工控網(wǎng)首頁
>

應(yīng)用設(shè)計(jì)

>

分立元器件 AI 視覺計(jì)數(shù)方案工程實(shí)踐

分立元器件 AI 視覺計(jì)數(shù)方案工程實(shí)踐

2026/11/3 11:28:30

      在電源、電子組裝產(chǎn)線的物料備料環(huán)節(jié),保險絲、電阻、連接器等分立元器件,長期依靠人工清點(diǎn)。人工計(jì)數(shù)重復(fù)性高、容易疲勞,效率與一致性較差;稱重計(jì)數(shù)受物料單重偏差、碎屑影響,精度不穩(wěn)定;傳統(tǒng)光纖式數(shù)粒機(jī)只適合規(guī)整顆粒,帶引腳異形元器件極易卡料,換型調(diào)試麻煩,通用性受限。本文結(jié)合 BT-HD100 AI 視覺計(jì)數(shù)設(shè)備,分享動態(tài)視覺計(jì)數(shù)方案的工程落地經(jīng)驗(yàn)。

適配說明:

設(shè)備搭載高速工業(yè)相機(jī)與 AI 視覺算法,支持重疊、異形、多色物料識別,降低錯計(jì)、漏計(jì)??捎糜谖褰鹆慵㈦娮釉骷?、膠囊、種子等 5–200mm 不透明物料;適合易分散、不易相互勾連的顆粒物料,典型包含電子元件、連接器、螺絲螺母等。

        整套設(shè)備由送料分散機(jī)構(gòu)、光學(xué)成像單元、嵌入式主控、AI 算法模塊及出料機(jī)構(gòu)組成,采用動態(tài)圖像識別方案。算法全部在本地嵌入式端運(yùn)行,無需上傳云端,滿足工廠內(nèi)網(wǎng)隔離的使用要求。

      

  系統(tǒng)內(nèi)置兩套識別模式,可根據(jù)物料切換。傳統(tǒng)圖像識別模式無需樣本訓(xùn)練,算力開銷低,適合螺絲、保險絲等外形規(guī)整、換型頻繁的物料;AI 實(shí)例分割模式抗重疊能力更強(qiáng),適合外形復(fù)雜的連接器、異形元器件,缺點(diǎn)是新物料需要少量樣本完成模型微調(diào),對硬件算力要求更高。

         動態(tài)視覺計(jì)數(shù)存在多個現(xiàn)場難點(diǎn):物料下落過程產(chǎn)生運(yùn)動模糊,需要匹配相機(jī)快門與送料速度;金屬引腳、光亮外殼容易反光,一般采用背光 + 偏振方案改善;碎料、引腳碎屑可通過尺寸閾值過濾,不計(jì)入有效數(shù)量。工程落地中發(fā)現(xiàn),送料分散效果是穩(wěn)定計(jì)數(shù)的前提,若物料堆疊嚴(yán)重,僅依靠算法很難持續(xù)保證精度。

       方案有明確適用邊界:適合在線定量分裝、來料抽檢盤點(diǎn)場景;不適合 0402 及以下微型貼片元件、和背景對比度極低的透明物料,以及容易纏繞抱團(tuán)、無法分散的物料。

        后續(xù)優(yōu)化方向:建立物料參數(shù)模板庫,存儲不同物料的光源、算法、篩選閾值參數(shù),實(shí)現(xiàn)一鍵換型;在計(jì)數(shù)基礎(chǔ)上增加簡單缺陷甄別,同步識別破損、缺腳元件;研究物料堆疊程度自動判別,系統(tǒng)自主選擇識別模式,降低現(xiàn)場調(diào)試門檻。

機(jī)器視覺計(jì)數(shù)原理并不復(fù)雜,但元器件材質(zhì)反光、形態(tài)差異大,光學(xué)、機(jī)械送料、算法三者需要協(xié)同調(diào)試,才能在工業(yè)現(xiàn)場穩(wěn)定運(yùn)行。歡迎同行交流視覺數(shù)粒項(xiàng)目遇到的各類現(xiàn)場問題。

審核編輯(
王靜
)
投訴建議

提交

查看更多評論
其他資訊

查看更多

桌面靜態(tài)視覺計(jì)數(shù)機(jī)應(yīng)用場景與案例分析

顆粒物料視覺計(jì)數(shù)的原理與選型注意事項(xiàng)

機(jī)器視覺小件計(jì)數(shù)方案對比與落地應(yīng)用