光源工作供电；供电模块输出12V至工业照相机为其供电；供电模块输出24V至显示模块为其提供工作电压；供电模块输出12V至图像处理器为其供电；供电模块输出12V至中央处理器为其工作供电。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种散装零件快速自动点料方法，其特征在于，包括以下步骤：
S1、获取待计数的散装零件的图像；
S2、利用训练好的神经网络识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；
S3、利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数；
S4、重复步骤S3，统计各类别所述目标零件的数量。
2.根据权利要求1所述的散装零件快速自动点料方法，其特征在于，还包括S0、对待计数的散装零件进行振动，避免散装零件重叠。
3.根据权利要求1所述的散装零件快速自动点料方法，其特征在于，所述神经网络采用MLP网络，所述MLP网络进行训练时包括以下步骤：
获取各种类型散装零件的历史图像，作为样本零件图像；并将样本零件图像按比例分为测试集和训练集；
利用训练集，通过矩形框选择目标和背景，根据矩形框创建目标样本和背景样本；通过形态学计算目标样本的区域面积；根据目标样本的区域面积的最大值和最小值设定样本零件的面积阈值；对符合面积阈值的目标样本进行计数，保存训练好的MLP网络参数；
利用测试集对训练好的MLP网络进行测试。
4.根据权利要求1所述的散装零件快速自动点料方法，其特征在于，还包括在S3中，当分割出的目标零件边界粘连或出现重叠时，包括以下步骤：
S301、对于粘连区域，求出图像的梯度图；
S302、对梯度图进行分水岭算法，求得粘连区域的边缘线；
S303、根据边缘线得到多个独立ROI区域分别进行特征提取，所述特征包括面积或形状，将提取的特征与预存的样本数据进行比对，根据面积或形状判断是否还存在粘连区域；
S304、重复S301-S303，直至粘连区域全部分割完成，对分割区域进行计数。
5.根据权利要求4所述的散装零件快速自动点料方法，其特征在于，所述对梯度图进行分水岭算法，包括以下步骤：
对粘连区域，利用梯度函数提取图像边缘，形成梯度图；
对梯度图中的每一个像素点的灰度值进行标记，表示该像素点的海拔高度，灰度值为0对应地形图的地面，灰度值最大的像素对应地形图的最高点，灰度值大于平均值的像素连成的线作为分水岭，形成粘连区域的边缘线。
6.一种散装零件快速自动点料系统，其特征在于，用于实施上述权利要求1-4中任意一项所述的散装零件快速自动点料方法，包括工业照相机、图像处理器和控制面板；
所述工业照相机设置在测试载具上方，用于获取待测试的散装零件的图像；
所述图像处理器用于根据获取的图像，利用训练好的神经网络识别图像中的零件类别；根据零件类别，对获取图像的背景与目标零件进行分割，提取分割出的目标零件；利用形态学对提取的目标零件计算区域面积，将计算的区域面积与预设的样本零件的面积阈值进行比较，根据比较结果，统计该类别的目标零件个数，重复该过程，统计各类别目标零件的数量；
所述控制面板用于获取操作员的操作指令，控制工业照相机调整角度；获取显示面板的计数结果。
7.根据权利要求6所述的散装零件快速自动点料系统，其特征在于，还包括LED光源，所述LED光源用于对测试载具中的散装零件进行补光，保证拍照图像是在特定照度的环境中获得的，防止外部环境光对拍照效果的影响，避免拍照过程中散装零件出现阴影。
8.根据权利要求6所述的散装零件快速自动点料系统，其特征在于，还包括振动台，所述振动台上设有测试载具，所述测试载具用于盛装待测试的散装零件；所述振动台，用于振动测试载具中的散装零件，保证散装零件不会出现重叠。
9.根据权利要求6所述的散装零件快速自动点料系统，其特征在于，还包括显示模块，所述显示模块用于显示获取图像，显示零件信息和点料结果。
10.根据权利要求6-9中任意一项所述的散装零件快速自动点料系统，其特征在于，还包括供电模块，所述供电模块用于将220V交流电转换为各功能模块所需的直流电。
CN202210464515.1A 2022-04-29 2022-04-29 散装零件快速自动点料方法及系统 Pending CN114581439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210464515.1A CN114581439A (zh) 2022-04-29 2022-04-29 散装零件快速自动点料方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210464515.1A CN114581439A (zh) 2022-04-29 2022-04-29 散装零件快速自动点料方法及系统

Publications (1)

Publication Number Publication Date
CN114581439A true CN114581439A (zh) 2022-06-03

Family

ID=81784626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210464515.1A Pending CN114581439A (zh) 2022-04-29 2022-04-29 散装零件快速自动点料方法及系统

Country Status (1)

Country Link
CN (1) CN114581439A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930393A (zh) * 2019-11-28 2020-03-27 兰州石化职业技术学院 一种基于机器视觉的芯片料管计数方法、装置及系统
CN111429448A (zh) * 2020-04-09 2020-07-17 常州奥创医疗科技有限公司 一种基于弱分割信息的生物荧光目标计数方法
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN113689404A (zh) * 2021-08-24 2021-11-23 湖北三江航天红林探控有限公司 一种基于图像处理的零件计数系统和方法
CN114240961A (zh) * 2021-11-15 2022-03-25 西安电子科技大学 一种U-Net++细胞分割网络系统、方法、设备及终端

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930393A (zh) * 2019-11-28 2020-03-27 兰州石化职业技术学院 一种基于机器视觉的芯片料管计数方法、装置及系统
CN111429448A (zh) * 2020-04-09 2020-07-17 常州奥创医疗科技有限公司 一种基于弱分割信息的生物荧光目标计数方法
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN113689404A (zh) * 2021-08-24 2021-11-23 湖北三江航天红林探控有限公司 一种基于图像处理的零件计数系统和方法
CN114240961A (zh) * 2021-11-15 2022-03-25 西安电子科技大学 一种U-Net++细胞分割网络系统、方法、设备及终端

Similar Documents

Publication Publication Date Title
EP1977371B1 (en) Method and system for identifying illumination fields in an image
CN107895362B (zh) 一种微型接线端子质量检测的机器视觉方法
KR102611224B1 (ko) 전처리를 포함하는 선 결함 감지 시스템 및 방법
CN111161295B (zh) 一种菜品图像背景剥离方法
CN108268832A (zh) 电力作业监测方法、装置、存储介质和计算机设备
CN114136975A (zh) 一种微波裸芯片表面缺陷智能检测系统和方法
CN110085709A (zh) 一种led图像全自动计数统计系统
CN109919038A (zh) 基于机器视觉与深度学习的配电柜方形压板状态识别方法
CN114119591A (zh) 一种显示屏画面质量检测方法
CN110991360A (zh) 一种基于视觉算法的机器人巡检点位智能配置方法
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN112348018A (zh) 基于巡检机器人的数显式仪表读数识别方法
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
JPH0793561A (ja) エッジ及び輪郭抽出装置
CN108364417A (zh) 基于霍夫圆与颜色欧式距离法的智能结账系统及方法
CN113145473A (zh) 一种水果智能分拣系统及方法
CN110596118A (zh) 印刷图案检测方法及印刷图案检测装置
CN113034544A (zh) 一种基于深度相机的人流分析方法及装置
CN110334713B (zh) 一种内衬纸产品类型的智能识别方法
CN110969135B (zh) 自然场景中的车标识别方法
CN114581439A (zh) 散装零件快速自动点料方法及系统
CN117197789A (zh) 基于多尺度边界特征融合的幕墙框识别方法及系统
CN116091472A (zh) 一种融合可见光和红外图像的光伏组件缺陷智能检测方法
CN114663367A (zh) 一种涂胶缺陷视觉检测的自动示教方法
CN109255805A (zh) 机器学习的工业智能数据收集系统和方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220603

RJ01 Rejection of invention patent application after publication