ISSN 0021-3454 (печатная версия)
ISSN 2500-0381 (онлайн версия)
Меню

2
Содержание
том 67 / Февраль, 2024
СТАТЬЯ

DOI 10.17586/0021-3454-2020-63-9-830-839

УДК 004.75.924

ПРИМЕНЕНИЕ МАШИННОГО ЗРЕНИЯ В ЗАДАЧАХ АВТОМАТИЧЕСКОГО ПОЗИЦИОНИРОВАНИЯ ИНСТРУМЕНТА МОДУЛЬНОГО ОБОРУДОВАНИЯ

Афанасьев М. Я.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; доцент


Федосов Ю. В.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; доцент


Крылова А. А.
ООО «ЛАР Технологии», Санкт-Петербург, 197342, Российская Федерация; Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; программист; инженер


Шорохов С. А.
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; аспирант, инженер


Читать статью полностью 

Аннотация. Модульное оборудование отличается универсальностью и может выполнять производственные операции разных типов, как обрабатывающие, так и вспомогательные. Очевидно, что модули могут различаться по размерам и по расположению оси инструмента, что затрудняет установку и настройку в ручном режиме. Предложена методика автоматизированного позиционирования съемных модулей для трехкоординатной платформы, основанная на применении системы технического зрения. Разработан алгоритм, совмещающий обзорную камеру, располагаемую над рабочим полем, с инкрементальными энкодерами сервоприводов установки. Для определения конфигурации рабочего пространства и размеров модуля применяется библиотека оптических меток. Данная методика позволяет избежать ошибки установки модулей вручную, сопоставив координатные системы модуля и платформы, а также повысить уровень автоматизации рабочего процесса производства изделия.
Ключевые слова: машинное зрение, оборудование с ЧПУ, камера, трехкоординатная платформа, модульное оборудование

Список литературы:
  1. Afanasiev M. Y., Fedosov Y. V., Krylova A. A., and Shorokhov S. A. Modular industrial equipment in cyber-physical production system: Architecture and integration // Proc. of the 21th Conf. of Open Innovations Association FRUCT. 2017. November. P. 3—9.
  2. Domel A., Kriegel S., Brucker M., and Suppa M. Autonomous pick and place operations in industrial production // 12th Intern. Conf. on Ubiquitous Robots and Ambient Intelligence (URAI). 2015. October. P. 356—356.
  3. Zhong Y., Fengyu X., and Yue W. Analysis and experiment of workpiece quality detection based on industrial robot // 23rd Intern. Conf. on Mechatronics and Machine Vision in Practice (M2VIP). 2016. November. P. 1—6.
  4. Zuxiang W., Lei Z., and Junpeng F. Design of safety capacitors quality inspection robot based on machine vision // 1st Intern. Conf. on Electronics Instrumentation Information Systems (EIIS). 2017. June. P. 1—4.
  5. Stankov S., Ivanov S., and Todorov T. An application of deep neural networks in industrial robotics for detection of humans // IEEE XXVIII Intern. Sci. Conf. Electronics (ET). 2019. September. P. 1—3.
  6. Winge K., Haugaard R., and Merritt T. Val: Visually augmented laser cutting to enhance and support creativity // IEEE Intern. Symp. on Mixed and Augmented Reality — Media, Art, Social Science, Humanities and Design (ISMAR-MASH’D). 2014. September. P. 31—34.
  7. Kikuchi T., Hiroi Y., Smith R., Thomas B., and Sugimoto M. Marcut: Marker-based laser cutting for personal fabrication on existing objects // TEI 2016 — Proc. of the 10th Anniversary Conf. on Tangible Embedded and Embodied Interaction. Association for Computing Machinery. 2016. P. 468—474.
  8. Li X., Liu W., Pan Y., Li H., Ma X., and Jia Z. A monocular-vision based contouring error detection method for CNC machine tools // IEEE Intern. Instrumentation and Measurement Technology Conf. (I2MTC). 2018. May. P. 1—6.
  9. Kiswanto G. and Ariansyah D. Development of augmented reality (ar) for machining simulation of 3-axis cnc milling // Intern. Conf. on Advanced Computer Science and Information Systems (ICACSIS). 2013. September. P. 143—148.
  10. Afanasiev M. Y., Fedosov Y. V., Krylova A. A., and Shorokhov S. A. An application of microservices architecture pattern to create a modular computer numerical control system // Proc. of the 20th Conf. of Open Innovations Association FRUCT. 2017. April. P. 10—19.
  11. Afanasiev M. Y., Fedosov Y. V., Krylova A. A., and Shorokhov S. A. Problems of trajectory building during laser CNC processing // Proc. of the 20th Conf. of Open Innovations Association FRUCT. 2017. April. P. 585—591.
  12. Afanasiev M. Y., Fedosov Y. V., Krylova A. A., and Shorokhov S. A. Machine vision for selective polymer curing devices: Challenges and solutions // Proc. of the 21th Conf. of Open Innovations Association FRUCT. 2017. November. P. 391—397.
  13. OpenCV official site [Электронный ресурс]: .
  14. Bradski G. The OpenCV Library // Dr. Dobb’s Journal of Software Tools. 2000.
  15. Yu G., Hu Y., and Dai J. Topotag: A robust and scalable topological fiducial marker system. arXiv preprint arXiv:1908.01450, 2019.
  16. Garrido-Jurado S., Munoz-Salinas R., Madrid-Cuevas F. J., and Martın-Jimenez M. J. Automatic generation and detection of highly reliable fiducial markers under occlusion // Pattern Recognition. 2014. Vol. 47, N 6. P. 2280—2292.
  17. Withrobot official site [Электронный ресурс]: .