Die Effizienz der manuellen Felgenklassifizierung ist niedrig und die Fehlerquote hoch. Die maschinelle Visionlösung hat die Vorteile einer einfachen Struktur, eines hohen Erkennungsgrades, hoher Genauigkeit und starker Störfestigkeit, wodurch die Anforderungen an die Automatisierung produziert werden können.
Teilen1. Projekthintergrund:
Anforderungsbeschreibung:
1. Nach der Radausstattungs- und Transportphase müssen verschiedene Arten von Rädern für die nachfolgende Sortierung und Verpackung klassifiziert werden.
2. Die Effizienz der manuellen Erkennungsmethode ist niedrig, hohe Arbeitskosten und geringe Genauigkeit.
Technische Anforderungen:
1. Erkennungsgenauigkeit: >99,9%
2. Radidentifikationstyp: >200 Arten
2. Lösungsarchitektur:
Das Naben-Typ-Erkennungssystem verwendet eine 1,3-Megapixel-Hochauflösungskamera von Haitianxiang, kombiniert mit einer großen Flächenmittelloch-Oberflächenlichtquelle und nutzt tiefes Lernen zur Klassifizierungswerkzeug, um die automatische Identifizierung und Klassifizierung verschiedener Räder in einem zufälligen Mischstrom auf dem Förderband der Produktionslinie zu realisieren.
3. Programmvorteile:
1. Genaue Erkennung: Die anfängliche Modelltrainings pro Stichprobe sammelte 80-100 Stück, wodurch eine Gesamterkennungsrate von über 99 % erreicht werden kann, durch Felditeration wird die endgültige Erkennungsgenauigkeit von über 99,99 % erreicht.
2. Hohe Erkennungskapazität: Klassifizierungsalgorithmen des Deep Learnings nutzen convolutionale Neuronale Netze und große Datensamples, um die Erkennungsfähigkeit zu verbessern.