为机床工具企业提供深度市场分析                     

用户名:   密码:         免费注册  |   申请VIP  |  

English  |   German  |   Japanese  |   添加收藏  |  
沈阳机床

车床 铣床 钻床 数控系统 加工中心 锻压机床 刨插拉床 螺纹加工机床 齿轮加工机床
磨床 镗床 刀具 功能部件 配件附件 检验测量 机床电器 特种加工 机器人

机器人

电工电力 工程机械 航空航天 汽车 模具
仪器仪表 通用机械 轨道交通 船舶

搜索
热门关键字:

数控机床

 | 数控车床 | 数控系统 | 滚齿机 | 数控铣床 | 铣刀 | 主轴 | 立式加工中心 | 机器人
您现在的位置:机器人> 企业动态>工业视觉新方向
工业视觉新方向
2020-5-18  来源:--  作者:-
 
       在人口红利减弱,产业升级和效率提升的背景下,工业及自动化产业趋势向好,本次疫情突发,短期对整个制造业有较大影响,中长期来看,机器换人的优势会不断凸显,也将推动自动化行业发展。
  
       从工业的角度看待视觉
  
       机器视觉是实现工业自动化,工厂智慧化的关键零部件之一。一是工业4.0浪潮席卷全球,制造智能化必然带来生产设备的升级;二是我国人口红利优势逐渐弱化,很多厂家倾向于机器代人,减少人工成本;三是消费水平的升级,消费者对产品的品质提出更高的要求,使得厂家加大质量把控。三者环环相扣,为机器视觉的市场,在智能制造领域带来新的发展契机。
  
       在工业领域,机器视觉充当生产设备“眼睛”的功能,解决人眼无法识别、检测的工作,实现效率好、成本低的经济效益,是视觉技术发展的出发点和落脚点。那么,对于客户使用角度看,更倾向高精度、高准确率,大视野自动变焦检测,以及软件的快速导入等方面。对此,勃肯特已将传统口罩机升级,融入视觉和机器人,大大提高了生产效率和准确率,节约人力。
  
  
       首先是检测的高精度,高准确率。这个是机器代替人眼最基础的,也是最直接的目的。人工检测容易产生疲态,导致工作质量不佳,并且精密制造领域,机器视觉比人眼有着绝对的优势。目前来看,机器视觉的测量和判断,已经非常成熟。
  
       机器视觉是一项综合技术,其主要的市场分布在电子制造业、汽车制造、制药、食品与包装机械等领域。根据前瞻研究院报告数据显示,电子制造业在机器视觉市场占比46.57%,汽车产业次之,占比为31.02%。此外,物流、食品、包装、印刷等行业的渗透率也逐年的提高。
  
  
       从机器视觉的具体应用看,电子制造业应用具体在PCB印刷电路、电子封装、丝网印刷、SMMT表面贴装、半导体及集成电路、回流和波峰焊,以及智能手机、平板电脑等消费类产品。汽车制造业的主要应用于面板印刷质量检测、精密测量等。食药和包装机械主要集中在封装缺陷检测、生产日期检测、颜色识别、分拣等方面。印刷机械则是在于印刷质量检测、印刷字符检测、条码识别等。
  
       勃肯特结合视觉和并联机器人,实现了100多种PCB板种类识别分拣,该系统由BKT-VISION2.0视觉系统软件,配合D-1200三加一轴并联机器人,完成PCB印刷电路生产线。
  
  
       工业视觉新方向
  
       危中有机,疫情也能够在很大程度上为制造业向无人化、智能化的转型升级提供启示与展望。多数制造业企业已认识到,在生产环节上,要抛弃落后产能,摆脱传统人力手工对产能和效率的束缚,极大降低对人力的依赖,确保企业的生产和运作也不会轻易受到疫情、事故、人员变动的影响。同时,在系统调度上,要能够最大限度的保证灵活性和准确率。
  
       BKT-VISION2.0视觉系统检测方法是一种基于图像处理技术的在线自动检测技术,该视觉检测技术主要包括:实时监控、相机标定、物体定位、颜色识别、实时通信、错误报警、状态显示,且封装了3D视觉检测、深度学习模块。该视觉检测系统装置是由工业摄像机(包含工业镜头)、相机电源线、机器视觉光源、光源电源线、光源控制器、网络传输线、勃肯特自主研发的视觉控制器等主要部件组成。
  
       1)3D视觉的发展
  
       我国智能制造装备产业结构转型和技术提升的市场空间巨大,机器视觉行业将受益。随着智能化生产技术的不断完善,3D机器视觉也开始进入人们的视野。目前3D机器视觉大多用于水果和蔬菜、木材、化妆品、烘焙食品、电子组件和医药产品的检测。它可以提高合格产品的生产能力,在生产过程的早期就报废劣质产品,从而减少了浪费节约成本。这种功能非常适合用于高度、形状、数量甚至色彩等产品属性的成像。
  
       2)深度学习带来的突破
  
       传统的机器学习在特征提取上主要依靠人来分析和建立逻辑,而深度学习则通过多层感知机模拟大脑工作,构建深度神经网络来学习简单特征、建立复杂特征、学习映射并输出,训练过程中所有层级都会被不断优化。
  
       基于深度学习,勃肯特研究院技术人员已开发了垃圾分类系统。该系统基于GPU,由100多万张图片训练形成,分类准确率可达95%以上。针对作业环境为分拣对象具有种类较多,形状不规则,不易分辨等特点。
  
  


       (来源: 勃肯特)
    投稿箱:
        如果您有机床行业、企业相关新闻稿件发表,或进行资讯合作,欢迎联系本网编辑部, 邮箱:skjcsc@vip.sina.com