CN107703146A - 一种汽车零配件视觉检测***及方法 - Google Patents
一种汽车零配件视觉检测***及方法 Download PDFInfo
- Publication number
- CN107703146A CN107703146A CN201710919603.5A CN201710919603A CN107703146A CN 107703146 A CN107703146 A CN 107703146A CN 201710919603 A CN201710919603 A CN 201710919603A CN 107703146 A CN107703146 A CN 107703146A
- Authority
- CN
- China
- Prior art keywords
- parts
- auto
- camera
- layers
- characteristic pattern
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 12
- 229910000679 solder Inorganic materials 0.000 claims abstract description 18
- 238000004080 punching Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 230000007935 neutral effect Effects 0.000 claims description 12
- 230000001681 protective effect Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000004411 aluminium Substances 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种汽车零配件视觉检测***及方法,具有检测汽车零配件上是否漏焊点、漏小零件、漏螺母和漏冲孔的功能。视觉检测***包括测试支架、工业相机、工业计算机、光源***和声光报警***,其中测试支架包括外部防护支架、零件安放支架、相机安放支架、相机移动平台和零件安放夹具。外部防护支架保护内部工业相机,保证内部光照强度,防止外部干扰影响图像采集。本发明应用先进的机器学习技术,能够判断汽车零配件是否存在漏焊点、漏小零件、漏螺母、漏冲孔的不良情况,以界面和报警的形式展示检测结果。本发明检测准确率高,检测速度快,既可用于人工操作,也可与生产自动化设备进行通信联动,实现全自动化操作。
Description
技术领域
本发明涉及一种汽车零配件视觉检测***及方法,属于机器视觉技术领域。
背景技术
一辆汽车由上万个零件组成,其中包含了汽车零配件总成零件和塑料件,这两种在汽车中占比很大。汽车主机厂对其产品质量要求是很高的,对配送厂家的汽车零配件,要求关键部分合格率达到100%,其他汽车零配件基本上也都要达到99.99%,对于一级供应商,其要求为100ppm以内,其他二级三级供应商为200~400ppm。因此汽车零配件的合格与否直接影响到汽车主机厂的整车质量,其汽车零配件生产厂家必须花费大量的人力进行检测排查。从汽车市场来看,目前国内的中小企业主要是依靠人工检查,检查速度慢,人的眼睛容易疲劳,漏检率高,针对上述国内汽车行业的情况,研发汽车零配件视觉检测***为解决客户的检测效率低、人员多、检测质量低等问题提供途径。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种识别准确率高、识别速度快的汽车零配件视觉检测***,为汽车零配件的焊接质量提供有力的保障。
本发明提出的技术方案为:一种汽车零配件视觉检测***,包括:外部防护支架、零件安放支架、相机安放支架、相机移动平台、零件安放夹具、工业相机、工业计算机和光源***;在外部防护支架内部装有零件安放支架,零件安放夹具放在零件安放支架上,汽车零配件放在零件安放夹具上,并通过零件安放夹具固定汽车零配件位置,工业相机放在相机安放支架上,相机移动平台依托相机安放支架,便于根据现场待测汽车零配件的外部特征来调节工业相机的位置,光源***为工业相机提供必要的光照强度,保证工业相机采集清晰的图像;首先,应用先进的机器学习技术,对汽车零配件上焊点、小零件、螺母、冲孔的特征进行训练学习,生成神经网络,其次,视觉检测***启动后,放置好的汽车零配件触发PLC向工业计算机发出检测信号,此时工业计算机控制工业相机开始采集图像并传给工业计算机,工业计算机对图像进行预处理,并应用神经网络对预处理后的图像进行计算,根据计算结果自动分析汽车零配件是否有漏焊点、漏小零件、漏螺母、漏冲孔等不良情况,实现对汽车零配件上焊点、小零件、螺母、冲孔的自动识别检测及对识别目标进行精确定位,并将检测结果实时标记在图像上,对检测不合格的图像进行存储,对***整体检测信息进行统计;如果汽车零配件为不良产品,则在工业计算机的界面上显示不良的情况,并触发声光报警***进行警示。
所述外部防护支架:以铝型材作为骨架,钢板作为防护板拼接而成,保护内部工业相机,防止外部冲击影响相机检测,保证内部光照强度,降低外部光对视觉检测***的影响。
所述零件安放支架:主体设计成有一定角度,起到支撑零件夹具的作用,同时方便操作人员进行操作。
所述相机安放支架:与其它部件独立,不受外部冲击和放置汽车零配件时引起相机安放支架振动的影响,同时保证相机的相对位置固定,以保证检测顺利进行。
所述相机移动平台:设计成具有2个移动副,1个旋转副的3自由度平台,以一个圆形定位销作为主定位,以一个跑道形定位销作为辅助定位,根据现场使用情况及汽车零配件的外部特征进行位置调整,扩大或缩小检测范围,保证产品具有较强的通用性。
所述零件安放夹具:放置在零件安放支架上,使用螺栓固定,以方便拆装,零件安放夹具保证每次汽车零配件放置的位置固定,提高检测的精度。
所述神经网络实现方法如下:
C1层是一个卷积层,由16个特征图构成,特征图中每个神经元与输入为3*3的邻域相连,特征图的大小为28*28;
S2层是一个最大池化层,有16个14*14的特征图,特征图中的每个单元与C1中相对应特征图的2*2邻域相连接;
C3层也是一个卷积层,它同样通过3*3的卷积核去卷积层S2,然后得到的特征图就大小为12*12,但是它有32种不同的卷积核,所以存在32个特征图;
S4层是一个最大池化层,由32个6*6大小的特征图构成,特征图中的每个单元与C3中相应特征图的2*2邻域相连接;
C5层是一个卷积层,由64个特征图构成,特征图中每个神经元与输入为3*3的邻域相连。特征图的大小为4*4;
S6层是一个最大池化层,有64个2*2的特征图,特征图中的每个单元与C5中相对应特征图的2*2邻域相连接,数目为64;
F7层是一个拉伸层,每个单元与S6层的全部64个单元的2*2邻域相连,把S6层拉伸为一个维度为256的特征向量,将向量作为下一层的输入;
D8层是一个全连接层,构成了与上层之间的全连接,维度为128,进行后续分类等操作;
D9层是输出层,含有1个单元,输出结果是一个1维0~1的值,代表检测的相似度。
一种汽车零配件视觉检测方法,实现的步骤如下:
步骤(1)工业计算机应用先进的视觉机器学习技术,对汽车零配件上焊点、小零件、螺母、冲孔的特征进行训练学习,并生成神经网络;
步骤(2)在外部防护支架内部装有零件安放支架,零件安放夹具放在零件安放支架上,汽车零配件放在零件安放夹具上,并通过零件安放夹具固定汽车零配件位置;
步骤(3)视觉检测***启动后,触发PLC向工业计算机发出需要检测的信号,此时工业计算机控制工业相机开始采集图像,并传给工业计算机,工业计算机对采集到的图像进行图像预处理;
步骤(4)应用步骤(1)得到的神经网络对步骤(3)预处理后的图像进行计算,实现对汽车零配件上焊点、小零件、螺母、冲孔的自动识别检测及对识别目标进行精确定位,并将检测结果实时标记在图像上,对检测不合格的图像进行存储,对***整体检测信息进行统计;
步骤(5)检测后的图像及检测结果显示在工业计算机界面中,如果汽车零配件为不良产品,则在工业计算机的界面上显示不良的情况,并触发声光报警***进行警示。
本发明与现有技术相比的优点在于:
(1)目前对于汽车零配件的焊点、小零件、螺母、冲孔检测,还处于人工检查的状态,不仅效率低,而且人眼容易疲劳,检测的错误率也高,本发明具有视觉检测准确率高、检测速度快等特点,可广泛应用于汽车零配件焊点检测、轮毂检测、图像处理等领域,特别是能够自动检测汽车零配件的焊点、小零件、螺母、冲孔等质量要求高的部位是否符合汽车零配件的质量要求。
(2)另外,整体框架选择铝型材,相比于金属方管以焊接相连,具有容易运输,组装快速方便的优点;外部防护板,选择正方形钢板,保证了整体的防护能力,同时,每块防护板大小一致,可以方便大批量制造、运输;零件安放支架的设计具有一定倾斜度和高度,可以方便操作人员操作;相机安放支架与相机移动平台可以最大限度的保证相机的可调范围,可以适应多种汽车零配件的检测,同时保证了相机具有足够大的视野;零件安放夹具,以一个圆形定位销作为主定位,以一个跑道形定位销作为辅助定位,既保证定位,又保证了有一定的可调位移,同时在定位销下面安装2个导向装置,使得现场操作人员安放汽车零配件时有一定的安装基准。
(3)当汽车零配件的位置放好之后,本发明能够自动感应并触发相机采集图像,具有保存和查阅历史检测信息的功能,对开机时间、关机时间、检测数量、合格数量、不良品测试时间等信息进行统计记录,形成文档,方便追踪查询;存储检测不合格产品的图像,便于分析产生不合格品的原因;具有数据分析功能,根据生产数据分析生产过程中的不良操作,来指导生产技术的改进;且汽车零配件视觉检测***既可用于人工操作,也可与生产自动化设备进行通信联动,实现全自动化操作。
附图说明
图1为本发明设计图;
图2为本发明图1中5的侧面放大图;
图3为本发明图1中部分放大图,其中相机移动平台可以调节工业相机的左右位置、高度和旋转角度,适合多角度、多方位采集图像;
图4为本发明检测流程图;
图5为神经网络模型图;
图6为通过汽车零配件视觉检测***得到的检测结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明作进一步地详细描述。
如图1、2、3所示,本发明所述的汽车零配件视觉检测***包括:外部防护支架1、零件安放支架2、相机安放支架3、相机移动平台4、零件安放夹具5、工业相机6、工业计算机7和光源***8;外部防护支架1以铝型材作为骨架,钢板作为防护板拼接而成,主要功能为保护内部工业相机,防止外部冲击影响相机检测,保证内部光照强度,降低外部光对视觉检测***的影响;零件安放支架2,起到支撑零件夹具的作用,主体设计成有一定角度和高度,方便操作人员进行操作;相机安放支架3用于安放相机,将其独立出来,不受外部冲击和放置汽车零配件时引起相机安放支架振动的影响,同时保证相机的相对位置固定,以保证检测顺利进行;相机移动平台4中为了保证检测范围,相机移动平台设计成具有2个移动副,1个旋转副的3自由度平台,以一个圆形定位销作为主定位,以一个跑道形定位销作为辅助定位,根据现场使用情况及汽车零配件的外部特征进行位置调整,保证产品具有较强的通用性;在外部防护支架1内部装有零件安放支架2,零件安放夹具5放置在零件安放支架2上,使用螺栓固定,以方便拆装,零件安放夹具保证每次汽车零配件放置的位置固定,提高检测的精度;工业相机6放在相机安放支架3上,相机移动平台4依托相机安放支架3,便于根据现场待测汽车零配件的外部特征来调节工业相机6的位置;光源***8为工业相机6提供必要的光照强度,保证工业相机采集清晰的图像。
如图5所示,神经网络的模型如下:
C1层是一个卷积层,由16个特征图构成,特征图中每个神经元与输入为3*3的邻域相连,特征图的大小为28*28;
S2层是一个最大池化层,有16个14*14的特征图,特征图中的每个单元与C1中相对应特征图的2*2邻域相连接;
C3层也是一个卷积层,它同样通过3*3的卷积核去卷积层S2,然后得到的特征图就大小为12*12,但是它有32种不同的卷积核,所以存在32个特征图;
S4层是一个最大池化层,由32个6*6大小的特征图构成,特征图中的每个单元与C3中相应特征图的2*2邻域相连接;
C5层是一个卷积层,由64个特征图构成,特征图中每个神经元与输入为3*3的邻域相连。特征图的大小为4*4;
S6层是一个最大池化层,有64个2*2的特征图,特征图中的每个单元与C5中相对应特征图的2*2邻域相连接,数目为64;
F7层是一个拉伸层,每个单元与S6层的全部64个单元的2*2邻域相连,把S6层拉伸为一个维度为256的特征向量,将向量作为下一层的输入;
D8层是一个全连接层,构成了与上层之间的全连接,维度为128,进行后续分类等操作;
D9层是输出层,含有1个单元,输出结果是一个1维0~1的值,代表检测的相似度。
如图4所示,本发明一种汽车零配件视觉检测方法如下:
(1)工业计算机应用先进的机器学习技术,对汽车零配件上焊点、小零件、螺母、冲孔的特征进行训练学习,并生成神经网络。
(2)使用零件安放夹具固定汽车零配件的位置,当汽车零配件的位置放好之后,***自动触发PLC向工业计算机发出检测信号;若零件安放支架上未放置汽车零配件,工业计算机界面显示“未放件”字样,提示放件检测。
(3)工业计算机接收到PLC的信号后,控制工业相机开始采集图像,并将采集到的图像传回工业计算机。
(4)工业计算机对工业相机采集的图像进行图像预处理,即先对相机采集到的图像进行Gamma校正,改善图像的光照条件,然后,对图像进行直方图均衡化,进而对图像进行同态滤波,去除部分背景干扰,获取利于视觉检测的高质量图像。
(5)应用步骤(1)得到的神经网络对步骤(4)预处理后的图像进行计算,该算法能够分析汽车零配件是否有漏焊点、漏小零件等不良情况,实现对汽车零配件上焊点、小零件、螺母、冲孔的自动识别检测,同时能够对识别目标进行精确定位。
(6)检测过程中工业计算机的程序界面最先显示“检测中......”字样,提示***正在检测中,请等待结果,若汽车零配件检测结果合格,程序界面显示“合格”字样,同时通过“指示灯”提示检测结果合格,若汽车零配件为不良产品,检测结果显示“不合格”字样,将检测结果实时标记在图像上,并触发声光报警***进行警示。
(7)汽车零配件视觉检测***对整体检测信息进行统计,具有保存和查阅历史检测信息的功能,***对开机时间、关机时间、检测数量、合格数量、不良品测试时间等信息进行统计记录,形成文档,方便追踪查询,根据生产数据分析产生不合格品的原因,进而可以用来指导生产技术的改进。
(8)汽车零配件视觉检测***既可用于人工操作,也可与生产自动化设备进行通信联动,实现全自动化操作。
图6为通过汽车零配件视觉检测***得到的检测结果;左侧显示汽车零配件的图像,中间方框显示检测结果为合格,若产品不合格,则会在左侧图像上自动标记出不合格的位置,并且在中间靠下的方框里显示不合格的详细信息,比如位置、数量等信息。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种汽车零配件视觉检测***,其特征在于:包括外部防护支架、零件安放支架、相机安放支架、相机移动平台、零件安放夹具、工业相机、工业计算机和光源***;在外部防护支架内部装有零件安放支架,零件安放夹具放在零件安放支架上,汽车零配件放在零件安放夹具上,并通过零件安放夹具固定汽车零配件位置,工业相机放在相机安放支架上,相机移动平台依托相机安放支架,便于根据现场待测汽车零配件的外部特征来调节工业相机的位置,光源***为工业相机提供必要的光照强度,保证工业相机采集清晰的图像;首先,应用先进的机器学习技术,对汽车零配件上焊点、小零件、螺母、冲孔特征进行训练学习,生成神经网络,其次,视觉检测***启动后,放置好的汽车零配件触发PLC向工业计算机发出需要检测的信号,此时工业计算机控制工业相机开始采集图像回传给工业计算机,工业计算机对图像进行预处理,应用神经网络对预处理后的图像进行计算,根据计算结果分析汽车零配件是否有漏焊点、漏小零件、漏螺母、漏冲孔的不良情况,实现对汽车零配件上焊点、小零件、螺母、冲孔的自动识别检测及对识别目标进行精确定位,并将检测结果实时标记在图像上,对检测不合格的图像进行存储,对***整体检测信息进行统计;如果汽车零配件为不良产品,则在工业计算机的界面上显示不良的情况,并触发声光报警***进行警示。
2.根据权利要求1所述的一种汽车零配件视觉检测***,其特征在于:所述外部防护支架:以铝型材作为骨架,钢板作为防护板拼接而成,保护内部工业相机,防止外部冲击影响相机检测,保证内部光照强度,降低外部光对视觉检测***的影响。
3.根据权利要求1所述的一种汽车零配件视觉检测***,其特征在于:所述零件安放支架主体设计成有一定角度,起到支撑零件夹具的作用,同时方便操作人员进行操作。
4.根据权利要求1所述的一种汽车零配件视觉检测***,其特征在于:所述相机安放支架与其它部件独立,不受外部冲击和放置汽车零配件时引起相机安放支架振动的影响,同时保证相机的相对位置固定,以保证检测顺利进行。
5.根据权利要求1所述的一种汽车零配件视觉检测***,其特征在于:为了保证检测范围,所述相机移动平台设计成具有2个移动副,1个旋转副的3自由度平台,以一个圆形定位销作为主定位,以一个跑道形定位销作为辅助定位,根据现场使用情况及汽车零配件的外部特征进行位置调整,保证产品具有较强的通用性。
6.根据权利要求1所述的一种汽车零配件视觉检测***,其特征在于:所述零件安放夹具放置在零件安放支架上,使用螺栓固定,以方便拆装,零件安放夹具保证每次汽车零配件放置的位置固定,提高检测的精度。
7.根据权利要求1所述的一种汽车零配件视觉检测***,其特征在于:所述神经网络实现方法如下:
C1层是一个卷积层,由16个特征图构成,特征图中每个神经元与输入为3*3的邻域相连,特征图的大小为28*28;
S2层是一个最大池化层,有16个14*14的特征图,特征图中的每个单元与C1中相对应特征图的2*2邻域相连接;
C3层也是一个卷积层,它同样通过3*3的卷积核去卷积层S2,然后得到的特征图就大小为12*12,但是它有32种不同的卷积核,所以存在32个特征图;
S4层是一个最大池化层,由32个6*6大小的特征图构成,特征图中的每个单元与C3中相应特征图的2*2邻域相连接;
C5层是一个卷积层,由64个特征图构成,特征图中每个神经元与输入为3*3的邻域相连。特征图的大小为4*4;
S6层是一个最大池化层,有64个2*2的特征图,特征图中的每个单元与C5中相对应特征图的2*2邻域相连接,数目为64;
F7层是一个拉伸层,每个单元与S6层的全部64个单元的2*2邻域相连,把S6层拉伸为一个维度为256的特征向量,将向量作为下一层的输入;
D8层是一个全连接层,构成了与上层之间的全连接,维度为128,进行后续分类的操作;
D9层是输出层,含有1个单元,输出结果是一个1维0~1的值,代表检测的相似度。
8.一种采用如权利要求1-7任意之一所述***汽车零配件视觉检测方法,其特征在于实现的步骤如下:
步骤(1)工业计算机应用先进的机器学习技术,对汽车零配件上焊点、小零件、螺母、冲孔的特征进行训练学习,并生成神经网络;
步骤(2)在外部防护支架内部装有零件安放支架,零件安放夹具放在零件安放支架上,汽车零配件放在零件安放夹具上,并通过零件安放夹具固定汽车零配件位置,工业相机放在相机安放支架上;
步骤(3)视觉检测***启动后,放置好的汽车零配件,触发PLC向工业计算机发出检测信号,此时工业计算机控制工业相机开始采集图像并传回工业计算机,工业计算机对图像进行预处理;
步骤(4)应用步骤(1)得到的神经网络对步骤(2)预处理后的图像进行计算,实现对汽车零配件上焊点、小零件、螺母、冲孔的自动识别检测,实现对识别目标的精确定位,并将检测结果实时标记在图像上,对检测不合格的图像进行存储,对***整体检测信息进行统计;
步骤(5)检测后的图像及检测结果显示在工业计算机界面中,如果汽车零配件为不良产品,则在工业计算机的界面上显示不良的情况,并触发声光报警***进行警示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919603.5A CN107703146A (zh) | 2017-09-30 | 2017-09-30 | 一种汽车零配件视觉检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919603.5A CN107703146A (zh) | 2017-09-30 | 2017-09-30 | 一种汽车零配件视觉检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107703146A true CN107703146A (zh) | 2018-02-16 |
Family
ID=61183900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919603.5A Pending CN107703146A (zh) | 2017-09-30 | 2017-09-30 | 一种汽车零配件视觉检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703146A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802036A (zh) * | 2018-08-28 | 2018-11-13 | 东莞康耐德智能控制有限公司 | 一种便携集成式大幅面检测实验***平台 |
CN108956169A (zh) * | 2018-07-20 | 2018-12-07 | 宁波安纳杰模塑科技有限公司 | 一种汽车缓冲器底座检测装置及方法 |
CN109187561A (zh) * | 2018-10-16 | 2019-01-11 | 天津安通林汽车饰件有限公司 | 一种车门内饰缺陷视觉检测*** |
CN109270067A (zh) * | 2018-09-29 | 2019-01-25 | 格力电器(武汉)有限公司 | 设备外观的检测方法、装置和*** |
CN109884075A (zh) * | 2019-02-01 | 2019-06-14 | 赣州华劲纸业有限公司 | 一种新型生活纸纹路检测装置及其检测方法 |
CN110108714A (zh) * | 2019-04-28 | 2019-08-09 | 浙江博拉自动化科技有限公司 | 一种汽车零部件外观检测***及装置 |
CN110412043A (zh) * | 2019-08-29 | 2019-11-05 | 武汉逸飞激光设备有限公司 | 一种焊接检测机构和焊接检测方法 |
CN110458794A (zh) * | 2019-05-23 | 2019-11-15 | 上海离原工程自动化有限公司 | 用于轨道列车的配件质量检测方法及装置 |
CN110702200A (zh) * | 2019-11-14 | 2020-01-17 | 江苏汇鑫新能源汽车科技有限公司 | 一种新能源汽车零配件全自动检测设备 |
CN110781887A (zh) * | 2019-10-25 | 2020-02-11 | 上海眼控科技股份有限公司 | 车牌螺丝检测方法、装置和计算机设备 |
CN111259886A (zh) * | 2020-01-08 | 2020-06-09 | 上海眼控科技股份有限公司 | 车牌螺丝检测方法、电子装置、计算机设备和存储介质 |
CN111653023A (zh) * | 2020-05-22 | 2020-09-11 | 深圳欧依云科技有限公司 | 一种智能工厂监管方法 |
CN111922594A (zh) * | 2020-08-04 | 2020-11-13 | 无锡南方智能物流设备股份有限公司 | 汽车冲压件加工的焊装夹具精准定位工艺 |
CN112528841A (zh) * | 2020-12-11 | 2021-03-19 | 中航贵州飞机有限责任公司 | 一种基于神经网络的无纸化生产用智能识别*** |
CN115078385A (zh) * | 2022-06-15 | 2022-09-20 | 黑龙江大学 | 一种计算机视觉测量设备 |
CN116481461A (zh) * | 2022-11-24 | 2023-07-25 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6281928B1 (en) * | 1998-05-13 | 2001-08-28 | Chuo Hatsujo Kabushiki Kaisha | Positional detector device for a vehicular license plate |
KR20050073130A (ko) * | 2004-01-08 | 2005-07-13 | 주식회사 금창 | 비전시스템을 이용한 자동차부품 검사장치 |
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
KR20110058219A (ko) * | 2009-11-26 | 2011-06-01 | 아진산업(주) | 비전시스템을 이용한 자동차 부품 검사장치 |
CN103808734A (zh) * | 2014-03-07 | 2014-05-21 | 上海齐宏检测技术有限公司 | 汽车零配件全自动检测设备 |
CN105806849A (zh) * | 2016-04-08 | 2016-07-27 | 广东工业大学 | 基于机器视觉的汽车座椅表面缺陷检测***及检测方法 |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN106770313A (zh) * | 2016-11-25 | 2017-05-31 | 鹭鹭科技(上海)有限公司 | 一种汽车扶手的检测*** |
-
2017
- 2017-09-30 CN CN201710919603.5A patent/CN107703146A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6281928B1 (en) * | 1998-05-13 | 2001-08-28 | Chuo Hatsujo Kabushiki Kaisha | Positional detector device for a vehicular license plate |
KR20050073130A (ko) * | 2004-01-08 | 2005-07-13 | 주식회사 금창 | 비전시스템을 이용한 자동차부품 검사장치 |
CN1694130A (zh) * | 2005-03-24 | 2005-11-09 | 上海大学 | 基于三路并行人工神经网络的移动号牌识别方法 |
KR20110058219A (ko) * | 2009-11-26 | 2011-06-01 | 아진산업(주) | 비전시스템을 이용한 자동차 부품 검사장치 |
CN103808734A (zh) * | 2014-03-07 | 2014-05-21 | 上海齐宏检测技术有限公司 | 汽车零配件全自动检测设备 |
CN105806849A (zh) * | 2016-04-08 | 2016-07-27 | 广东工业大学 | 基于机器视觉的汽车座椅表面缺陷检测***及检测方法 |
CN106770313A (zh) * | 2016-11-25 | 2017-05-31 | 鹭鹭科技(上海)有限公司 | 一种汽车扶手的检测*** |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956169B (zh) * | 2018-07-20 | 2024-03-29 | 宁波安纳杰模塑科技有限公司 | 一种汽车缓冲器底座检测装置及方法 |
CN108956169A (zh) * | 2018-07-20 | 2018-12-07 | 宁波安纳杰模塑科技有限公司 | 一种汽车缓冲器底座检测装置及方法 |
CN108802036A (zh) * | 2018-08-28 | 2018-11-13 | 东莞康耐德智能控制有限公司 | 一种便携集成式大幅面检测实验***平台 |
CN109270067A (zh) * | 2018-09-29 | 2019-01-25 | 格力电器(武汉)有限公司 | 设备外观的检测方法、装置和*** |
CN109187561A (zh) * | 2018-10-16 | 2019-01-11 | 天津安通林汽车饰件有限公司 | 一种车门内饰缺陷视觉检测*** |
CN109884075A (zh) * | 2019-02-01 | 2019-06-14 | 赣州华劲纸业有限公司 | 一种新型生活纸纹路检测装置及其检测方法 |
CN110108714A (zh) * | 2019-04-28 | 2019-08-09 | 浙江博拉自动化科技有限公司 | 一种汽车零部件外观检测***及装置 |
CN110458794A (zh) * | 2019-05-23 | 2019-11-15 | 上海离原工程自动化有限公司 | 用于轨道列车的配件质量检测方法及装置 |
CN110412043A (zh) * | 2019-08-29 | 2019-11-05 | 武汉逸飞激光设备有限公司 | 一种焊接检测机构和焊接检测方法 |
CN110781887A (zh) * | 2019-10-25 | 2020-02-11 | 上海眼控科技股份有限公司 | 车牌螺丝检测方法、装置和计算机设备 |
CN110702200A (zh) * | 2019-11-14 | 2020-01-17 | 江苏汇鑫新能源汽车科技有限公司 | 一种新能源汽车零配件全自动检测设备 |
CN111259886A (zh) * | 2020-01-08 | 2020-06-09 | 上海眼控科技股份有限公司 | 车牌螺丝检测方法、电子装置、计算机设备和存储介质 |
CN111653023A (zh) * | 2020-05-22 | 2020-09-11 | 深圳欧依云科技有限公司 | 一种智能工厂监管方法 |
CN111922594A (zh) * | 2020-08-04 | 2020-11-13 | 无锡南方智能物流设备股份有限公司 | 汽车冲压件加工的焊装夹具精准定位工艺 |
CN112528841A (zh) * | 2020-12-11 | 2021-03-19 | 中航贵州飞机有限责任公司 | 一种基于神经网络的无纸化生产用智能识别*** |
CN115078385A (zh) * | 2022-06-15 | 2022-09-20 | 黑龙江大学 | 一种计算机视觉测量设备 |
CN115078385B (zh) * | 2022-06-15 | 2023-03-10 | 黑龙江大学 | 一种计算机视觉测量设备 |
CN116481461A (zh) * | 2022-11-24 | 2023-07-25 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
CN116481461B (zh) * | 2022-11-24 | 2023-09-22 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703146A (zh) | 一种汽车零配件视觉检测***及方法 | |
CN103038601B (zh) | 轮胎形状检查方法以及轮胎形状检查装置 | |
DE69330466T2 (de) | Verfahren und vorrichtung zur bestimmung der ausrichtung von kraftfahrzeugrädern | |
CN105548185B (zh) | 基于机器视觉的汽车轮毂螺孔识别方法、遮盖方法及*** | |
US9927367B2 (en) | Apparatus and methods for weld measurement | |
CN101706458A (zh) | 高分辨率印刷电路板自动检测***及检测方法 | |
CN103765200B (zh) | 使用整个原始图像进行缺陷检测的***和方法 | |
CN103134546B (zh) | 一种针对特种车辆指针式仪表的半自动校验方法 | |
CN110118777A (zh) | 一种控制******集成智能检验台 | |
KR20090052369A (ko) | 형상 평가 방법, 형상 평가 장치 및 3차원 검사 장치 | |
CN110044405A (zh) | 一种基于机器视觉的汽车仪表自动化检测装置及方法 | |
CN107238534A (zh) | 基于图像计算在线监测板材拉伸性能的方法及装置 | |
CN103620338B (zh) | 表面测量***以及方法 | |
CN114677369B (zh) | 一种基于人工智能的汽车轮胎生产质量监测分析*** | |
CN114565550A (zh) | 一种识别码打刻质量检测方法及终端设备 | |
CN112630237A (zh) | 一种厚壁管道焊缝射线检测用数字化成像方法 | |
CN107571636A (zh) | 可定位激光打码打标检测*** | |
CN103383468B (zh) | 封框胶涂布设备的检测***及检测方法、封框胶涂布机 | |
CN106980099A (zh) | 一种电路板自动测试***的校准方法及*** | |
CN108951075A (zh) | 一种带疵点裁片的筛除方法及带疵点裁片定位*** | |
CN104390982A (zh) | 一种用于smt首件检测的测试方法 | |
CN101897196A (zh) | 确定多组件显示器的空隙漫射器的位置 | |
CN107131829A (zh) | 一种尺寸公差检测装置和尺寸公差检测方法 | |
KR20180072394A (ko) | 조립 제어 시스템 및 방법 | |
CN104637833B (zh) | 晶粒选择方法及坏晶地图产生方法 |
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 |