0 Prefacio
La planitud es uno de los componentes importantes de varias tolerancias de forma de autopartes, y también es uno de los indicadores técnicos más importantes en el proceso de prueba de producción. En gran medida, la planitud determina la calidad del ensamblaje de algunas partes del automóvil y afecta el rendimiento del automóvil. Entonces, cómo detectar de forma rápida y precisa la planitud de las piezas de automóviles se ha convertido en una de las direcciones de investigación en la industria de fabricación de piezas de automóviles.
Hasta ahora, en la industria de medición de planitud de piezas, algunos fabricantes aún utilizan el método de medición de calibre de espesores, que tiene baja precisión de detección y baja eficiencia, y solo puede detectar el borde de la pieza. Esto es inaceptable para las líneas de producción que requieren pruebas en masa. Algunos fabricantes utilizan el método de medición de tres coordenadas [1], la velocidad de medición es lenta y los elementos medidos deben mantenerse a un nivel, por lo que la empresa solo puede realizar inspecciones aleatorias de productos pero no inspecciones completas. Teniendo como objetivo los problemas de baja precisión, baja eficiencia, baja velocidad y fácil desperdicio de recursos humanos en los métodos de medición actuales, este artículo diseña un sistema de inspección en línea para la planitud de autopartes basado en visión artificial, que cumple con los requisitos nacionales actuales. para la planitud de autopartes Mida con precisión la demanda de grandes cantidades, alta velocidad y alta precisión, reduzca el costo de las empresas, mejore la eficiencia operativa de las empresas y tenga amplias perspectivas de aplicación. El sistema de inspección visual en línea para la planitud de autopartes satisface la demanda nacional actual de medición de planitud de autopartes a gran escala, alta velocidad y alta precisión, reduce los costos empresariales, mejora la eficiencia operativa empresarial y tiene amplias perspectivas de aplicación.
1 diseño de esquema general
El recorrido técnico general de este sistema se muestra en la Figura 2, que se divide en dos partes: visión y máquina:
(1) En la parte visual, incluye principalmente dos partes: hardware y software. El hardware de visión se refiere principalmente al perfilador láser utilizado para la medición. El software de visión se refiere al algoritmo de nube de puntos y al diseño del software de la computadora host. El algoritmo de nube de puntos adopta el método de registro aproximado y luego el registro fino para realizar la medición de planitud. El diseño del software de computadora superior se basa en el entorno de desarrollo de software Visual Studio 2019 que utiliza el lenguaje de programación C ++ y llama a la biblioteca de nube de puntos PCL y la biblioteca de visión OpenCV para escribir, probar e implementar.
(2) En la parte de la máquina, es necesario completar la construcción de la estructura general del hardware, cooperar con la parte visual para realizar el movimiento del objeto bajo prueba y el perfilador láser, y diseñar el software de la computadora inferior en el mismo tiempo para realizar el control de movimiento del objeto bajo prueba, el perfilador láser y el enlace de varios mecanismos.
2 Diseño del módulo del sistema
Como se muestra en la Figura 3, el sistema se puede dividir en tres módulos según la función.
2.1 Diseño del módulo de control de movimiento
El módulo de control de movimiento toma el control programable PLC como núcleo y completa la interacción de la información con la computadora, el perfilador láser y el sensor de detección al accionar el cilindro, el motor móvil del perfilador láser, el mecanismo de rechazo de plano no calificado y el movimiento de dos cintas transportadoras. El proceso de control de movimiento de la detección del dispositivo bajo prueba es el siguiente:
① Coloque el objeto a probar en el escenario y muévalo con la cinta transportadora de alimentación.
②Cuando el sensor de desplazamiento láser de detección de carga detecta que un objeto ingresa al área de detección, y cuando el escenario está en su lugar en el área de detección, el sensor transmite la señal al PLC para controlar el cilindro para levantar el escenario hacia arriba para garantizar que el objeto bajo prueba No se ve afectado por factores como la vibración de la cinta transportadora.
③ Luego, el PLC envía una señal al motor, y el motor hace que el perfilador láser se mueva, y el perfilador láser comienza a escanear al mismo tiempo. Después de obtener la información de la nube de puntos de la superficie del objeto a medir, se transmite a la computadora para la siguiente visualización, cálculo y procesamiento de la nube de puntos.
④ Después de escanear, el objeto a probar ingresa a la cinta transportadora de descarga. El PLC recibe la señal de retroalimentación de detección de planitud proporcionada por la computadora. Si la planitud del objeto a probar no está calificada, controlará el mecanismo de rechazo para rechazarlo. Si la planitud del objeto a probar está calificada, el objeto para ser probado se le permite pasar y entrar en el proceso de inspección posterior.
2.2 Diseño del módulo de adquisición de nubes de puntos
El módulo de adquisición de nube de puntos consta de un perfilador láser y un objeto a medir. Este módulo es principalmente responsable de completar la adquisición de la información de la nube de puntos, seleccionando la frecuencia de cuadro de muestreo adecuada, la distancia del punto de muestreo y la profundidad de campo para escanear el objeto a medir.
2.3 Diseño del módulo de procesamiento de nubes de puntos
El módulo de procesamiento de nubes de puntos es responsable de la visualización de la nube de puntos, el registro de la nube de puntos, el cálculo y la visualización de la planitud del objeto a medir, y completa la interacción de la información con el PLC. Debido a que el perfilador láser obtendrá grandes datos de nubes de puntos durante el escaneo láser, y el algoritmo de punto más cercano iterativo (ICP) de uso común tiene altos requisitos para la posición inicial de la nube de puntos, y es fácil caer en la solución óptima local y no puede alcanzar la demanda real. Para garantizar que el registro de la nube de puntos no caiga en la solución óptima local, el registro de la nube de puntos generalmente se divide en dos partes, es decir, el método de registro de la nube de puntos que primero realiza el registro aproximado de la nube de puntos y luego realiza el registro fino [2] El registro grueso de nubes se puede hacer a través de la nube de puntos
Los descriptores de características locales de los puntos clave establecen correspondencias para obtener la matriz de transformación, y la extracción de descriptores de características determina la precisión del registro. Rusu y otros [3] propusieron un descriptor de histograma de características (Point Feature Histogram, PFH) para calcular la relación de posición geométrica de todos los pares de puntos en la vecindad de los puntos clave como la característica principal de los puntos clave; luego, Rusu y otros mejoraron el Algoritmo PFH y retenido La mayoría de las características de identificación de PFH proponen una característica de histograma de características de puntos rápidos (FPFH). A continuación, utilice el método de Alineación inicial de consenso de muestra (SAC-IA). Aunque este método mejora significativamente la precisión del registro, reduce la eficiencia y, a menudo, se utiliza para el registro inicial.
Por lo tanto, este documento primero extrae el FPFH de la nube de puntos como la descripción de la característica de la nube de puntos [4]; luego, de acuerdo con la característica, utiliza el método SAC-IA para completar el registro inicial; finalmente adopta el algoritmo ICP para realizar la registro fino de la nube de puntos.
2.3.1 Registro de nubes de puntos gruesos
Como se muestra en la Fig. 4 es el área de influencia del cálculo de PFH de un punto de consulta Pq. Con Pq como centro y r como radio, todos los puntos del círculo están conectados entre sí. El sistema de coordenadas UVW se establece con P1 como origen, y las características de relación entre P1 y P2 de dos puntos cualesquiera y sus normales n1 y n2 son las siguientes:
α, φ, d y θ son la información de características requerida por el descriptor FPH. Después de obtener esta información de características, el histograma se puede construir y normalizar. La desventaja de este método es que su velocidad de cálculo será más lenta cuando la cantidad de datos sea grande. Para mejorar la eficiencia de extracción del descriptor FPH, se propone el algoritmo FPFH.
Todos los puntos en los datos de la nube de puntos primero deben obtener características SPFH. SPFH se utiliza para calcular la asociación entre los puntos característicos y los puntos vecinos. El uso de la fórmula (5) para calcular las características FPFH reduce en gran medida la cantidad de cálculo. A través del procesamiento de ponderación posterior, el FPFH La función obtiene la información de relación entre los puntos vecinos y los puntos vecinos, llena la pérdida de información de relación entre los puntos vecinos y los puntos vecinos en SPFH y mejora la precisión de coincidencia.
Después de obtener la característica secundaria FPFH, use el algoritmo SAC-IA para la nube de puntos P y la nube de puntos Q para realizar el cálculo de coincidencia de puntos de características. El algoritmo SAC-IA selecciona aleatoriamente k puntos de muestra en la nube de puntos P, encuentra los puntos correspondientes más cercanos de estos puntos en la nube de puntos Q y calcula la matriz de transformación de acuerdo con la relación entre los dos conjuntos de datos de la nube de puntos. Utilice la fórmula (6) para calcular el valor de desviación del registro y utilice el algoritmo de Levingerg-Marquardt para optimizar continuamente la mejor matriz de traducción y matriz de rotación.
2.3.2 Registro de Multas de Nube de Puntos
El registro fino de la nube de puntos es el proceso de obtener con precisión la correlación relativa y la matriz de transformación de la nube de puntos [5]. Debido a que la matriz de transformación de cuerpo rígido obtenida por SAC-IA se superpone aproximadamente a los datos de las dos nubes de puntos, pero la precisión del registro está lejos de cumplir con los requisitos de las aplicaciones prácticas de ingeniería, por lo que el registro preciso se realiza sobre la base del registro inicial. El registro fino de la nube de puntos adopta el algoritmo Iterative Closest Point (ICP): primero, establezca los conjuntos de puntos correspondientes P y Q de acuerdo con un método determinado, entre los cuales PA, QB, el número de pares de puntos correspondientes es n. Luego se utiliza el método de mínimos cuadrados para calcular iterativamente la transformación de coordenadas óptima, es decir, la matriz de rotación R y el vector de traslación t, de modo que la función de error f Rt ( , ) se minimice hasta que se cumplan los requisitos.
3 Resultados experimentales y análisis
El algoritmo de registro de nube de puntos de este documento se aplica a la medición de planitud del perfilador láser, y el experimento de medición de planitud se lleva a cabo en el modelo de autopartes. Como se muestra en la Figura 6, la nube de puntos verde es la nube de puntos de origen y la nube de puntos azul es la nube de puntos de destino. El entorno de hardware de este experimento es Intel Core i7-9750H @2.60GHZ 8GB; la tarjeta gráfica es Nvidia gtx 1650; el entorno de software es Visual Studio 2019. Para verificar la influencia de la precisión del registro de la nube de puntos en los resultados de medición de planitud, se selecciona el algoritmo de nube de puntos SHOT+ICP para compararlo con el algoritmo utilizado en este documento. Utilice los resultados de medición de planitud de la máquina de medición por coordenadas como valor de referencia. Los resultados de la medición de planitud se muestran en la Tabla 1.
De la tabla se puede concluir que los resultados de medición de planitud de los dos métodos son básicamente consistentes con los resultados de medición de la máquina de medición de tres coordenadas. Dado que la repetibilidad de los resultados de medición del método adoptado en este documento se puede controlar por debajo de 0,0023 mm, se puede realizar una evaluación eficaz de la planitud. Además, el tiempo de medición de la máquina de medición de tres coordenadas es de más de 15 minutos, mientras que el tiempo de medición de la planitud con el algoritmo de este documento se puede controlar en aproximadamente 24,5 s, por lo que el método de medición de la planitud en este documento es más adecuado para Ocasiones de medición a gran escala.
4. Conclusión
La industria nacional de pruebas de planitud de piezas de automóviles está relativamente atrasada, cómo medir de forma rápida y precisa la planitud de las piezas de automóviles es una de las direcciones clave de investigación. El sistema de inspección en línea para la planitud de autopartes basado en visión artificial diseñado en este trabajo es muy adecuado para las ocasiones que necesitan detectar la planitud de autopartes en grandes cantidades y tiene amplias perspectivas de desarrollo.
Fuente del artículo: Wang Yulong. Diseño de sistema de inspección de planitud de autopartes basado en visión artificial [J]. Pruebas electrónicas, 2022, 36(18)
Por supuesto, hay muchas empresas de visión artificial grandes y pequeñas en el mercado en la actualidad, y las inspecciones de visión artificial son buenas, pero aquí me gustaría recomendar una plataforma de visión artificial: Coovally, que ejecuta el código. Coovally es una IA completa. proceso de modelado, plataforma de visión artificial para gestión de proyectos de IA y gestión de implementación de sistemas de IA. El ciclo de desarrollo se puede acortar de meses a días, y se puede acelerar el desarrollo, la integración, las pruebas y la verificación de las soluciones de visión de IA. Ayude a mejorar las capacidades de desarrollo de software de pila de IA de la empresa, de modo que los sistemas de IA avanzados puedan popularizarse a un costo más bajo y más rápido. "Empaque sus propias capacidades de IA" para que las use el personal comercial, a fin de realizar "enseñar a la gente a pescar". En la actualidad, Coovally ha cubierto múltiples áreas de aplicación, que incluyen inspección de calidad de fabricación, monitoreo de desastres geológicos, monitoreo de equipos de la industria energética, diagnóstico de enfermedades médicas especiales, transporte inteligente, parques inteligentes, etc.
Además de la detección de defectos comunes, también puede detectar: detección de llamas, reconocimiento de humo, reconocimiento de fumar, reconocimiento de casco, detección de peatones, reconocimiento de intrusión de personal, detección transfronteriza, reconocimiento de escalada, detección de dejar el puesto, detección de merodeo, reconocimiento de multitudes, Detección de densidad de multitudes, reconocimiento de caídas, reconocimiento de ropa antiepidémica, reconocimiento de máscaras, reconocimiento de gafas, colocación de extintores de incendios, reconocimiento de ropa no reflectante, reconocimiento de defectos de soldadura, detección de defectos de productos de vidrio, reconocimiento de apilamiento de escombros en corredores, reconocimiento de desbordamiento de botes de basura, flotación en ríos reconocimiento de objetos, reconocimiento de mouse por la noche, reconocimiento de movimiento de paquetes, reconocimiento de entrada de vehículos eléctricos en el ascensor, reconocimiento de recogida y liberación, reconocimiento de equipaje voluminoso en escaleras mecánicas, detección de ganado, detección de nidos de pájaros, detección de plagas de cultivos, reconocimiento de intrusión de barcos, reconocimiento de camiones de basura , Más de 100 tipos comunes, como reconocimiento de pilas de suelo desnudo, reconocimiento de vehículos sin motor, reconocimiento de infracciones de estacionamiento de vehículos, reconocimiento de cascos de vehículos eléctricos, reconocimiento de restricciones de tráfico de camiones grandes, reconocimiento de acumulación de agua, reconocimiento de tapas de alcantarillas, reconocimiento de daños en la superficie de la carretera, maquinaria pesada detección de vehículos, reconocimiento de semáforos, etc. Escenarios de aplicación de IA.
Para la detección de defectos de autopartes, Coovally también está perfectamente bien.