Die Effizienz der manuellen Radnavenklassifizierung ist gering und die Fehlerquote hoch. Das Bildverarbeitungssystem weist die Vorteile einer einfachen Struktur, hoher Erkennungsrate, hoher Präzision und starker Störungssicherung auf, die den Anforderungen der automatischen Produktion gerecht werden können.
Teilen
一. Projekthintergrund:
Beschreibung der Anforderungen:
1. Nach der Herstellung und dem Transport der Räder müssen verschiedene Räder für die spätere Sortierung und Verpackung klassifiziert werden.
2. Die Identifizierungseffizienz der manuellen Erkennungsmethode ist gering, die Arbeitskosten hoch und die Genauigkeit gering.
technische Anforderungen:
1. Erkennungsgenauigkeit: > 99,9%
2. Radkennzeichnungstyp: > 200 Arten
II. Lösungsarchitektur:
Das Hub-Typ-Erkennungssystem verwendet eine 1,3 Millionen hochauflösende Kamera von haitianxiang, kombiniert mit einer großen Fläche mit einer mittleren Loch-Oberflächenlichtquelle, und verwendet Deep Learning-Klassifizierungswerkzeuge, um die automatische Identifizierung und Klassifizierung einer Vielzahl
3. Vorteile des Programms:
1. präzise Erkennung: Die erste Modellbildung jeder Art von Proben erfasst 80-100, die umfassende Erkennungsrate kann mehr als 99% erreichen, durch die Feld Iteration, die endgültige Erkennungsgenauigkeit von mehr als 99,99%.
2.große Erkennungsfähigkeit: Die Algorithmen zur Klassifizierung durch Deep Learning nutzen konvolutionelle neuronale Netze und Big Data-Proben zur Verbesserung der Erkennungsfähigkeit.
EN
