Метод определения ориентации контакт-детали при автоматизации технологического процесса пайки

Цель исследования. Разработка методики определения ориентации детали при автоматизированной пайке контактной группы, основанной на использовании комбинированной системы распознавания изображения.  Задачи. Анализ технологического процесса сборки детали и оценка возможности применения различных технологий ориентирования заготовок. Разработка последовательной методики ориентирования детали, включающей этап распознавания скругленной грани посредством системы технического зрения. Разработка алгоритма распознавания ориентации заготовки непосредственно по изображению детали и по контуру тени детали. Постановка натурных экспериментов на  испытательном стенде, получение численных значений точности распознавания ориентации детали для различных алгоритмов. 

Методы. Для решения задачи транспортировки и позиционирования исследуемых деталей используются методы перемещения, за счет контролируемой вибрации внутри разработанной системы направляющих и отсекателей. Для определения скругленной грани используются методы обработки и распознавания изображений: метод k-средних (k-means) для кластеризации исходного изображения, преобразование Хафа для поиска контура и др.

Результаты. В ходе исследования были разработаны два алгоритма распознавания ориентации детали по исходному изображению и изображению отбрасываемой деталью тени. В обоих случаях точность распознания составила более 96%, однако при использовании камеры низкого разрешения, точность распознавания по контуру тени получилась выше и составила более 99%.

Заключение. Разработанная в рамках работы методика определения ориентации деталей, включающая этапы предварительной сортировки на этапе вибротранспортировки, этап поиска скругленной грани с использованием системы технического зрения, в том числе по контуру тени детали, позволяет получить высокую точность даже при использовании видеооборудования с низким разрешением.

1. Алетдинова А. А. и др. Цифровая трансформация экономики и промышленности: проблемы и перспективы. СПб., 2017.

2. Плотников В. А. Цифровизация производства: теоретическая сущность и перспективы развития в российской экономике // Известия Санкт-Петербургского государственного экономического университета. 2018. №. 4 (112). С. 16-24.

3. Иванов Д. А., Иванова М. А., Соколов Б. В. Анализ тенденций изменения принципов управления предприятиями в условиях развития технологий Индустрии 4.0 //Информатика и автоматизация. 2018. Т. 5. №. 60. С. 97-127.

4. Bahrin M. A. K. et al. Industry 4.0: A review on industrial automation and robotic//Jurnal teknologi. 2016. Т.78. C.6-13. https://doi.org/10.11113/jt.v78.9285

5. Зозуля Д. М. Цифровизация российской экономики и Индустрия 4. 0: вызовы и перспективы // Вопросы инновационной экономики. 2018. Т. 8. №. 1. С. 1-14.

6. Шаталова Н. И. Психофизиологические особенности трудового поведения работника // Вестник НГУЭУ. 2015. №. 1. С. 178-189.

7. Данилова Н. Н. Психофизиология. М.: Аспект Пресс, 2012.

8. Сорокин Г. А., Шилов В. В. Оценка годового прироста риска нарушения здоровья работников при высокой интенсивности труда // Гигиена и санитария. 2020. Т. 99. №. 6. С. 618-623.

9. Цветаев С. С., Логачев К. И. Актуальные проблемы автоматизации промышленных предприятий // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2012. №. 1. С. 87-89.

10. Мальчиков А. В. и др. Анализ эффективности применения экзоскелета в производственном процессе промышленного предприятия // Юность и знания-гарантия успеха-2019. Курск, 2019. С. 234-237.

11. Vyatkin V. Software engineering in industrial automation: State-of-the-art review // IEEE Transactions on Industrial Informatics. 2013. Vol. 9. №. 3. P. 1234-1249. https://doi.org/10.1109/TII.2013.2258165

12. Xu H. et al. A survey on industrial Internet of Things: A cyber-physical systems perspective // Ieee access. 2018. Vol. 6. P. 78238-78259. https://doi.org/10.1109/ACCESS.2018.2884906

13. Jatsun S., Malchikov A., Yatsun A. Automatization of manual labor by using an industrial exoskeleton //2020 International Russian Automation Conference (RusAutoCon). – IEEE, 2020. P. 470-475. https://doi.org/10.1109/RusAutoCon49822.2020.9208173

14. Malchikov A. et al. Control features of the electromechanical system with endeffector considering the regulated torque // MATEC Web of Conferences. EDP Sciences, 2017. Vol. 113. P. 02001. https://doi.org/10.1051/matecconf/201711302001

15. Jatsun S., Malchikov A., Yatsun A. Adaptive Control System for DC Electric Drive under Uncertainty //2020 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE, 2020. P. 1-5. https://doi.org/10.1109/ICIEAM48468.2020.9111876

16. Hossain M. Z. et al. A dynamic K-means clustering for data mining //Indonesian Journal of Electrical engineering and computer science. 2019. Vol. 13. №. 2. P. 521-526.

17. Sinaga K. P., Yang M. S. Unsupervised K-means clustering algorithm //IEEE access. 2020. Vol. 8. P. 80716-80727. https://doi.org/10.1109/ACCESS.2020.2988796

18. Chandan G. et al. Real time object detection and tracking using Deep Learning and OpenCV //2018 International Conference on inventive research in computing applications (ICIRCA). IEEE, 2018. P. 1305-1308. https://doi.org/10.1109/ICIRCA.2018.8597266

19. Wang J., Fu P., Gao R. X. Machine vision intelligence for product defect inspection based on deep learning and Hough transform //Journal of Manufacturing Systems. 2019. Vol. 51. Р. 52-60. https://doi.org/10.1016/j.jmsy.2019.03.002