Effekten av manuell hjulnavklassificering är låg och felfrekvensen är hög. Maskinvisualsystemet har fördelarna med enkel struktur, hög igenkänningsgrad, hög precision och stark anti-interferensförmåga, vilket kan uppfylla kraven för automatisk produktion.
Dela
一. Projektbakgrund:
Kravsbeskrivning:
1. efter att hjul har tillverkats och transporterats måste olika typer av hjul klassificeras för efterföljande sortering och förpackning.
2. manuell upptäcktsmetod identifieringseffektivitet är låg, hög arbetskostnad, låg noggrannhet.
Tekniska krav:
1. igenkänningssäkerhet: > 99,9%
2. hjulidentifieringstyp: > 200 olika
II. Lösningsarkitektur:
Huvudtypsdetektionssystemet använder en 1,3 miljoner högupplösta kamera från Haitianxiang, kombinerad med ett stort område med en ljuskälla med ett medelholt yta, och använder sig av deep learning-klassificeringsverktyg för att automatisera identifiering och klassificering av olika hjul i ett tillstånd av slumpmässigt bland
Fördelar med programmet:
1. exakt igenkänning: den inledande modellutbildningen av varje typ av prov samlas in 80-100, den omfattande igenkänningsgraden kan nå mer än 99%, genom fält iteration, den slutliga igenkännings noggrannhet på mer än 99,99%.
2.Stora igenkänningskapacitet: Deep Learning-klassificeringsalgoritmer utnyttjar konvulsionella neurala nätverk och big data-prover för att förbättra igenkänningskapaciteten.
EN
