CN116245877B - 一种基于机器视觉的料框检测方法及系统 - Google Patents
一种基于机器视觉的料框检测方法及系统 Download PDFInfo
- Publication number
- CN116245877B CN116245877B CN202310504441.4A CN202310504441A CN116245877B CN 116245877 B CN116245877 B CN 116245877B CN 202310504441 A CN202310504441 A CN 202310504441A CN 116245877 B CN116245877 B CN 116245877B
- Authority
- CN
- China
- Prior art keywords
- material frame
- image data
- contour
- detection
- contour image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000007547 defect Effects 0.000 claims description 57
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 206010044048 Tooth missing Diseases 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000006378 damage Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 8
- 208000027418 Wounds and injury Diseases 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 5
- 208000014674 injury Diseases 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010024453 Ligament sprain Diseases 0.000 description 1
- 208000010040 Sprains and Strains Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30244—Camera pose
-
- 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
本申请属于视觉检测技术领域,具体涉及一种基于机器视觉的料框检测方法及系统,包括:获取料框的第一轮廓图像数据和第二轮廓图像数据;基于所获取的第一轮廓数据,构建料框检测指标;根据所述第二轮廓图像数据和料框检测指标,实现料框的检测。本申请通过机器人和图像采集设备进行料框的图像采集,通过数据处理与分析实现料框的检测,能够提高检测成功率,避免人工检测中人眼未能看出损伤或判断失误,而导致装框时出现划伤料件的情况,避免了检测过程中人身伤害事故的发生。
Description
技术领域
本申请属于视觉检测技术领域,具体涉及一种基于机器视觉的料框检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本申请相关的背景技术信息,不必然构成在先技术。
料框是应用于冲压生产线末尾,用于放置和转运冲压件,料框中有多处冲压件承载和限位机构,如齿条、托板、插杆等,在将冲压件放入料框前,需要对料框的承载和限位机构的状态实施检测,确认是否可以正常使用,以免在装料过程中出现叠料、划伤料件、碰撞等损伤。
据发明人了解,现有的料框检测是定期通过人工检测来判断是否有缺齿(如断齿、掉齿、划伤等)、异物、插杆错位等;人工检测就存在着以下的问题:
(1)检测不到位,遗漏部分料框问题或问题判断不准确;
(2)效率不高,料框的构造件仅能提供狭窄的操作空间,难以站立与容身,人员进入料框实施检测时,难免受空间限制不能处于良好的工作状态,甚至可能出现身体磕碰划伤和踏空崴脚等人身伤害事故。
发明内容
为了解决上述问题,本申请提出了一种基于机器视觉的料框检测方法及系统,通过机器人和图像采集设备进行料框的图像采集,通过数据处理与分析实现料框的检测,能够提高检测成功率,避免人工检测中人眼未能看出损伤或判断失误,而导致装框时出现划伤料件的情况,避免了检测过程中人身伤害事故的发生。
根据一些实施例,本申请的第一方案提供了一种基于机器视觉的料框检测方法,采用如下技术方案:
一种基于机器视觉的料框检测方法,包括:
获取料框的第一轮廓图像数据和第二轮廓图像数据;
基于所获取的第一轮廓数据,构建料框缺陷检测指标;
根据所述第二轮廓图像数据和所述料框缺陷检测指标,实现料框的检测。
作为进一步的技术限定,所述第一轮廓图像数据为未使用的料框的初始轮廓图片数据,所述第二轮廓图像数据为使用中的料框的实时轮廓图片数据。
作为进一步的技术限定,在获取料框第一轮廓图像数据的过程中,将未使用过的料框固定在料框定位台上,再将固定好的料框放置在机器人的一侧,通过设置在机器人的机械臂上的图像采集设备进行料框的第一轮廓图像数据的采集。
作为进一步的技术限定,在获取料框第二轮廓图像数据的过程中,将使用中的料框固定在料框定位台上,再将固定好的料框放置在机器人的一侧,通过设置在机器人的机械臂上的图像采集设备进行料框实时图像数据的采集,即第二轮廓图像数据的采集。
作为进一步的技术限定,基于所获取的第一轮廓数据,以不耽误下序工序生产为准则,将影响装工件的料框设置为不合格料框,结合实际生产经验,得到料框缺陷检测指标。
作为进一步的技术限定,所述料框缺陷包括插杆料框缺陷和卡槽料框缺陷;所述插杆料框缺陷包括插杆插错孔位缺陷和插杆变形缺陷;所述卡槽料框缺陷包括卡槽缺齿、卡槽齿条变形、卡槽有异物或卡槽磨损。
作为进一步的技术限定,在进行料框检测的过程中,通过三点标定建立坐标系原点,结合所获取的第二轮廓图像数据的坐标信息,通过坐标计算实现缺陷检测。
根据一些实施例,本申请的第二方案提供了一种基于机器视觉的料框检测系统,采用如下技术方案:
一种基于机器视觉的料框检测系统,包括:
获取模块,其被配置为获取料框的第一轮廓图像数据和第二轮廓图像数据;
构建模块,其被配置为基于所获取的第一轮廓数据,构建料框检测指标;
检测模块,其被配置为根据所述第二轮廓图像数据和料框检测指标,实现料框的检测。
与现有技术相比,本申请的有益效果为:
本申请通过机器人和图像采集设备进行料框的图像采集,通过数据处理与分析实现料框的检测,能够提高检测成功率,避免人工检测中人眼未能看出损伤或判断失误,而导致装框时出现划伤料件的情况,避免了检测过程中人身伤害事故的发生。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本申请实施例一中的基于机器视觉的料框检测方法的流程图;
图2为本申请实施例一中的插杆料框结构示意图;其中,(a)为正常插杆的料框结构示意图,(b)为存在缺陷插杆的料框结构示意图;
图3是本申请实施例一中的基于机器视觉的料框检测机器人的一种结构示意图;
图4是本申请实施例一中的基于机器视觉的料框检测机器人的另一种结构示意图;
图5是本申请实施例一中的定位台结构示意图;
图6是本申请实施例一中的标定动作示意图;
图7是本申请实施例二中的基于机器视觉的料框检测系统的结构框图;
其中,1、机器人,2、机器人轴,3、图像采集设备,4、料框卡槽,5、一号对针,6、二号对针,7、三号对针,8、机器人对针。
具体实施方式
下面结合附图与实施例对本申请作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本申请中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本申请各部件或元件结构关系而确定的关系词,并非特指本申请中任一部件或元件,不能理解为对本申请的限制。
本申请中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本实申请中的具体含义,不能理解为对本申请的限制。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本申请实施例一介绍了一种基于机器视觉的料框检测方法。
如图1所示的一种基于机器视觉的料框检测方法,包括:
获取料框的第一轮廓图像数据和第二轮廓图像数据;
基于所获取的第一轮廓数据,构建料框缺陷检测指标;
根据所述第二轮廓图像数据和所述料框缺陷检测指标,实现料框的检测。
作为一种或多种实施方式,所述第一轮廓图像数据为未使用的料框的初始轮廓图片数据,所述第二轮廓图像数据为使用中的料框的实时轮廓图片数据。
作为一种或多种实施方式,在获取料框第一轮廓图像数据的过程中,将未使用过的料框固定在料框定位台上,再将固定好的料框放置在机器人的一侧,通过设置在机器人的机械臂上的图像采集设备进行料框的第一轮廓图像数据的采集。
作为一种或多种实施方式,在获取料框第二轮廓图像数据的过程中,将使用中的料框固定在料框定位台上,再将固定好的料框放置在机器人的一侧,通过设置在机器人的机械臂上的图像采集设备进行料框实时图像数据的采集,即第二轮廓图像数据的采集。
作为一种或多种实施方式,基于所获取的第一轮廓数据,以不耽误下序工序生产为准则,将影响装工件的料框设置为不合格料框,结合实际生产经验,得到料框缺陷检测指标。
作为一种或多种实施方式,所述料框缺陷包括插杆料框缺陷和卡槽料框缺陷;所述插杆料框缺陷包括插杆插错孔位缺陷和插杆变形缺陷;所述卡槽料框缺陷包括卡槽缺齿、卡槽齿条变形、卡槽有异物或卡槽磨损;
插杆插错孔位和插杆变形二者有明显的区别,插杆插错孔位扫描的时候就没有图像,插杆变形是扫描出的图像与第一轮廓图像不一致,有形变;得到第二轮廓图像数据,首先进行缺陷类型上的初始判断,然后再根据具体的第二轮廓图像数据进行具体的料框检测判断。
具体的,正常插杆的料框结构示意图如图2中的(a)所示,存在缺陷插杆的料框结构示意图如图2中的(b)所示,根据图2中的(a)和(b)能够得到,插杆料框所存在的缺陷为插杆左侧有异物且微向左倾斜,通过测量插杆料框的第一轮廓图像数据和第二轮廓图像数据,进一步判断插杆缺陷是否在容许范围之内。
作为一种或多种实施方式,在进行料框检测的过程中,通过三点标定建立坐标系原点,结合所获取的第二轮廓图像数据的坐标信息,通过坐标计算实现缺陷检测。
在本实施例中,如图3、图4、图5和图6所示,在进行料框检测的过程中,待检测料框须设置在图像采集设备3的视野范围内,且待检测料框所在平面与图像采集设备3之间保持适宜高度,在机器人1的作用下带动图像采集设备3在待检测料框所在平面进行水平运行。
在图像采集设备3的作用下,分别获取未使用的料框的初始轮廓图片数据(即第一轮廓图像数据)和使用中的料框的实时轮廓图片数据(即第二轮廓图像数据);在获取像数据之后,分别进行图像的标定处理,并设定一定的图容许误差范围,即构建料框缺陷检测指标。
在检测的过程中,机器人1带动图像采集设备3到达检测定位坐标点,发信号给可编程逻辑控制器(Programmable Logic Controller,简称PLC),PLC给相机信号,图像采集设备3启动进行扫描,机器人1开始沿检测面运行,需要保持高度与平行不变。机器人1到达结束检测点,发信号给PLC,PLC给图像采集设备3信号,图像采集设备3结束扫描。扫描结束后返回原点或检测一下工作面。
当图像采集设备3沿料框卡槽4扫描时,扫描结束后在上位机中形成相应的轮廓图,软件对图片进行处理,计算出槽深、齿长、槽长,同时与原有标准图片进行对比,是否超出容许误差;超出的发送不合格(No Good,简称NG)信号发给PLC,PLC发出报警信号,结合所构建的料框缺陷检测指标发送信号。
结合基准坐标、移动路径和图像采集设备3的成像图片,计算所检测齿条或插杆的相对设定轨迹的变形量,例如平行度、垂直度等某些特征点的相对位置;同时测量并保存料框的实际尺寸数据,以便后续进行查验;
整体通讯都是以太网,图像处理软件和检测软件本身就是安装在电脑上的软件,检测软件嵌套图像处理软件,两个软件有接口进行数据交互;前端采集的图像通过以太网传到电脑的图像处理软件,图像处理软件将采集图像处理取得的数据传给检测软件,检测软件通过对比标准图像数据得出合格(简称OK)或者NG,同时将检测数据输出Excel表格到电脑文件夹中保存;在检测软件中进行数据的分析处理和缺陷检测。
上述只能扫描料框杆垂直方向上的数值,如果扫描另一个方向上的,机器人还需要变换角度动作。例如垂直安装的卡槽是一个动作完成,水平安装的卡槽则需要机器人变更90度的角度完成。
插杆插错的识别方法:相机在正确位置进行扫描,无插杆扫描成像的图片内没有插杆特征点显示,判断为NG(如果存在上下并列的孔位,防止发生误碰,应先进行上孔位的扫描进行预判检测上孔位是否有插杆,有插杆成像即可判断为NG,无插杆再在正确位置扫描开始扫描)。
插杆变形:相机扫描成像后在视觉检测软件sherlock8软件中与标准图像进行比较出两者之间的差值(xa,ya,za),说明当差值大于设定范围时判定为NG不做后续处理,通过标准图像的坐标(x0,y0,z0)加(xa,ya,za)计算出当前插杆的坐标(x0+xa,y0+ya,z0+za);其中,x0、y0、z0分别为标准图像在坐标轴中x轴、y轴和z轴的坐标,xa、ya、za分别为sherlock8软件与标准图像在坐标轴中x轴、y轴和z轴的坐标差值;以此类推计算出所有插杆的坐标。
关于标准图像的坐标(x0,y0,z0)的说明:料框放置的定位台上面有装有三个对针,即一号对针5、二号对针6和三号对针7,机器人通过三点法对一号对针5、二号对针6和三号对针7进行标定,建立用户坐标系原点,再通过试教得到标准插杆的坐标传输到sherlock8中作为标准图像的坐标(x0,y0,z0)。
在机器人通过三点法对一号对针5、二号对针6和三号对针7进行标定的过程中,检测前机器人用户坐标系的建立,用示教器操作机器人上的对针与定位台上的对针校对,来建立用户坐标系原点及X、Y方向,将机器人与定位台的位置关联起来;一号对针5、二号对针6和三号对针7分别对应坐标系的原点,X正方向和Y正方向;机器人通过三点法对一号对针5、二号对针6和三号对针7进行标定的具体过程为:
(1)依次按键操作:[MENU](即菜单)[SETUP](即设定) --F1 [Type](即类型) --[Frames](即坐标系)进入坐标系设置界面;
(2)移动光设置具体所要的用户坐标系这里设置的是1号用户坐标系;
(3)将机器人的示教坐标切换成世界坐标系;
(4)将机器人对针8与定位台上二号对针6对正记录X方向点,记录完成,X方向变为已记录;
(5)将机器人对针8与定位台上三号对针7对正记录坐标原点,记录完成,原点变为已记录;
(6)将机器人对针8与定位台上一号对针5对正记录Y方向点,记录完成,Y方向变为已记录。
本实施例通过机器人和图像采集设备进行料框的图像采集,通过数据处理与分析实现料框的检测,能够提高检测成功率,避免人工检测中人眼未能看出损伤或判断失误,而导致装框时出现划伤料件的情况,避免了检测过程中人身伤害事故的发生。
实施例二
本申请实施例二介绍了一种基于机器视觉的料框检测系统。
如图7所示的一种基于机器视觉的料框检测系统,包括:
获取模块,其被配置为获取料框的第一轮廓图像数据和第二轮廓图像数据;
构建模块,其被配置为基于所获取的第一轮廓数据,构建料框检测指标;
检测模块,其被配置为根据所述第二轮廓图像数据和料框检测指标,实现料框的检测。
详细步骤与实施例一提供的基于机器视觉的料框检测方法相同,在此不再赘述。
详细步骤与实施例一提供的基于机器视觉的料框检测方法相同,在此不再赘述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于机器视觉的料框检测方法,其特征在于,包括:
获取料框的第一轮廓图像数据和第二轮廓图像数据;所述第一轮廓图像数据为未使用的料框的初始轮廓图片数据,所述第二轮廓图像数据为使用中的料框的实时轮廓图片数据;
基于所获取的第一轮廓数据,构建料框缺陷检测指标;
根据所述第二轮廓图像数据和所述料框缺陷检测指标,实现料框的检测;
所述料框缺陷包括插杆料框缺陷和卡槽料框缺陷;所述插杆料框缺陷包括插杆插错孔位缺陷和插杆变形缺陷;所述卡槽料框缺陷包括卡槽缺齿、卡槽齿条变形、卡槽有异物或卡槽磨损;
所述插杆料框缺陷识别具体为:
插杆插错孔位和插杆变形二者存在明显的区别,插杆插错孔位扫描的时候没有图像,插杆变形是扫描出的图像与第一轮廓图像不一致,有形变;得到第二轮廓图像数据,首先进行缺陷类型上的初始判断,然后再根据具体的第二轮廓图像数据进行具体的料框检测判断;
插杆插错的识别方法包括:相机在正确位置进行扫描,无插杆扫描成像的图片内没有插杆特征点显示,判断为不合格;如果存在上下并列的孔位,防止发生误碰,应先进行上孔位的扫描进行预判检测上孔位是否有插杆,有插杆成像即可判断为不合格,无插杆再在正确位置扫描开始扫描;
插杆变形的识别方法包括:相机扫描成像后在视觉检测软件中与标准图像进行比较出两者之间的差值,当差值大于设定范围时判定为不合格,通过标准图像的坐标计算出当前插杆的坐标;以此类推计算出所有插杆的坐标;
所述卡槽料框缺陷识别为:
当图像采集设备沿料框卡槽扫描时,扫描结束后在上位机中形成相应的轮廓图,软件对图片进行处理,计算出槽深、齿长、槽长,同时与原有标准图片进行对比,是否超出容许误差;超出容许误差的判定为不合格;
在进行料框检测的过程中,通过三点标定建立坐标系原点,结合所获取的第二轮廓图像数据的坐标信息,通过坐标计算实现缺陷检测;
所述通过三点标定建立坐标系原点,具体为:
利用示教器操作机器人上的对针,与料框放置的定位台上的三个对针校对,来建立坐标系原点及X、Y方向,将机器人与定位台的位置关联起来;机器人通过三点法对三个对针进行标定,建立用户坐标系原点。
2.如权利要求1中所述的一种基于机器视觉的料框检测方法,其特征在于,所述第一轮廓图像数据为未使用的料框的初始轮廓图片数据,所述第二轮廓图像数据为使用中的料框的实时轮廓图片数据。
3.如权利要求1中所述的一种基于机器视觉的料框检测方法,其特征在于,在获取料框第一轮廓图像数据的过程中,将未使用过的料框固定在料框定位台上,再将固定好的料框放置在机器人的一侧,通过设置在机器人的机械臂上的图像采集设备进行料框的第一轮廓图像数据的采集。
4.如权利要求1中所述的一种基于机器视觉的料框检测方法,其特征在于,在获取料框第二轮廓图像数据的过程中,将使用中的料框固定在料框定位台上,再将固定好的料框放置在机器人的一侧,通过设置在机器人的机械臂上的图像采集设备进行料框实时图像数据的采集,即第二轮廓图像数据的采集。
5.如权利要求1中所述的一种基于机器视觉的料框检测方法,其特征在于,基于所获取的第一轮廓数据,以不耽误下序工序生产为准则,将影响装工件的料框设置为不合格料框,结合实际生产经验,得到料框缺陷检测指标。
6.一种基于机器视觉的料框检测系统,其特征在于,包括:
获取模块,其被配置为获取料框的第一轮廓图像数据和第二轮廓图像数据;所述第一轮廓图像数据为未使用的料框的初始轮廓图片数据,所述第二轮廓图像数据为使用中的料框的实时轮廓图片数据;
构建模块,其被配置为基于所获取的第一轮廓数据,构建料框缺陷检测指标;
检测模块,其被配置为根据所述第二轮廓图像数据和所述料框缺陷检测指标,实现料框的检测;
所述料框缺陷包括插杆料框缺陷和卡槽料框缺陷;所述插杆料框缺陷包括插杆插错孔位缺陷和插杆变形缺陷;所述卡槽料框缺陷包括卡槽缺齿、卡槽齿条变形、卡槽有异物或卡槽磨损;
所述插杆料框缺陷识别具体为:
插杆插错孔位和插杆变形二者存在明显的区别,插杆插错孔位扫描的时候没有图像,插杆变形是扫描出的图像与第一轮廓图像不一致,有形变;得到第二轮廓图像数据,首先进行缺陷类型上的初始判断,然后再根据具体的第二轮廓图像数据进行具体的料框检测判断;
插杆插错的识别方法包括:相机在正确位置进行扫描,无插杆扫描成像的图片内没有插杆特征点显示,判断为不合格;如果存在上下并列的孔位,防止发生误碰,应先进行上孔位的扫描进行预判检测上孔位是否有插杆,有插杆成像即可判断为不合格,无插杆再在正确位置扫描开始扫描;
插杆变形的识别方法包括:相机扫描成像后在视觉检测软件中与标准图像进行比较出两者之间的差值,当差值大于设定范围时判定为不合格,通过标准图像的坐标计算出当前插杆的坐标;以此类推计算出所有插杆的坐标;
所述卡槽料框缺陷识别为:
当图像采集设备沿料框卡槽扫描时,扫描结束后在上位机中形成相应的轮廓图,软件对图片进行处理,计算出槽深、齿长、槽长,同时与原有标准图片进行对比,是否超出容许误差;超出容许误差的判定为不合格;
在进行料框检测的过程中,通过三点标定建立坐标系原点,结合所获取的第二轮廓图像数据的坐标信息,通过坐标计算实现缺陷检测;
所述通过三点标定建立坐标系原点,具体为:
利用示教器操作机器人上的对针,与料框放置的定位台上的三个对针校对,来建立坐标系原点及X、Y方向,将机器人与定位台的位置关联起来;机器人通过三点法对三个对针进行标定,建立用户坐标系原点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504441.4A CN116245877B (zh) | 2023-05-08 | 2023-05-08 | 一种基于机器视觉的料框检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504441.4A CN116245877B (zh) | 2023-05-08 | 2023-05-08 | 一种基于机器视觉的料框检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116245877A CN116245877A (zh) | 2023-06-09 |
CN116245877B true CN116245877B (zh) | 2023-11-03 |
Family
ID=86628101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310504441.4A Active CN116245877B (zh) | 2023-05-08 | 2023-05-08 | 一种基于机器视觉的料框检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245877B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105834120A (zh) * | 2016-03-19 | 2016-08-10 | 中国计量学院 | 基于机器视觉的全自动abs齿圈缺陷检测系统 |
CN107590837A (zh) * | 2017-09-06 | 2018-01-16 | 西安华航唯实机器人科技有限公司 | 一种视觉定位智能精密装配机器人及其摄像机视觉标定方法 |
CN108226164A (zh) * | 2017-12-29 | 2018-06-29 | 深圳市智能机器人研究院 | 一种基于视觉检测的机器人打磨方法及系统 |
CN109870460A (zh) * | 2019-03-24 | 2019-06-11 | 哈尔滨理工大学 | 一种基于机器视觉的复合材料电池盒表面质量检测方法 |
CN109900207A (zh) * | 2019-03-12 | 2019-06-18 | 精诚工科汽车系统有限公司 | 机器人视觉工具的工具中心点标定方法及系统 |
CN111633309A (zh) * | 2020-05-13 | 2020-09-08 | 上海锅炉厂有限公司 | 一种工业机器人镍基合金焊接垂直固定管座操作方法 |
CN211890845U (zh) * | 2020-04-20 | 2020-11-10 | 上海交通大学烟台信息技术研究院 | 一种工业机器人精度标定工具 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN112304957A (zh) * | 2020-11-20 | 2021-02-02 | 天津朗硕机器人科技有限公司 | 一种基于机器视觉的外观缺陷智能检测方法及系统 |
CN112917513A (zh) * | 2021-01-06 | 2021-06-08 | 徐礼达 | 一种基于机器视觉的三维点胶针头的tcp标定方法 |
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN114210584A (zh) * | 2021-11-09 | 2022-03-22 | 中国科学院江西稀土研究院 | 一种柱形永磁材料在线检测装置 |
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 |
CN115343289A (zh) * | 2022-07-18 | 2022-11-15 | 中国第一汽车股份有限公司 | 一种汽车总装整车坑包划伤自动检测系统及方法 |
CN115609591A (zh) * | 2022-11-17 | 2023-01-17 | 上海仙工智能科技有限公司 | 一种基于2D Marker的视觉定位方法和系统、复合机器人 |
CN115753791A (zh) * | 2022-11-10 | 2023-03-07 | 哈尔滨耐是智能科技有限公司 | 基于机器视觉的缺陷检测方法、装置以及系统 |
CN115855952A (zh) * | 2022-11-28 | 2023-03-28 | 绵阳中研磨具有限责任公司 | 一种砂页盘缺陷检测方法及检测设备 |
CN115880520A (zh) * | 2022-11-14 | 2023-03-31 | 成都数之联科技股份有限公司 | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 |
CN115953373A (zh) * | 2022-12-22 | 2023-04-11 | 青岛创新奇智科技集团股份有限公司 | 玻璃缺陷检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-08 CN CN202310504441.4A patent/CN116245877B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105834120A (zh) * | 2016-03-19 | 2016-08-10 | 中国计量学院 | 基于机器视觉的全自动abs齿圈缺陷检测系统 |
CN107590837A (zh) * | 2017-09-06 | 2018-01-16 | 西安华航唯实机器人科技有限公司 | 一种视觉定位智能精密装配机器人及其摄像机视觉标定方法 |
CN108226164A (zh) * | 2017-12-29 | 2018-06-29 | 深圳市智能机器人研究院 | 一种基于视觉检测的机器人打磨方法及系统 |
CN109900207A (zh) * | 2019-03-12 | 2019-06-18 | 精诚工科汽车系统有限公司 | 机器人视觉工具的工具中心点标定方法及系统 |
CN109870460A (zh) * | 2019-03-24 | 2019-06-11 | 哈尔滨理工大学 | 一种基于机器视觉的复合材料电池盒表面质量检测方法 |
CN211890845U (zh) * | 2020-04-20 | 2020-11-10 | 上海交通大学烟台信息技术研究院 | 一种工业机器人精度标定工具 |
CN111633309A (zh) * | 2020-05-13 | 2020-09-08 | 上海锅炉厂有限公司 | 一种工业机器人镍基合金焊接垂直固定管座操作方法 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN112304957A (zh) * | 2020-11-20 | 2021-02-02 | 天津朗硕机器人科技有限公司 | 一种基于机器视觉的外观缺陷智能检测方法及系统 |
CN112917513A (zh) * | 2021-01-06 | 2021-06-08 | 徐礼达 | 一种基于机器视觉的三维点胶针头的tcp标定方法 |
CN113134683A (zh) * | 2021-05-13 | 2021-07-20 | 兰州理工大学 | 基于机器学习的激光标刻方法及装置 |
CN114210584A (zh) * | 2021-11-09 | 2022-03-22 | 中国科学院江西稀土研究院 | 一种柱形永磁材料在线检测装置 |
CN115343289A (zh) * | 2022-07-18 | 2022-11-15 | 中国第一汽车股份有限公司 | 一种汽车总装整车坑包划伤自动检测系统及方法 |
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 |
CN115753791A (zh) * | 2022-11-10 | 2023-03-07 | 哈尔滨耐是智能科技有限公司 | 基于机器视觉的缺陷检测方法、装置以及系统 |
CN115880520A (zh) * | 2022-11-14 | 2023-03-31 | 成都数之联科技股份有限公司 | 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统 |
CN115609591A (zh) * | 2022-11-17 | 2023-01-17 | 上海仙工智能科技有限公司 | 一种基于2D Marker的视觉定位方法和系统、复合机器人 |
CN115855952A (zh) * | 2022-11-28 | 2023-03-28 | 绵阳中研磨具有限责任公司 | 一种砂页盘缺陷检测方法及检测设备 |
CN115953373A (zh) * | 2022-12-22 | 2023-04-11 | 青岛创新奇智科技集团股份有限公司 | 玻璃缺陷检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘怀兰 等.《智能制造生产线运营与维护》.机械工业出版社,2020,(第1版),第103-104页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116245877A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104596582B (zh) | 一种背板连接器自动检测装置 | |
CN106643490B (zh) | 连接器泛用型自动检测系统 | |
KR101256369B1 (ko) | 다수의 카메라를 이용한 평판 디스플레이 패널 검사 장치 및 방법 | |
CN112233994B (zh) | 一种芯片金线检测方法 | |
CN116245877B (zh) | 一种基于机器视觉的料框检测方法及系统 | |
CN212432068U (zh) | 一种平面度测量装置 | |
CN114577135B (zh) | 基于单镜头的芯片引脚翘曲的3d检测方法及系统 | |
CN107238955A (zh) | 液晶模组屏检测系统 | |
CN104483331A (zh) | 一种连接器插针三维检测方法、装置及系统 | |
CN113405994A (zh) | 一种缺陷检测方法及缺陷检测系统 | |
CN112730425A (zh) | 一种面向工业场景的产品表面缺陷自动识别方法 | |
TWI627414B (zh) | Probe card detection method and system | |
CN210572007U (zh) | Led支架缺陷取像装置及检测设备 | |
CN212109902U (zh) | 探针卡检测装置 | |
CN116274728A (zh) | 一种电控电路板芯片引脚折弯设备 | |
CN115980061A (zh) | 一种基于点云数据的电路板针脚高度检测装置和方法 | |
CN114392940B (zh) | 一种异型元器件的针脚检测方法及装置 | |
JP2002288633A (ja) | 画像処理装置およびその位置補正方法 | |
JP2012154910A (ja) | タイヤトレッド面の断面形状ならびにトレッド溝の深さを測定する測定装置。 | |
CN108195289A (zh) | 一种利用线激光对工件特定位置参数进行测量的方法 | |
CN112945986A (zh) | 电路板的双面外观检测方法 | |
CN217276005U (zh) | 一种检测铁路货车中间体几何尺寸的装置 | |
CN111015208A (zh) | 一种充电设备的自动装配检测装置及方法 | |
CN114047130B (zh) | 接插件位置快速检测系统及检测方法 | |
CN215182127U (zh) | 一种器件翅片数量检测装置 |
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 |