基于改进SSD算法的工件检测

针对自动化生产线上运动的工件检测准确度要求高,部分小工件难以检测的问题,提出一种基于SSD改进的工件目标检测算法.在SSD算法的基础上,将SSD的骨干网络VGG16替换为ResNet50,并增加输出特征层的预选框数量,其次加入特征金字塔(FPN)的算法思想,将网络中的底层特征与高层特征融合,解决了SSD算法中对底层特征...     

基于OpenCV的工件尺寸与划痕检测算法研究

针对制造业水平的不断发展对检测技术提出高精度、高速度、低误差的要求,提出一套工件尺寸与划痕检测算法。该算法基于OpenCV视觉库与工业相机,在适当的光源平台下运行,提取工件的轮廓尺寸和表面划痕,再利用相机标定参数求解出工件的实际尺寸。检测结果表明:提出的检测算法比传统的Hough变换直线检测算法检测误差小,划痕检测十分精确。     

基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network, EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union, IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision, mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。     

基于卷积神经网络多特征融合的工件识别与检测

针对工业自动化场景中工件识别与检测精度不够高、特征提取困难、多工件定位困难等问题,提出一种基于卷积神经网络多特征融合的工件检测算法。工件检测算法是在一种单次目标检测器算法基础上,新增了特征融合结构,将图像深层信息与浅层信息融合而得以改进,由基础网络、自定义网络、特征融合结构和检测网络四部分构成。实验测试表明,对于200个不同工件组成的图像数据集检测的平均精度达99.2%,优于改进前的96.3%,单张图片检测时间为0.026s,基本符合工业自动化场景中的实时性要求。     

基于显微成像与图像处理的工件表面漏光缺陷检测算法

为了解决工件表面微米级针孔缺陷特征不明显而导致其难以检出的问题,提出了基于显微成像与图像处理的针孔漏光缺陷检测系统。首先,对针孔缺陷检测精度、视野覆盖范围进行分析,完成视觉系统设计,达到对缺陷清晰成像的目的。然后利用Canny分割与膨胀处理图像缺陷目标,遍历轮廓提取面积、长轴特征,通过加入缺陷坐标系模型,完成缺陷定性判断。实验测试结果显示:与当前缺陷检测技术相比,文中算法拥有更高的缺陷检出率。     

基于卷积神经网络的工件识别算法

针对传统工件识别算法特征提取困难、通用性差、工件的平移、旋转和光照变化对识别效果影响较大、识别准确率不高等问题,提出了一种基于卷积神经网络的工件识别算法。卷积神经网络由4层网络构成,包括2层卷积层和2层全连接层。实验任意选取了10种工件进行识别。在神经网络训练阶段对这10种工件共采集1万张图片,其中9000张图片作为训练集,剩下1000张图片作为验证集。训练时采用在卷积层加入批归一化层和在全连接层使用随机失活的方法,使网络能够得到更好的训练效果。当迭代次数达到10万次时基本得到理想的训练效果。测试时通过摄像机采集图像,对采集到的图像进行预处理,然后将预处理后的图像送入网络进行识别。在光源稳定室内环境下进行实验,实验结果表明基于卷积神经网络的工件识别平均所需时间为0.169s,平均识别准确率为98.3%,准确率高于传统基于特征提取和模板匹配的工件识别。     

基于模拟退火算法的工件位置标定

从实用的角度分析了焊接工件的定位问题，提出了在机器人焊接条件下，基于模拟退火算法的工件位置标定算法。标定时，不需要增加其它的辅助设备，利用机器人示教功能获得少数参考点(大于或等于3点)的坐标，然后用模拟退火算法求出从工件模型到实际工件的位置变换矩阵。算法是通用的且具有较高的精度，标定算法的计算误差小于0．02mm。示教误差对工件位置标定有一定的影响，但是，示教误差会在一定程度上互相抵消，使得工件位置标定误差较小，通常小于0．5mm，极端情况下，标定误差小于0．9mm，可以满足焊接工艺的要求。如果焊接工件的位置标定是在路径规划之前进行的，规划时用到的位姿数据是对应真实世界中的数据，则路径规划的结果可以直接用于下载到机器人控制柜运行。     

基于改进阈值分割与形态学的螺钉目标检测算法

为了在外部环境干扰严重的条件下提高螺钉智能装配质量,文章提出了基于改进阈值分割与形态学的螺钉装配质量检查算法。首先,设计了融合最大方差与自适应阈值的分割算法,完成目标分割,防止欠分割与过度分割。其次,考虑去棱角与突出目标中心,改进了形态学结构分子,联合高帽运算,去除噪声干扰,进一步精确分割目标。然后提取目标纹理特征,通过标准特征值,完成螺钉目标检测。最后编程实现整个系统,并且在实际工程环境中使用。实验结果表明:与当前螺钉检测技术相比,文中算法拥有更高的检查正确率与稳定性。     

基于图像像素级分割与标记映射的工件表面微小缺陷检测算法

为了解决当前工件表面微小缺陷在边缘模糊和特征不明显的情况下,导致其检测不准确的问题,文章提出了基于图像像素级分割与标记映射的工件表面微小缺陷检测算法。首先,利用工业显微镜采集工件图像,获取显微缺陷图;根据高效原则,以整数代替浮点运算,位移代替乘法运算,设计位移亮度滤波算子,进行平台数据转换,基于像素亮度阈值的标记映射,获取显微图像的像素亮度分布的二值图像。然后,耦合高斯平滑滤波与形状滤波,增强图像边缘轮廓特征,进行连通区域标记,准确识别与定位微小缺陷。最后,对缺陷目标进行特征计算和标注显示,完成微小缺陷的自动检测和定量计算。实验测试结果显示:与当前工件表面缺陷检测算法相比,文中检测技术拥有更高的识别精度。     

基于频域信道估计算法的超声目标检测

类比了超声波检测原理和无线通信理论中的多径效应,提出了一种基于单载波频域信道估计算法来实现超声波检测的方法。通过加循环前缀的Zadoff-Chu序列信号对目标距离进行估计,并实现无旁瓣的脉冲压缩。仿真结果表明,该方法可以在低信噪比下,很好地检测出信号,并能同时解决脉冲压缩的距离旁瓣问题。     

基于机器视觉的工件的在线检测

利用HALCON软件提供的算子对摄像机内、外参数和机器人"手眼"系统进行标定,在此基础上结合视觉检测技术提出了一种工件在线缺陷检测的方法。该方法是根据触发时刻的空间位置来确定抓取时刻工件位置的一种空间相量平移方法,接着利用图像处理软件发出的电信号来控制机械手来完成缺陷工件的动态抓取工作。最后利用C++完成人机界面的设计,经调试可完成实时在线检测、可达到生产要求精度。     

基于特征设计的焊接工件造型系统

为解决机器人焊接CAD／CAPP／CAM系统的信息共享，开发了焊接工件特征造型系统。提出了焊接工件特征的概念和分类。分析讨论了焊接特征造型方法，提出将焊接工件的造型分解为工件的造型和接头造型的思想，采用三维CAD平台建立了通用工件的造型，基于该平台二次开发实现了焊接接头的特征造型。介绍了焊接工件特征造型系统设计框架，给出了接头坡口基于特征库的特征设计实现技术。     

基于图像传感器的工件表面质量检测系统设计

设计了一种以光学系统、CCD图像传感器和计算机数据采集处理系统为基础构成的表面质量测量系统.该系统可以对多种机械加工零件的内外表面实现非接触在线实时检测,其特点是系统性能稳定、适应性强、精度高.本文在研究CCD工作原理和驱动波形的基础上,针对CCD输出电信号不易直接处理这一难题,给出了采用DSP单片机驱动CCD和浮动阈值法二值化处理电路的具体实现方法.     

基于改进的ORB算法的工件图像识别方法

针对传统的工件图像识别算法运行速度慢、匹配精度差等问题,提出一种改进的ORB（Oriented FAST and Rotated BRIEF）算法解决工件图像的实时与准确识别问题。该算法的流程是首先利用ORB算法提取工件图像的角点特征,随后为其添加SURF（Speed-Up Robust Features）描述符进行方向分配,得到具有旋转尺度不变性的图像角点,结合快速近似最近邻搜索算法进行特征点的匹配,实现工件图像的识别。实验结果表明：在图像存在旋转尺度变化的情况下,使用改进的ORB算法相比传统的ORB、SIFT（Scale Invariant Feature Transform）和SURF算法以及SIFT+SURF、SURF+FREAK组合算法在工件图像角点提取与目标匹配方面速度更快,识别精度更高,提高了工业机器人在搬运工件过程中对工件图像的识别效率和准确性     

模板匹配优化耦合图像校正的旋转工件目标定位算法

为了解决当前工件定位算法难以有效识别带有旋转角度的目标,且计算复杂度大等不足,文章设计了基于Canny检测与SIFT特征的旋转工件目标识别算法。首先,对采集工件图像的RGB三通道完成权重分配,获取灰度化图像;并利用Canny边缘检测和霍夫直线检测处理灰度图像,计算出工件旋转角度;并基于几何变换,定义图像校正模型,消除工件旋转角度,对其完成复位处理,并采用模板匹配在图像中定位工件。最后分别提取模板工件与待识别工件的SIFT特征,计算欧式距离,以度量相似性,完成工件目标识别。实验数据显示:与当前识别算法相比,在面对带有旋转角度工件时,文中工件目标识别算法具备更高的准确性和鲁棒性。     

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。     

基于改进的SURF_FREAK算法的工件识别与抓取方法研究

为解决自动化生产线上工件的准确、实时定位与抓取问题,提出改进的SURF_FREAK算法,将其应用于工件的识别与匹配。该算法首先利用加速稳健特征(SURF)算法提取特征点,随后对FREAK算法添加中距离点对进行特征点的描述,在汉明距离相似性度量之前添加极线约束匹配工件图像。研究结果表明:改进的SURF_FREAK算法相比传统的尺度不变特征变换(SIFT)、SURF、SURF_FREAK算法,其在工件的识别速度和匹配准确度上有很大的改善。将该算法应用于工业现场,可以快速准确地识别出工件,结合双目技术完成工件的定位,通过运动学逆解求出机械臂各关节的移动量,传送到控制器,实现对工件的抓取。     

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。     

基于CS优化深度学习卷积神经网络的目标检测算法

目前对于形状比较复杂且密集摆放的工件,传统的工业机器人视觉分拣技术已经无法有效检测和识别。因此,为了提高生产线上分拣工件检测的准确率,提出了一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化深度学习卷积神经网络(Convolutional Neural Network,CNN)的目标检测算法。首先对视觉分拣系统的组成进行了分析。然后采用经典的Faster R-CNN的模型结构来实现目标检测,并将CS优化算法应用到CNN模型的参数训练中,解决了反向传播的局部最优问题,同时提高了迭代速度。工件检测实验结果表明:相比于传统的CNN模型,提出CS-CNN模型具有更好的目标检测的准确率,提高了网络的收敛速度。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进.改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积.决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征.实验验证表明,改进的分割网络模型应用到...