top

知識分享

整合Faster R-CNN影像瑕疵檢測與3D點雲資訊之鑄造件毛邊自動化檢測

建立日期：2019/10/31
  • 作者： 北科大/林志哲、周世駿、謝廷翊
  • 出處： 2019 AOI論壇與展覽
  • 內容： 隨著科技的進步與製造業的發展，加工鑄造件的應用領域也隨之愈加廣泛，在整個鑄造件的製造過程中，加工件的表面處理作業可說是在製造鑄造件將完成的最後一道工作；除了直接影響鑄造件的品質外，在整個加工件製程中所佔的時間與成本的比例更是相當的高。對於這樣一個重要的工作，由於技術層次不高，工作性質枯燥無聊，現在工人不願從事此項工作，使得加工件的表面處理作業成為製造業的一大困擾，因此，如何提升加工件表面處理作業的自動化實為發展製造業當前的一個課題。儘管去毛邊機器人在工業應用上已經很成熟，但大多數都是使用被動的機構搭配固定的機械手臂軌跡來做力量控制，因此，通常在這種情況下的去毛邊效果為無論毛邊是否存在，機器手總是會在相同的點上使用相同的打磨方式與力量，總是會使工件在相同的點上產生磨損，甚至是在該部分沒有毛邊的情況下侵蝕該部分，這個方法在現在要求高質量加工產品表現出很大的劣勢。為了克服實際去毛邊的限制，並使打磨更加彈性化與適應中小型工件，透過大量影像資料結合深度學習（deep learning）加以訓練與分析，使用影像處理方法並結合Faster R-CNN目標檢測使用監督式學習偵測馬達端蓋是否有毛邊外，還有毛邊所在的位置。為了使毛邊辨識系統整體更完整，並彌補Faster R-CNN辨識的目標為二維影像缺乏立體毛邊的厚度資訊的缺點，我們另外開發立體視覺技術在三維零件重建和毛邊檢測，用來與Faster R-CNN搭配使用。利用IR+structure light相機掃描馬達端蓋建立三維點雲模型，將模型中有毛邊的區域做標記，藉由毛邊的分布去規劃的端蓋打磨路徑，為了更靈活的掃描端蓋，我們將相機架設在手臂末端，以手臂控制做即時的物件掃描與毛邊辨識。在此毛邊辨識系統，深度學習模型作為毛邊工件的快速初篩，而三維點雲資訊則作為瑕疵件的細部掃描。
  • 檔案下載：全文下載
  • 下載次數：100
回上頁