CN116977828A - 生产线零件错漏装处理设备、方法、装置和存储介质 - Google Patents
生产线零件错漏装处理设备、方法、装置和存储介质 Download PDFInfo
- Publication number
- CN116977828A CN116977828A CN202210434220.XA CN202210434220A CN116977828A CN 116977828 A CN116977828 A CN 116977828A CN 202210434220 A CN202210434220 A CN 202210434220A CN 116977828 A CN116977828 A CN 116977828A
- Authority
- CN
- China
- Prior art keywords
- image
- production line
- computer vision
- open source
- source computer
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 11
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000004806 packaging method and process Methods 0.000 title claims description 5
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 65
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 65
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000006698 induction Effects 0.000 claims abstract description 9
- 238000009434 installation Methods 0.000 claims description 57
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 2
- 244000235659 Rubus idaeus Species 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 24
- 230000008901 benefit Effects 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003292 glue Substances 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 208000011231 Crohn disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种生产线零件错漏装处理设备、方法、装置和存储介质。该设备包括树莓派、图像采集器件、音频输出器件、报警器件、显示器件和人体传感器。树莓派用于:从生产设备PLC读取检测对象到达工位后的等待信号;驱动图像采集器件采集检测对象图像;在检测对象图像中截取感兴趣图像区域;利用开源计算机视觉库,判断感兴趣图像区域中是否存在零件错漏装,标识其位置;驱动报警器件执行报警;控制音频输出器件输出提示语音;驱动显示器件显示错漏装零件图像;向生产设备PLC发送停线信号;在生产线停止运行之后,在接收到人体感应信号时,向生产设备PLC发送开线信号,控制生产线恢复运行。本发明极大减少了硬件成本,对生产线的控制及时、迅速。
Description
技术领域
本发明的实施方式总体上涉及生产线零件装配领域,更具体地,涉及一种生产线零件错漏装处理设备、方法、装置和存储介质。
背景技术
产品组装生产线面临最常见及后果较严重的质量问题为零件的错漏装。传统的解决方式为在每一段生产线的末尾设置人工检查点来识别问题,但这种方式具有滞后性、浪费人员工时、和不能100%识别出漏装装的缺点。由于硬件性能的提升及各类基础理论算法的提出,计算机机器视觉技术在近几年高速发展,在制造、医疗、安防及自动驾驶领域上都得到了大规模的应用。在现代制造领域,机器视觉技术可以实现产品的检测及生产设备动作的定位,即可以用于零件错漏装的检测。
目前市面上已经有了VMT、IRSA、基恩士和康耐视等品牌的成熟的工业视觉方案,但这些商业化的解决方案(工业相机+工业镜头+配套软件+工业电脑+工业光源)十分昂贵,一套的成本达十万余元,推广使用经济性不高,难于被中小型公司接受。此外,产品组装生产线部分防差错场景需求简单,只需简单识别出零件的有无、区分出颜色或图案的不同等,不需要商业方案的高精度及运算处理能力,直接使用商业方案等于“大马拉小车”,造成成本和资源的浪费。
发明内容
为了解决现有技术中的上述问题,在第一方面,本发明的实施方式提供了一种生产线零件错漏装处理设备,所述设备包括树莓派、图像采集器件、音频输出器件、报警器件、显示器件和人体传感器。所述树莓派通过传输控制协议/网际协议与生产线上的生产设备可编程逻辑控制器可通信地连接,通过通用串行总线接口或者相机串行接口与所述图像采集器件连接,通过音频接口与所述音频输出器件通信并且通过通用串行总线接口为所述音频输出器件供电,通过通用输入输出接口与所述报警器件和所述人体传感器连接,通过高清多媒体接口与所述显示器件连接。所述图像采集器件用于在所述树莓派的驱动下采集所述检测对象图像。所述人体传感器用于在生产线停止运行的情况下无接触式地感测人体,并且在感测到人体时生成人体感应信号,将所述人体感应信号发送至所述树莓派。所述树莓派用于:以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号;在读取到所述等待信号时,驱动所述图像采集器件采集检测对象图像;在所述检测对象图像中截取感兴趣图像区域;利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置;在判断存在错漏装时,驱动报警器件执行报警;控制所述音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;驱动所述显示器件显示错漏装零件和所标识的位置的图像;并且,向所述生产设备可编程逻辑控制器发送停线信号,以便于所述生产设备可编程逻辑控制器控制生产线停止运行;在生产线停止运行之后,在接收到所述人体感应信号时,向所述生产设备可编程逻辑控制器发送开线信号,以便于所述生产设备可编程逻辑控制器控制所述生产线恢复运行。所述报警器件用于在所述树莓派的驱动下执行报警。所述音频输出器件用于在所述树莓派的控制下播放提示错漏装零件的名称、种类、位置中的一个或多个的语音。所述显示器件用于在所述树莓派的驱动下显示错漏装零件的位置的图像。
在一些实施方式中,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:对所述感兴趣图像区域进行灰度化处理,生成单通道灰度图;利用开源计算机视觉库将所述单通道灰度图转换为黑白二值图;利用开源计算机视觉库提取出所述黑白二值图内的目标轮廓;利用开源计算机视觉库计算出所述黑白二值图中的目标轮廓的面积或者周长,并且与目标轮廓的阈值面积或者阈值周长进行对比,判断是否存在零件错漏装,其中,所述阈值面积和所述阈值周长是分别根据零件无错漏装情况下的目标轮廓的面积或者周长而确定的。
在一些实施方式中,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:利用开源计算机视觉库将所述感兴趣图像区域由三原色模型图像转换为色调-饱和度-明度模型图像;利用开源计算机视觉库,基于预先定义的待检测颜色的上下限阈值,将所述色调-饱和度-明度模型图像转换为灰度图,将所述灰度图中待检测颜色的区域的像素值赋值为第一数值,将其他区域的像素值赋值为第二数值;利用开源计算机视觉库,计算所述灰度图中像素值为第一数值的像素点的第一数目,将所述第一数目与第一数目阈值进行对比,根据对比结果判断是否存在零件错漏装,其中,所述第一数目阈值是根据零件无错漏装情况下的第一数目的数值而确定的。
在一些实施方式中,所述人体传感器是人体红外感应传感器。
在一些实施方式中,所述树莓派上装载有Raspbian操作系统、Snap7库和所述开源计算机视觉库,所述Snap7库用于执行与生产线上的所述生产设备可编程逻辑控制器的通信。
在第二方面,本发明的实施方式提供了一种生产线零件错漏装处理方法,所述方法应用于生产线零件错漏装处理设备中的树莓派,所述方法包括:通过传输控制协议/网际协议,以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号;在读取到所述等待信号时,通过通用串行总线接口或者相机串行接口驱动所述图像采集器件采集检测对象图像;在所述检测对象图像中截取感兴趣图像区域;利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置;在判断存在错漏装时,通过通用输入输出接口驱动报警器件执行报警;通过音频接口控制所述音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;通过高清多媒体接口驱动所述显示器件显示错漏装零件和所标识的位置的图像;并且,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送停线信号,以便于所述生产设备可编程逻辑控制器控制生产线停止运行;在生产线停止运行之后,在通过通用输入输出接口接收到所述人体感应信号时,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送开线信号,以便于所述生产设备可编程逻辑控制器控制所述生产线恢复运行。
在一些实施方式中,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:对所述感兴趣图像区域进行灰度化处理,生成单通道灰度图;利用开源计算机视觉库将所述单通道灰度图转换为黑白二值图;利用开源计算机视觉库提取出所述黑白二值图内的目标轮廓;利用开源计算机视觉库计算出所述黑白二值图中的目标轮廓的面积或者周长,并且与目标轮廓的阈值面积或者阈值周长进行对比,判断是否存在零件错漏装,其中,所述阈值面积和所述阈值周长是分别根据零件无错漏装情况下的目标轮廓的面积或者周长而确定的。
在一些实施方式中,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:利用开源计算机视觉库将所述感兴趣图像区域由三原色模型图像转换为色调-饱和度-明度模型图像;利用开源计算机视觉库,基于预先定义的待检测颜色的上下限阈值,将所述色调-饱和度-明度模型图像转换为灰度图,将所述灰度图中待检测颜色的区域的像素值赋值为第一数值,将其他区域的像素值赋值为第二数值;利用开源计算机视觉库,计算所述灰度图中像素值为第一数值的像素点的第一数目,将所述第一数目与第一数目阈值进行对比,根据对比结果判断是否存在零件错漏装,其中,所述第一数目阈值是根据零件无错漏装情况下的第一数目的数值而确定的。
在第三方面,本发明的实施方式提供了一种生产线零件错漏装处理装置,所述装置应用于生产线零件错漏装处理设备中的树莓派,所述装置包括:等待信号读取模块,配置用于通过传输控制协议/网际协议,以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号;图像采集模块,配置用于在读取到所述等待信号时,通过通用串行总线接口或者相机串行接口驱动所述图像采集器件采集检测对象图像;图像截取模块,配置用于在所述检测对象图像中截取感兴趣图像区域;错漏装识别模块,配置用于利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置;处置模块,配置用于在判断存在错漏装时,通过通用输入输出接口驱动报警器件执行报警;通过音频接口控制所述音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;通过高清多媒体接口驱动所述显示器件显示错漏装零件和所标识的位置的图像;并且,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送停线信号,以便于所述生产设备可编程逻辑控制器控制生产线停止运行;运行恢复模块,配置用于在生产线停止运行之后,在通过通用输入输出接口接收到所述人体感应信号时,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送开线信号,以便于所述生产设备可编程逻辑控制器控制所述生产线恢复运行。
在第四方面,本发明的实施方式提供了一种存储介质,存储有机器可读指令,当所述指令由处理器运行时,执行根据上述第一方面的任何实施方式所述的方法。
本发明的实施方式提出的技术方案可以替代零件错漏装的人工检查,有效地识别出零件的错漏装的现象并进行提醒,现场立即修复缺陷,大量节省后续的返修工时,且具有成本极其低廉的优点,适合在大中小型企业快速推广使用。
本发明与现有技术相比,具有以下优点:
1.硬件成本极度低廉,核心硬件树莓派价格仅几百元,整套装置成本控制在千余元左右,可被中小型企业接受;
2.适用场景多,且装置各部件模块化、微型化,可在生产现场快速布置,大范围推广使用,基本不受安装空间的限制;
3.识别出零件错漏装后,提醒方式多样,同时支持灯光提醒、语音提醒及屏幕显示提醒功能;
4.充分利用树莓派上丰富的各类硬件接口(USB口、HDMI口、有线网口、无线网口、GPIO口、3.5mm音频口),无需外加额外转接硬件;
5.系统采用通用编程语言(例如python)编程,可移植性强、可靠性及稳定性好;
6.基于OpenCV的函数编写数字图像处理识别算法,与利用卷积神经网络进行图像识别相比,对硬件的要求较低,硬件开销小,充分利用树莓派的CPU主控功能,无需外加高端显卡,在达到同样功能时简化系统;如果在相同硬件条件下,运算速度极大的加快,从而提升了整体设备的反应速度和控制速度;
7.树莓派与生产线上的生产设备PLC直接对接,从而在识别到错漏装之后可以及时作出反应控制生产线的运行,反应及时、迅速,提升了生产效率。
本发明提出的技术方案在汽车冲焊涂总及动力总成各专业车间内涉及到零件错漏装的场景均可运用,进一步地,可以推广应用于制造业中所有涉及到零件安装的场景,具有广阔的应用潜力。
附图说明
通过参考附图阅读下文的详细描述,本发明实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1示出了根据本发明的实施方式的生产线零件错漏装处理设备的示意图;
图2示出了根据本发明的实施方式的生产线零件错漏装处理方法的流程图;
图3示出了根据本发明的实施方式的生产线零件错漏装处理装置的框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。
在一个方面,本发明的实施方式提供了一种生产线零件错漏装处理设备。参考图1,其示出了根据本发明的实施方式的生产线零件错漏装处理设备的示意图。如图1所示,该设备包括树莓派、图像采集器件、音频输出器件、报警器件、显示器件和人体传感器。
图像采集器件用于在树莓派的驱动下采集检测对象图像。图像采集器件例如可以是摄像头、相机等,例如,可以是通用串行总线(Universal Serial Bus,USB)接口摄像头或相机串行接口(Camera Serial Interface,CSI)摄像头。树莓派可以通过USB接口或者CSI接口与图像采集器件连接。
仅作为一个具体示例,树莓派可以与普通免驱USB摄像头通过USB线连接,通过USB口对摄像头同时进行供电与通讯。在该示例中摄像头的图像像素为2MP(1080P)、视场角为120°、帧速为30fps/120fps,工作电压DV 5V。由于零件错漏装图像识别不需要工业CCD相机那样的超高精度,仅用于简单地判断物体的有无、颜色的区别等,大幅度节省了购买设备的高昂费用。
音频输出器件可以是音箱、扬声器等可以直接播放音频的器件,也可以是适于外接耳机和外部扬声器的音频输出接口。例如,音频输出器件可以是具备3.5mm对公音频头的音箱,声音输出方式可为双声道及单声道。树莓派可以通过音频接口(例如,3.5mm音频口)与音频输出器件通信,并且通过USB接口为音频输出器件供电。作为一个具体示例,树莓派通过3.5mm音频口与音箱连接,同时通过USB口对音箱进行供电。音箱的工作功率为3W,阻抗为8Ω,声音输出方式可为双声道。
报警器件可以包括声/光报警器,例如,LED报警灯、蜂鸣器等等。树莓派可以通过通用输入输出(General Purpose Input/Output,GPIO)接口与报警器件连接。以LED报警灯为例,驱动电压可以为3.3V~5V,额定电流例如为20mA,灯光色调不限。在驱动电压为3.3V的情况下,树莓派通过GPIO口输出3.3V电压点亮LED指示灯。
作为示例,显示器件可以是树莓派适于连接的任何显示屏、显示器。树莓派可以通过高清多媒体接口(High-Definition Multimedia Interface,HDMI)与显示器件连接。显示器件的尺寸不限。显示屏例如通过外部电源外接供电。
人体传感器用于在生产线停止运行的情况下无接触式地感测人体,并且在感测到人体时生成人体感应信号,将人体感应信号发送至树莓派。作为本发明的一个实施方式,人体传感器可以是人体红外感应传感器。仅作为示例,人体红外感应传感器的工作电压为4V以上,例如为5V,高电平输入为高3.3V~5V,低电平输出为0V。树莓派可以通过GPIO接口与人体传感器连接。作为一个具体示例,当操作者伸手触发人体红外传感器时,传感器通过GPIO口输出3.3V高电平给树莓派,之后自动从高电平恢复为低电平。
树莓派可以通过传输控制协议/网际协议(Transmission Control Protocol/Internet Protocol,TCP/IP)与生产线上的生产设备可编程逻辑控制器(ProgrammableLogic Controller,PLC)可通信地连接。例如树莓派可以通过超六类有线网线与现场生产设备PLC连接,进行TCP/IP协议通讯。
作为本发明的一个实施方式,树莓派上可以具有嵌入式系统。嵌入式系统可以由Raspbian操作系统、Snap7库、开源计算机视觉库(Open Computer Vision,OpenCV)库和错漏装识别程序组成。Snap7库用于执行与生产线上的生产设备PLC的通信,实现对生产设备PLC信号的读写。错漏装识别程序可以由Python或C++编写。可选地,嵌入式系统还具有PyQT5库,PyQT5库用于编写程序界面。
树莓派作为控制终端与图像采集器件、音频输出器件、报警器件、人体传感器及显示器件连接。
树莓派用于执行以下操作a-f。
a.以固定时间间隔(例如1秒)从生产线上的生产设备PLC上读取检测对象到达工位后的等待信号。
b.在读取到等待信号时,驱动图像采集器件采集检测对象图像,例如为彩色图像。
c.在检测对象图像中截取感兴趣图像区域(Range of Interesting,ROI),例如可以将截取处的图像区域保存为新的图像。对采集到的目标对象图像截取ROI,需要保证ROI区域包含待判断是否错漏装的零件。
d.利用开源计算机视觉库(Open Computer Vision,OpenCV),对截取ROI后的图像进行预处理并设置判断条件,具体地,根据零件无错漏装情况下的零件安装状态的参考图像特征,对感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置。基于OpenCV的函数编写数字图像处理识别算法,与现有技术中利用卷积神经网络进行图像识别相比,对硬件的要求较低,硬件开销小,充分利用树莓派的CPU主控功能,无需外加高端显卡,在达到同样功能时简化系统;如果在相同硬件条件下,运算速度更快。
e.在判断存在错漏装时,驱动报警器件执行报警;控制音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;驱动显示器件显示错漏装零件和所标识的位置的图像,并且,向生产设备可编程逻辑控制器发送停线信号,以便于生产设备可编程逻辑控制器控制生产线停止运行。换言之,当识别出有零件漏装时,程序同时做出3种方式提醒生产线员工:报警器件报警、控制自动播放出语言提示出漏装零件的位置、在显示屏上显示对漏装的零件及位置进行标识后的图片,并发送停线信号至设备PLC停止生产线。仅作为一个具体示例,在识别出错漏装时,通过RPi.GPIO库点亮LED灯、通过pygame库控制音箱播放出预先录制的语音,提示错漏装零件的名称和位置、通过OpenCV将对漏装的零件及位置进行标识后的图片显示在显示屏上;同时,通过Snap库写入停线信号至车身输送设备PLC内停止生产线的继续运行。
f.在生产线停止运行之后,在接收到人体感应信号时,向生产设备PLC发送开线信号,以便于生产设备PLC控制生产线恢复运行。此时,人体传感器捕获的人体感应信号成为复位信号。员工处理完错漏装问题后,伸手通过无接触触发人体传感器,复位停线信号恢复生产线的运行。
作为示例,树莓派可以每秒定时对生产设备PLC的进工位后的停止信号进行读取,当读取出停止信号为1时,驱动USB摄像头对待检测产品进行拍照;当识别出有零件错漏装时,树莓派,对设备PLC中的运行信号写入0,临时停止生产线的运行。
报警器件用于在树莓派的驱动下执行报警。
音频输出器件用于在树莓派的控制下播放提示错漏装零件的名称、种类、位置中的一个或多个的语音。
显示器件用于在树莓派的驱动下显示错漏装零件的位置的图像。
使用树莓派作为零件漏装图像识别的控制终端,是基于其价格极度低廉、体积小、且自带各类接口、可扩展功能强大。目前成熟的商业图像识别解决方案价格基本要十余万左右一套,而本发明的实施方式提出的基于树莓派的方案在价格方面比成熟的商业方案便宜近百倍,易于在中小型企业中推广使用。
作为本发明的一个实施方式,操作d中利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装可以包括:
利用OpenCV,例如采用OpenCV中的cvtColor函数,对感兴趣图像区域进行灰度化处理,将R、G、B三通道彩色图转换成单通道灰度图;
利用OpenCV,例如采用OpenCV中的threshold函数,将单通道灰度图转换为黑白二值图;
利用OpenCV,例如采用OpenCV中的findContours函数,提取出黑白二值图内的目标轮廓(例如,胶堵的轮廓或胶堵安装孔的轮廓);
利用OpenCV,例如采用OpenCV中的contourArea或arcLength,计算出黑白二值图中的目标轮廓的面积或者周长,并且与目标轮廓的阈值面积或者阈值周长进行对比,判断是否存在零件错漏装,其中,阈值面积和阈值周长是分别根据零件无错漏装情况下的目标轮廓的面积或者周长而确定的。
作为本发明的另一实施方式,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装可以包括:
利用OpenCV,例如采用OpenCV中的cvtColor函数,将感兴趣图像区域由三原色(RGB)模型图像转换为色调-饱和度-明度(Hue,Saturation,Value,HSV)模型图像;
利用OpenCV,例如采用OpenCV中的inRange函数,基于预先定义的待检测颜色(待识别是否有错漏装的零件上存在的与背景不同的颜色)的上下限阈值,将HSV模型图像转换为灰度图,将灰度图中待检测颜色的区域的像素值赋值为第一数值,将其他区域的像素值赋值为第二数值,例如,存在待检测颜色的区域的值为255,其他区域的值为0;
利用OpenCV,例如采用OpenCV中的countNonZero函数,计算灰度图中像素值为第一数值的像素点的第一数目,例如,各像素点中非0值的数量,将第一数目与第一数目阈值进行对比,根据对比结果判断是否存在零件错漏装,其中,第一数目阈值是根据零件无错漏装情况下的第一数目的数值而确定的。
在另一方面,本发明的实施方式提出了一种生产线零件错漏装处理方法,该方法应用于生产线零件错漏装处理设备中的树莓派,具体地,实现为装载在树莓派上的错漏装识别程序。参考图2,其示出了根据本发明的实施方式的生产线零件错漏装处理方法的流程图。如图2所示,该方法100可以包括步骤S201-S206。
在步骤S201中,通过TCP/IP协议,以固定时间间隔(例如1秒)从生产线上的生产设备PLC上读取检测对象到达工位后的等待信号。
在步骤S202中,在读取到等待信号时,通过USB接口或者CSI驱动图像采集器件采集检测对象图像。
在步骤S203中,在检测对象图像中截取感兴趣图像区域(ROI),例如可以将截取处的图像区域保存为新的图像。对采集到的目标对象图像截取ROI,需要保证ROI区域包含待判断是否错漏装的零件。
在步骤S204中,利用OpenCV,对截取ROI后的图像进行预处理并设置判断条件,具体地,根据零件无错漏装情况下的零件安装状态的参考图像特征,对感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置。基于OpenCV的函数编写数字图像处理识别算法,与现有技术中利用卷积神经网络进行图像识别相比,对硬件的要求较低,硬件开销小,充分利用树莓派的CPU主控功能,无需外加高端显卡,在达到同样功能时简化系统;如果在相同硬件条件下,运算速度更快。
在步骤S205中,在判断存在错漏装时,通过GPIO接口驱动报警器件执行报警;通过音频接口控制音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;通过HDMI驱动显示器件显示错漏装零件和所标识的位置的图像;并且,通过TCP/IP协议向生产设备PLC发送停线信号,以便于生产设备PLC生产线停止运行。换言之,当识别出有零件漏装时,程序同时做出3种方式提醒生产线员工:报警器件报警、控制自动播放出语言提示出漏装零件的位置、在显示屏上显示对漏装的零件及位置进行标识后的图片,并发送停线信号至设备PLC停止生产线。仅作为一个具体示例,在识别出错漏装时,通过RPi.GPIO库点亮LED灯、通过pygame库控制音箱播放出预先录制的语音,提示错漏装零件的名称和位置、通过OpenCV将对漏装的零件及位置进行标识后的图片显示在显示屏上;同时,通过Snap库写入停线信号至车身输送设备PLC内停止生产线的继续运行。
在步骤S206中,在生产线停止运行之后,在通过GPIO接口接收到人体感应信号时,通过TCP/IP协议向生产设备PLC发送开线信号,以便于生产设备PLC生产线恢复运行。
作为本发明的一个实施方式,步骤S204中的图像识别可以包括:
利用OpenCV,例如采用OpenCV中的cvtColor函数,对感兴趣图像区域进行灰度化处理,将R、G、B三通道彩色图转换成单通道灰度图;
利用OpenCV,例如采用OpenCV中的threshold函数,将单通道灰度图转换为黑白二值图;
利用OpenCV,例如采用OpenCV中的findContours函数,提取出黑白二值图内的目标轮廓(例如,胶堵的轮廓或胶堵安装孔的轮廓);
利用OpenCV,例如采用OpenCV中的contourArea或arcLength,计算出黑白二值图中的目标轮廓的面积或者周长,并且与目标轮廓的阈值面积或者阈值周长进行对比,判断是否存在零件错漏装,其中,阈值面积和阈值周长是分别根据零件无错漏装情况下的目标轮廓的面积或者周长而确定的。
作为本发明的另一实施方式,步骤S204中的图像识别可以包括:利用OpenCV,例如采用OpenCV中的cvtColor函数,将感兴趣图像区域由三原色(RGB)模型图像转换为色调-饱和度-明度(Hue,Saturation,Value,HSV)模型图像;
利用OpenCV,例如采用OpenCV中的inRange函数,基于预先定义的待检测颜色(待识别是否有错漏装的零件上存在的与背景不同的颜色)的上下限阈值,将HSV模型图像转换为灰度图,将灰度图中待检测颜色的区域的像素值赋值为第一数值,将其他区域的像素值赋值为第二数值,例如,存在待检测颜色的区域的值为255,其他区域的值为0;
利用OpenCV,例如采用OpenCV中的countNonZero函数,计算灰度图中像素值为第一数值的像素点的第一数目,例如,各像素点中非0值的数量,将第一数目与第一数目阈值进行对比,根据对比结果判断是否存在零件错漏装,其中,第一数目阈值是根据零件无错漏装情况下的第一数目的数值而确定的。
在又一方面,本发明的实施方式提供了一种生产线零件错漏装处理装置,该装置应用于生产线零件错漏装处理设备中的树莓派。参考图3,其示出了根据本发明的实施方式的生产线零件错漏装处理装置300的框图。如图3所示,该装置300包括模块301-306。
等待信号读取模块301可以配置用于通过传输控制协议/网际协议,以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号。
图像采集模块302可以配置用于在读取到等待信号时,通过通用串行总线接口或者相机串行接口驱动图像采集器件采集检测对象图像。
图像截取模块303可以配置用于在检测对象图像中截取感兴趣图像区域。
错漏装识别模块304可以配置用于利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置。
处置模块305可以配置用于在判断存在错漏装时,通过通用输入输出接口驱动报警器件执行报警;通过音频接口控制音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;通过高清多媒体接口驱动显示器件显示错漏装零件和所标识的位置的图像;并且,通过传输控制协议/网际协议向生产设备可编程逻辑控制器发送停线信号,以便于生产设备可编程逻辑控制器控制生产线停止运行。
运行恢复模块306可以配置用于在生产线停止运行之后,在通过通用输入输出接口接收到人体感应信号时,通过传输控制协议/网际协议向生产设备可编程逻辑控制器发送开线信号,以便于生产设备可编程逻辑控制器控制生产线恢复运行。
需要注意,生产线零件错漏装处理装置300中的各个模块实现的功能与上文描述的生产线零件错漏装处理方法中的各个步骤一一对应,其具体实施方式、示例和技术效果请参见上文对于方法的描述,在此不再赘述。
在又一方面,本发明的实施方式提出了一种存储介质,存储有机器可读指令,当指令由处理器运行时,执行根据上述实施方式描述的生产线零件错漏装处理方法。
本发明的实施方式基于树莓派及普通摄像头实现超低成本生产过程防差错类图像识别,具体的路线为用树莓派(ARM架构的微型电脑主板)替待工业电脑、普通摄像头替代工业相机及镜头、运用opencv编写图像识别算法替代商业配套软件、不额外增加工业光源。
本发明的实施方式提出的技术方案可以替代零件错漏装的人工检查,有效地识别出零件的错漏装的现象并进行提醒,现场立即修复缺陷,大量节省后续的返修工时,且具有成本极其低廉的优点,适合在大中小型企业快速推广使用。
本发明与现有技术相比,具有以下优点:
1.硬件成本极度低廉,核心硬件树莓派价格仅几百元,整套装置成本控制在千余元左右,可被中小型企业接受;
2.适用场景多,且装置各部件模块化、微型化,可在生产现场快速布置,大范围推广使用,基本不受安装空间的限制;
3.识别出零件错漏装后,提醒方式多样,同时支持灯光提醒、语音提醒及屏幕显示提醒功能;
4.充分利用树莓派上丰富的各类硬件接口(USB口、HDMI口、有线网口、无线网口、GPIO口、3.5mm音频口),无需外加额外转接硬件;
5.系统采用通用编程语言(例如python)编程,可移植性强、可靠性及稳定性好;
6.基于OpenCV的函数编写数字图像处理识别算法,与利用卷积神经网络进行图像识别相比,对硬件的要求较低,硬件开销小,充分利用树莓派的CPU主控功能,无需外加高端显卡,在达到同样功能时简化系统;如果在相同硬件条件下,运算速度极大的加快,从而提升了整体设备的反应速度和控制速度;
7.树莓派与生产线上的生产设备PLC直接对接,从而在识别到错漏装之后可以及时作出反应控制生产线的运行,反应及时、迅速,提升了生产效率。
本发明提出的技术方案在汽车冲焊涂总及动力总成各专业车间内涉及到零件错漏装的场景均可运用,进一步地,可以推广应用于制造业中所有涉及到零件安装的场景,具有广阔的应用潜力。
出于示意的目的,已经给出了本发明的实施方式的前述说明,其并非是穷举性的也并非要将本发明限制为所公开的确切形式。本领域技术人员可以理解的是,在不偏离本发明的范围的情况下可以做出各种变化,并且可以将其中的元件替换为等同物。另外,在不偏离本发明的基本范围的情况下,可以进行很多修改以使得特定的情况或材料适应于本发明的教导。因此,本发明不试图限制于所公开的作为用于实现本发明所预期的最佳模式的特定实施方式,本发明将包括落入所附的权利要求的范围内的所有实施方式。
Claims (10)
1.一种生产线零件错漏装处理设备,其特征在于,所述设备包括树莓派、图像采集器件、音频输出器件、报警器件、显示器件和人体传感器,
所述树莓派通过传输控制协议/网际协议与生产线上的生产设备可编程逻辑控制器可通信地连接,通过通用串行总线接口或者相机串行接口与所述图像采集器件连接,通过音频接口与所述音频输出器件通信并且通过通用串行总线接口为所述音频输出器件供电,通过通用输入输出接口与所述报警器件和所述人体传感器连接,通过高清多媒体接口与所述显示器件连接,
所述图像采集器件用于在所述树莓派的驱动下采集所述检测对象图像;
所述人体传感器用于在生产线停止运行的情况下无接触式地感测人体,并且在感测到人体时生成人体感应信号,将所述人体感应信号发送至所述树莓派;
所述树莓派用于:
以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号;
在读取到所述等待信号时,驱动所述图像采集器件采集检测对象图像;
在所述检测对象图像中截取感兴趣图像区域;
利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置;
在判断存在错漏装时,驱动报警器件执行报警;控制所述音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;驱动所述显示器件显示错漏装零件和所标识的位置的图像;并且,向所述生产设备可编程逻辑控制器发送停线信号,以便于所述生产设备可编程逻辑控制器控制生产线停止运行;
在生产线停止运行之后,在接收到所述人体感应信号时,向所述生产设备可编程逻辑控制器发送开线信号,以便于所述生产设备可编程逻辑控制器控制所述生产线恢复运行;
所述报警器件用于在所述树莓派的驱动下执行报警;
所述音频输出器件用于在所述树莓派的控制下播放提示错漏装零件的名称、种类、位置中的一个或多个的语音;
所述显示器件用于在所述树莓派的驱动下显示错漏装零件的位置的图像。
2.根据权利要求1所述的设备,其特征在于,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:
对所述感兴趣图像区域进行灰度化处理,生成单通道灰度图;
利用开源计算机视觉库将所述单通道灰度图转换为黑白二值图;
利用开源计算机视觉库提取出所述黑白二值图内的目标轮廓;
利用开源计算机视觉库计算出所述黑白二值图中的目标轮廓的面积或者周长,并且与目标轮廓的阈值面积或者阈值周长进行对比,判断是否存在零件错漏装,其中,所述阈值面积和所述阈值周长是分别根据零件无错漏装情况下的目标轮廓的面积或者周长而确定的。
3.根据权利要求1所述的设备,其特征在于,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:
利用开源计算机视觉库将所述感兴趣图像区域由三原色模型图像转换为色调-饱和度-明度模型图像;
利用开源计算机视觉库,基于预先定义的待检测颜色的上下限阈值,将所述色调-饱和度-明度模型图像转换为灰度图,将所述灰度图中待检测颜色的区域的像素值赋值为第一数值,将其他区域的像素值赋值为第二数值;
利用开源计算机视觉库,计算所述灰度图中像素值为第一数值的像素点的第一数目,将所述第一数目与第一数目阈值进行对比,根据对比结果判断是否存在零件错漏装,其中,所述第一数目阈值是根据零件无错漏装情况下的第一数目的数值而确定的。
4.根据权利要求1所述的设备,其特征在于,所述人体传感器是人体红外感应传感器。
5.根据权利要求1所述的设备,其特征在于,所述树莓派上装载有Raspbian操作系统、Snap7库和所述开源计算机视觉库,所述Snap7库用于执行与生产线上的所述生产设备可编程逻辑控制器的通信。
6.一种生产线零件错漏装处理方法,其特征在于,所述方法应用于生产线零件错漏装处理设备中的树莓派,所述方法包括:
通过传输控制协议/网际协议,以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号;
在读取到所述等待信号时,通过通用串行总线接口或者相机串行接口驱动所述图像采集器件采集检测对象图像;
在所述检测对象图像中截取感兴趣图像区域;
利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置;
在判断存在错漏装时,通过通用输入输出接口驱动报警器件执行报警;通过音频接口控制所述音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;通过高清多媒体接口驱动所述显示器件显示错漏装零件和所标识的位置的图像;并且,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送停线信号,以便于所述生产设备可编程逻辑控制器控制生产线停止运行;
在生产线停止运行之后,在通过通用输入输出接口接收到所述人体感应信号时,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送开线信号,以便于所述生产设备可编程逻辑控制器控制所述生产线恢复运行。
7.根据权利要求6所述的方法,其特征在于,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:
对所述感兴趣图像区域进行灰度化处理,生成单通道灰度图;
利用开源计算机视觉库将所述单通道灰度图转换为黑白二值图;
利用开源计算机视觉库提取出所述黑白二值图内的目标轮廓;
利用开源计算机视觉库计算出所述黑白二值图中的目标轮廓的面积或者周长,并且与目标轮廓的阈值面积或者阈值周长进行对比,判断是否存在零件错漏装,其中,所述阈值面积和所述阈值周长是分别根据零件无错漏装情况下的目标轮廓的面积或者周长而确定的。
8.根据权利要求6所述的方法,其特征在于,利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装包括:
利用开源计算机视觉库将所述感兴趣图像区域由三原色模型图像转换为色调-饱和度-明度模型图像;
利用开源计算机视觉库,基于预先定义的待检测颜色的上下限阈值,将所述色调-饱和度-明度模型图像转换为灰度图,将所述灰度图中待检测颜色的区域的像素值赋值为第一数值,将其他区域的像素值赋值为第二数值;
利用开源计算机视觉库,计算所述灰度图中像素值为第一数值的像素点的第一数目,将所述第一数目与第一数目阈值进行对比,根据对比结果判断是否存在零件错漏装,其中,所述第一数目阈值是根据零件无错漏装情况下的第一数目的数值而确定的。
9.一种生产线零件错漏装处理装置,其特征在于,所述装置应用于生产线零件错漏装处理设备中的树莓派,所述装置包括:
等待信号读取模块,配置用于通过传输控制协议/网际协议,以固定时间间隔从生产线上的生产设备可编程逻辑控制器上读取检测对象到达工位后的等待信号;
图像采集模块,配置用于在读取到所述等待信号时,通过通用串行总线接口或者相机串行接口驱动所述图像采集器件采集检测对象图像;
图像截取模块,配置用于在所述检测对象图像中截取感兴趣图像区域;
错漏装识别模块,配置用于利用开源计算机视觉库,根据零件无错漏装情况下的零件安装状态的参考图像特征,对所述感兴趣图像区域中的零件安装状态的图像特征进行识别,判断是否存在零件错漏装,并且在存在零件错漏装时,标识错漏装零件的位置;
处置模块,配置用于在判断存在错漏装时,通过通用输入输出接口驱动报警器件执行报警;通过音频接口控制所述音频输出器件输出提示错漏装零件的名称、种类、位置中的一个或多个的语音;通过高清多媒体接口驱动所述显示器件显示错漏装零件和所标识的位置的图像;并且,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送停线信号,以便于所述生产设备可编程逻辑控制器控制生产线停止运行;
运行恢复模块,配置用于在生产线停止运行之后,在通过通用输入输出接口接收到所述人体感应信号时,通过传输控制协议/网际协议向所述生产设备可编程逻辑控制器发送开线信号,以便于所述生产设备可编程逻辑控制器控制所述生产线恢复运行。
10.一种存储介质,存储有机器可读指令,当所述指令由处理器运行时,执行根据权利要求6-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210434220.XA CN116977828A (zh) | 2022-04-24 | 2022-04-24 | 生产线零件错漏装处理设备、方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210434220.XA CN116977828A (zh) | 2022-04-24 | 2022-04-24 | 生产线零件错漏装处理设备、方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977828A true CN116977828A (zh) | 2023-10-31 |
Family
ID=88480253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210434220.XA Pending CN116977828A (zh) | 2022-04-24 | 2022-04-24 | 生产线零件错漏装处理设备、方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977828A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406302A (zh) * | 2023-12-15 | 2024-01-16 | 上海高晶检测科技股份有限公司 | 一种干燥剂漏装检测方法、设备及系统 |
-
2022
- 2022-04-24 CN CN202210434220.XA patent/CN116977828A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406302A (zh) * | 2023-12-15 | 2024-01-16 | 上海高晶检测科技股份有限公司 | 一种干燥剂漏装检测方法、设备及系统 |
CN117406302B (zh) * | 2023-12-15 | 2024-02-20 | 上海高晶检测科技股份有限公司 | 一种干燥剂漏装检测方法、设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220303447A1 (en) | Information acquisition device, method, patrol robot and storage medium | |
CN109801590B (zh) | 用于led显示屏的多接收单元自动配置方法、装置及系统 | |
CN203629603U (zh) | 一种基于图像识别技术的智能电能表检测装置 | |
CN111289538A (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
CN116977828A (zh) | 生产线零件错漏装处理设备、方法、装置和存储介质 | |
CN103914833A (zh) | 一种自动检测票据是否残缺的方法及系统 | |
CN112070000A (zh) | 智能识别算法训练方法、装置、终端服务器及可存储介质 | |
CN114022767A (zh) | 一种电梯楼层定位方法、装置、终端设备及存储介质 | |
EP4044144A3 (en) | Method and apparatus for providing prompt for traffic light, vehicle, and electronic device | |
CN113500581B (zh) | 一种综采工作面巡检机器人控制系统 | |
CN111312157A (zh) | Led显示屏及其更新配置的方法、接收卡、显示模组 | |
CN109894763B (zh) | 一种太阳能组件接线盒定位组装系统及其定位组装方法 | |
CN108957384A (zh) | 一种周转箱及电能计量设备方向判别方法与装置 | |
CN214122769U (zh) | 一种整车电子标签遗漏检测装置 | |
CN210243513U (zh) | 一种视觉检测系统 | |
CN112529855A (zh) | 遥控器的检测方法、检测装置和计算机可读存储介质 | |
CN106647402A (zh) | 基于ir的条码烧写、校验及粘贴的系统及其控制方法 | |
JP2015218022A (ja) | 部品供給装置、自動識別機能付きロボット及びロボット組立システム | |
CN114283413B (zh) | 一种巡检场景下数字仪表读数的识别方法与系统 | |
CN110335272A (zh) | 一种基于机器视觉的金属器件智能质检设备控制系统、方法及电子设备 | |
CN217640015U (zh) | 一种smt智能制造控制系统 | |
CN116435091B (zh) | 一种基于电感绕线机的异常调整方法及装置 | |
US20220351995A1 (en) | Methods and systems of image based robot alignment | |
JPH11147507A (ja) | 半導体装置のテーピング装置 | |
US11954847B2 (en) | Image identification method and system |
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 |