De efficiëntie van de handmatige classificatie van de wielnavel is laag en het foutenpercentage hoog. Het machine visioenschema heeft de voordelen van eenvoudige structuur, hoge herkenningspercentage, hoge precisie en sterke anti-interferentie-capaciteit, die aan de eisen van automatische productie kan voldoen.
Deel
Een. achtergrond van het project:
Beschrijving van de eisen:
1. na de productie en het vervoer van wielen moeten verschillende soorten wielen worden ingedeeld voor de daaropvolgende sortering en verpakking.
2. handmatige detectie methode identificatie efficiëntie is laag, hoge arbeidskosten, lage nauwkeurigheid.
technische eisen:
1. herkenningsnauwkeurigheid: > 99,9%
2. type van de wielidentificatie: > 200 soorten
II. oplossing architectuur:
Het detectiesysteem voor het type knooppunt maakt gebruik van een 1,3 miljoen hoge resolutie camera van haitianxiang, gecombineerd met een groot gebied van een lichtbron met een middelgrote gatenoppervlakte, en maakt gebruik van deep learning classificatietools om automatische identificatie en classificatie van een verscheidenheid aan wielen in
3. Voordelen van het programma:
1. nauwkeurige herkenning: de eerste modeltraining van elk type monster verzamelde 80-100, de uitgebreide herkenningsgraad kan meer dan 99% bereiken, door middel van de veld iteratie, de uiteindelijke herkenningsnauwkeurigheid van meer dan 99,99%.
2.grote herkenningskapaciteit: deep learning-classificatiealgoritmen maken gebruik van convolutionele neurale netwerken en big data-monsters om de herkenningskapaciteit te verbeteren.
EN
