选择特殊符号
选择搜索类型
请输入搜索
王曾
成果名称 |
铝型材加工装配精确摆放视觉检测系统 |
成果完成单位 |
安徽枫颍铝业有限公司 |
批准登记单位 |
安徽省科学技术厅 |
登记日期 |
2020-05-11 |
登记号 |
2020N993Y001933 |
成果登记年份 |
2020 |
轨道交通、航空航天、汽车铝业等零部件的加工,对精度要求比较高、产量比较大的企业铝型材加工中心是最适合的,加工中心效率高,精度高可以提高企业的年产量,铝型材加工中心有三轴加工中心,四轴加工中心、五轴加工...
首先要了解一下市场,还要明白你要想做什么样的东西,设备的话中辰数控铝型材加工
常州博泰铝制品有限公司是国内专业生产工业铝材的重点厂家之一。引进欧洲先进技术力量,是一家具有现代化生产技术力量,通过国际质量体系认证和产品质量认证的企业。 &n...
视觉显著性检测计算是指利用数学建模的方法模拟人的视觉注意机制,对视场中信息的重要程度进行计算。Treisman 等的特征集成理论为视觉显著性计算提供了理论基础,将视觉加工过程分为特征登记与特征整合阶段,在特征登记阶段并行地、独立地检测特征并编码,在特征整合阶段通过集中性注意对物体进行特征整合与定位。受特征集成理论的启发,Kock 和 Ullman最早提出了有关视觉注意机制的计算模型,通过滤波的方式得到特征,最后通过特征图加权得到显著图。
Itti于1998年提出基于显著性的视觉注意模型,并在2001年度Nature上对该模型理论作了进一步的完善。Itti的显著性模型最具代表性,该模型已经成为了自下而上视觉注意模型的标准。
对于一幅输入的图像,该模型提取初级视觉特征:颜色(RGBY)、亮度和方位、在多种尺度下使用中央周边(Center-surround)操作产生体现显著性度量的特征图,将这些特征图合并得到最终的显著图(Saliency map)后,利用生物学中赢者取全(Winner-take-all)的竞争机制得到图像中最显著的空间位置, 用来向导注意位置的选取,最后采用返回抑制 (Inhibition of return) 的方法来完成注意焦点的转移。视觉显著性计算模型大致上可分为两个阶段:特征提取与特征融合。在特征融合阶段,可能存在自底向上的底层特征驱动的融合方式,和自顶向下的基于先验信息与任务的融合方式。因此,视觉显著性检测模型框架大致表述为如图 5 所示。
一套结合机器视觉与气动量仪的自动化检测系统,能以4~6秒的节拍时间,检测三种密封衬套的内外径、底座轮廓尺寸、口部形状缺陷。
衬套是指起衬垫作用的环套。在阀门应用领域,衬套在阀盖之内,一般使用高分子、耐热、耐腐材料,起到密封作用。用于航空、液压等领域的密封衬套,对于尺寸公差及形状缺陷的控制要求非常高,传统的检测手段采用通止规、人工目视等方法,存在效率低下、易损伤、易漏检、难以统计数据等问题。
为帮助一家航空高分子密封衬套制造商实现产品筛选检测的自动化,宁波大简精密技术有限公司(www.simpretech.com)为其开发了一套结合机器视觉与气动量仪的自动化检测系统。该系统能以4~6秒的节拍时间,检测其所制造的三种规格产品的内外径、底座轮廓尺寸、口部形状缺陷。
自动化流程
这套基于视觉与气动量仪的检测系统包括三路振动盘上料器、三个气动量仪检测工位、一个电动滑台结合气动夹头的转运机构、一个电动玻璃转盘、三路视觉检测系统、两路出料机构。三路振动盘分别对应不同规格的物料,将其振动运送至气动量仪检测工位,完成内径测量后,由转运机构将产品放置于玻璃转盘上,由三个视觉工位在旋转运动状态下,进行开口部分形状检测以及侧面与背面投影的轮廓的测量,根据前序工位的检测结果,产品在出料机构部分进行OK/NG分选。
气动量仪测量
气动量仪测量原理是比较测量法。其利用空气的流动特性,将被测工件的几何尺寸的变化量,转换成压力的变化量,从而在压力指示器上读出被测工件的几何参数,由采样电路进行AD转换,得到内径的精确测量值。
由于利用气体作为测量介质,因此这种测量方法具有非接触测量的特点。由于气动量仪对气路洁净度、温湿度等较为敏感,需要在测量过程中定期校准。系统在测量工位安装有标准环规,在实际使用过程中每检测200个产品即校准一次。同时,为解决产品内部的锥度影响问题,在测量过程中每个产品在三个不同内孔高度各测量一次,进行综合判断。气动测量仪的AD转换程序加载于PLC系统上,与系统的电动、气动、传感器IO等共用一个PLC,测量值通过RS-485总线传输到视觉系统所使用的PC系统,以进行数据的整体统计分析。气动量仪可实现微米级的内径测量精度。
机器视觉检测
机器视觉检测部分包括三个工位,分别实现开口部分形状缺陷检测、侧面轮廓尺寸和正面的测量。三个工位均采用双远心镜头,结合全局快门的以太网接口CMOS工业相机,实现运动过程中的产品抓拍和检测处理。视觉系统基于PC平台,采用Windows10 64位系统,在三个显示屏上分别显示三个工位的实时检测状态;通过IO模块与PLC系统通信,将检测结果转换为OK/NG筛选执行动作。在尺寸测量方面系统可达到±3μm的重复精度。
文/宁波大简精密技术有限公司
关于我们
人类视觉系统在面对自然场景时具有快速搜索和定位感兴趣目标的能力,这种视觉注意机制是人们日常生活中处理视觉信息的重要机制。随着互联网带来的大数据量的传播,如何从海量的图像和视频数据中快速地获取重要信息,已经成为计算机视觉领域一个关键的问题。通过在计算机视觉任务中引入这种视觉注意机制,即视觉显著性,可以为视觉信息处理任务带来一系列重大的帮助和改善。引入视觉显著性的优势主要表现在两个方面,第一,它可将有限的计算资源分配给图像视频中更重要的信息,第二,引入视觉显著性的结果更符合人的视觉认知需求。视觉显著性检测在目标识别,图像视频压缩,图像检索,图像重定向等中有着重要的应用价值。视觉显著性检测模型是通过计算机视觉算法去预测图像或视频中的哪些信息更受到视觉注意的过程。
视觉显著性(Visual Attention Mechanism,VA,即视觉注意机制)是指面对一个场景时,人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域,这些人们感兴趣区域被称之为显著性区域。
视觉显著性包括从下而上和从上往下两种机制。从下而上也可以认为是数据驱动,即图像本身对人的吸引,从上而下则是在人意识控制下对图像进行注意。计算机视觉领域主要做的是从下而上的视觉显著性,而从上而下的视觉显著性由于对人的大脑结构作用不够了解,无法深刻的揭示作用原理,在计算机视觉领域的研究也相应很少。
仅受感知数据的驱动,将人的视点指导到场景中的显著区域;通常与周围具有较强对比度或与周围有明显不同的区域吸引自下而上的注意。利用图像的颜色、亮度、边缘等特征表示,判断目标区域和它周围像素的差异,进而计算图像区域的显著性。图1为自下而上的注意,第5列红色条和第 4 列的竖直摆放的条形能立即引起人的注意。
由人的“认知因素” 决定, 比如知识、预期和当前的目标.对图像的特定特征来计算图像区域的显著性。图2为自上而下的注意, 监控任务下, 场景中的人体能引起注意。