Wie bestimmen Sie den Insertionsstatus des M8 -Steckers über visuelles System?

Oct 24, 2025

Eine Nachricht hinterlassen

一, Branchenbedarf nach M8 Connector Plug - in der Statuserkennung
M8 -Steckverbinder werden in Feldern wie Werksautomationsmaschinen, Automobilelektronik und Schienenverkehr und deren Stecker - im Status direkt beeinflusst, wirkt sich direkt auf die Systemstabilität aus. Beispielsweise kann bei der Verbindung von Robotergelenksensoren eine schlechte Einführung eines einzelnen Steckers zu einem Positionsrückkopplungsfehler von über 0,1 mm führen, was zu einer unkontrollierten Bewegung des Roboterarms führt. Die herkömmliche manuelle visuelle Inspektion hat die Nachteile mit geringer Effizienz und hoher falscher Erkennungsrate, während visuelle Systeme mehrere Anschlüsse pro Sekunde mit einer falschen Erkennungsrate von weniger als 0,01%erkennen können, was die Produktionsqualität erheblich verbessert.

2, Hardwarearchitektur und Auswahl des visuellen Inspektionssystems
1. Konfiguration Industriekamera und Linsen
Auflösungsauswahl: Zum Erkennen von 0,1 -mm -Stiftversatz ist eine Kamera mit einer Auflösung von 5 Millionen Pixel oder mehr erforderlich. Beispielsweise können die Kameras der Basler Ace Series eine Erkennungsgenauigkeit von 0,05 mm/Pixel bei 1080p -Auflösung erreichen.
Objektivparameter: Die Arbeitsabstand wird im Bereich von 50 bis 100 mm gesteuert, um sicherzustellen, dass das Sichtfeld die gesamte Anschließungseinfügungsfläche abdeckt.
Lichtquellendesign: Rundlicht mit koaxialem Licht gepaart, die die Metallkanten von Stiften und Steckdosen deutlich unterscheiden können. Das Experiment zeigt, dass 45 -Grad -schräges Licht den Kontrast des Schattens an der Wurzel des Pin verbessern und die Defekterkennungsrate verbessern kann.
2. Bildverarbeitungseinheit
Embedded Vision System: wie die kranke IVP Rangerc50 intelligente Kamera mit erstelltem - im FPGA -Vorverprozessungsmodul kann die Kantenerkennung, Vorlagenanpassung und andere Algorithmen in Echtzeit vervollständigen, mit einer Verarbeitungsgeschwindigkeit von bis zu 120 fps.
PC -Basissystem: Geeignet für Multi Camera Collaborative Detection -Szenarien, unter Verwendung von Basler Pylon SDK, um eine Multi - -Rehree -Bildaufnahme und die Halcon -Bibliothek für 3D -Punkt -Cloud -Rekonstruktion zu erzielen.
3, Kernerkennungsalgorithmus und Implementierungspfad
1. Jack -Positionierung und Kantenextraktion
Akkumulierte Quantisierungsgradientenrichtung Merkmal: Generieren Sie eine Vorlagenbibliothek für Steckverbinderkonturen, indem Sie das Gradientenrichtungshistogramm jedes Pixels im Bild berechnen. Das Experiment zeigt, dass die Erkennungsgenauigkeit dieser Methode für M8 -Steckverbinder 99,7%erreicht und auch in komplexen Hintergründen stabil funktionieren kann.
Histogrammanalyse der Scanlinie: Scannen Sie das Steckerbild entlang der horizontalen/vertikalen Richtung und zählen Sie die Positionen von Graustufenübergangspunkten. Ein bestimmtes Modell des M8 -Steckers als Beispiel überschreitet die Graustufenmutationsamplitude seiner Sockelkante an der Scan -Linie 50, was die Mitte der Sockel genau lokalisieren kann.
2. Klassifizierungsmodell für Plug - im Status
Traditionelle Bildverarbeitung:
Geometrische Parametermessung: Berechnen Sie die Parameter wie die Abstandabweichung und den Neigungswinkel zwischen Stiften und Steckdosen. Wenn beispielsweise der Versatz des Pin -Zentrums 0,2 mm oder der Neigungswinkel größer als 2 Grad beträgt, wird er als schlechte Einfügung beurteilt.
Graustufenschwellensegmentierung: Der OTSU -Algorithmus bestimmt automatisch die Segmentierungsschwelle zwischen Stiften und Steckdosen und erkennt Defekte wie fehlende oder gebogene Stifte.
Deep Learning Solutions:
YOLOV5 -Objekterkennung: Trainieren Sie das Modell, um den Insertionsstatus (normal/halb eingefügt/nicht eingefügt) zu erkennen und einen Kartenwert von 98,2% auf 1000 kommentierten Bildern zu erreichen.
RESNET50 -Klassifizierungsnetzwerk: Führen Sie die Segmentierung von 224 × 224 Pixelflächen auf dem Plug - in der Oberfläche durch und geben nach Eingabe in das Netzwerk den Stecker - in Qualitätsniveau (ausgezeichnet/gut/schlecht) aus.
4, Optimierung des Erkennungsprozesses in industriellen Szenarien
1. Dynamische Erkennung und real - Zeitfeedback
Anwendung von hoher - Speed ​​Linear Array -Kamera: Auf einer kontinuierlichen Produktionslinie wird eine lineare Array -Kamera verwendet, um den Anschluss mit einer Leitungsfrequenz von 10 kHz und Triggerbewegungskompensation mit einem Encoder zu scannen. Beispielsweise hat eine bestimmte Produktionslinie für Automobil -Elektronik die Erkennungsgeschwindigkeit durch diese Lösung auf 300 Anschlüsse pro Minute erhöht.
SPC Collaborative Control: Das visuelle System überträgt die Erkennungsergebnisse (OK/ng -Signale) in Echtzeit über das TCP/IP -Protokoll auf die SPS und löst den Sortiermechanismus aus, um defekte Produkte zu entfernen. Experimentelle Daten zeigen, dass dieses Schema die fehlende Erkennungsrate von defekten Produkten von 3% auf 0,2% verringert.
2. Verbesserte Umweltanpassungsfähigkeit
Anti -Vibrationsdesign: Unter Schwingungsbedingungen wird der Frequenzdomänenfilteralgorithmus verwendet, um die durch mechanische Schwingung verursachte Bildschwärme zu unterdrücken. Wenn Sie beispielsweise das 50-200-Hz-Frequenzbandsignal über einen Bandpassfilter beibehalten, können Sie effektiv die Merkmale der Anschließungskanten extrahieren.
Multispektrale Bildgebungstechnologie: Für Verschmutzungsszenen wie Ölflecken und Staub, kombiniert mit sichtbarem Licht und Infrarot -Bildgebung, werden Anti - Interferenzmerkmale durch Hauptkomponentenanalyse (PCA) extrahiert. Tests haben gezeigt, dass diese Methode in stark verschmutzten Umgebungen eine Erkennungsgenauigkeit von über 95% beibehalten kann.
5, typische Anwendungsfälle und Leistungsüberprüfung
1. Erkennung von Roboterverbindungssensor
In einem bestimmten Sechs -Achse -Industrie -Roboterprojekt erkennt das visuelle System den Insertionsstatus des M8 -Steckers:

Hardwarekonfiguration: 2 5- Megapixel -CMOS -Kameras, gepaart mit einem Teleobjektiv und einer kreisförmigen LED -Lichtquelle.
Testindikatoren: Zentrum zur mittleren Abweichung von Stiften weniger als 0,15 mm, Neigungswinkel weniger oder gleich 1,5 Grad, Einfügungstiefenfehler kleiner oder gleich 0,3 mm.
Implementierungseffekt: Nach dem Start des Systems verbesserte sich die Roboterpositionierungsgenauigkeit auf ± 0,03 mm, was dreimal höher ist als die manuelle Erkennung, und die Ausfallrate der Ausrüstung nahm um 80%ab.
2. Testen des neuen Energy Vehicle Battery Management Systems
In einer bestimmten BMS -Produktionslinie für Elektrofahrzeuge erkennt das visuelle System M8 -Steckverbinder:

Testgehalt: Defekte wie Sockeloxidation, Stiftbiegung und Isolationsschichtschäden.
Algorithmoptimierung: U - Das semantische Segmentierungsnetzwerk von NET wird zur Durchführung einer Pixel -Ebene -Klassifizierung auf dem Plug - in der Oberfläche mit einer Erkennungsgeschwindigkeit von bis zu 20 fps.
Leistungsdaten: Das System erreicht eine 100% ige Online -Erkennung mit einer fehlenden Erkennungsrate von Null und einer falschen Erkennungsrate von weniger als 0,5%, wodurch der zuverlässige Betrieb des BMS -Systems für 5 Jahre sichergestellt wird.
 

Anfrage senden