视比特“AI+3D视觉”核心产品智能下料分拣产线工件整板砂光机械

制造业是立国之本、兴国之器、强国之基。随着工业4.0和中国制造2025的深度推进,各行业的制造型企业都开始跨入智能制造领域,机器人及AI视觉技术作为智能化转型的先锋,给制造业带来了全新的生产管理模式。

重工制造业自动化分拣痛点

传统的重工制造业,其生产模式属于典型的多品种小批量离散型制造,过程工艺复杂,智能化程度低。其中工件切割下料分拣是重工生产线中重要一环,长期以来依赖人工作业完成,不仅生产效率低而且人力成本大,同时恶劣的工作环境存在极大的安全隐患,由机器人替代人工完成智能化升级改造已迫在眉睫。

而众多制造业企业在推进下料分拣产线智能化升级过程中,却又面临诸多视觉问题带来的挑战,传统工业视觉技术已无法应对。其主要难点主要表现在:

工件种类繁杂多样:切割下料后的工件种类繁多,类型可达数万种。而且工件的形状复杂,来料姿态各异,同时部分工件极其相似,在对工件进行分类码放过程中,传统工业视觉无法保证工件种类的准确识别与姿态的精准定位。

工件背景环境嘈杂:重工生产线中,工件分拣抓取环境嘈杂,输送线存在油污、粉尘、锈迹等各种干扰,同时光照条件恶劣,昼夜变化大,导致图像采集质量较低,并且切割工件本身也存在割缝过细、轮廓特征微弱等挑战,这些因素都给视觉识别带来极大的困难。

工件尺寸差异巨大:下料分拣过程中的工件尺寸差异巨大,有的工件长达十几米,单个相机视野无法覆盖,而有的工件尺寸较小,在相机视野占比狭窄。同时应对各种尺寸工件的分拣给相机选型布局和视觉识别算法都提出了更为严苛的要求。

智能下料分拣产线

视比特机器人深耕行业数年,不断分析和探究客户需求,依托自主研发的3D视觉技术和多机器人智能协同控制软件,在行业内首次推出基于AI+3D视觉的智能下料分拣产线。

产线设计上充分结合了行业内用户典型生产状况,严密考虑了工件的砂光、喷码、校平、码盘等工艺需求和工序流程,能够完成工件全生命周期管理和全流程自动化分拣。

产线技术上集工件高精度视觉检测、工件精准识别与动态抓取、自适应柔性分拣与智能规划码放,以及多机器人协同规划等技术于一体,可实现下料切割件的自动、快速、精准、柔性分拣,在为企业降低大量人力成本的同时,实现产能跨越式提升,助推重工制造业的智能化转型升级。

标准产线组成

智能下料分拣产线主要由小件分拣、小件码盘、大件分拣、大件码盘四个核心模块构成,先后衔接了砂光、喷码、校平等工艺工序,包含了从整板切割件运送上输送线直至所有工件分筐码盘完毕的整个下料流程。

小件分拣

本模块面向整板切割件中小型工件分拣场景,同时规划多台六轴机器人,依托多臂智能协同控制软件,融合空间动态避障、抓取轨迹优化、工件实时跟踪等核心算法模块,可在作业区域内同时完成对众多小型切割件的抓取,具有极高的分拣效率。

△小件分拣

小件码盘

本模块面向输送线上工件动态抓取场景,小型工件在经过砂光、喷码等工序后,在此处进行分筐码盘。该模块能够面向生产环境下上万种工件的快速识别,并实时跟踪工件位置,引导机器人精准随动抓取。

在码盘策略上,可实时管理料筐,智能化动态协调工件的料筐分配,并保证工件的整齐码放。在系统内还设置有人机交互界面,可根据生产任务随时查看装筐情况,实时调整料筐装载率。

△小件码盘

大件分拣

本模块面向整板切割件中大型工件分拣场景,采用多臂桁架机器人,依托动态避障算法,能够确保工件与机械臂不发生碰撞且能实现各单臂抓取并行工作,具有很高的分拣效率。对于尺寸较大的工件,单个机械臂无法分拣时,还可运用多臂协同抓取。

△大件分拣

大件码盘

本模块面向输送线上大型工件的码盘场景,大型工件在经历砂光、喷码、校平等工序后,在此处进行分筐码盘。该模块能够快速识别分布在十多米视野工作区域内不同尺寸数万种类型的大型工件。码盘策略上应用了智能调度规划算法,能够根据分拣区域工件分布情况以及当前料筐码放空间情况进行实时任务调度和机械臂轨迹优化,最大化提高码盘效率。

△大件码盘

核心技术优势

海量工件细粒度识别与在线增量学习

针对生产中环境背景复杂、工件种类繁多、部分工件差异度较小等难点,为保证工件的精准识别,本产品基于AI+视觉技术,融合了对比学习特征增强,增量学习海量目标识别以及视觉注意力引导等前沿算法,可实现数万种零件在线精准识别与细粒度分类,同时算法具备抗干扰能力强、稳定性高、实时性强等特点,可完美解决工件分类码放问题。

弱特征切割件高精度定位与识别

针对切割下料整板分拣中光照环境复杂、切缝特征微弱、工件移位变形等难点,本产品基于AI+视觉技术,融合了本征图像分解鲁棒特征提取,点云图像融合微弱特征增强以及点云深度学习位姿检测等关键算法,能有效处理切割板材上污渍、粉尘、光线阴影带来的干扰,同时增强工件微弱切缝的纹理特征,实现对切割工件的高精度识别与姿态定位。

超大视野下工件精确识别与定位

针对桁架分拣场景中分拣作业区域广、工件尺寸差异大、相机覆盖视野小、识别定位精度低等难点,本产品基于AI+视觉技术,融合了多源协同高精度图像拼接,多尺度图像目标检测和方向自适应任意目标识别等核心技术,能够有效应对复杂背景下不同尺寸(400mm-10000mm)工件的识别分拣,视野覆盖可达12米,实现对超大视野下工件的精准识别和定位。

高精度大工件测量与缺陷检测

针对切割工件生产过程中存在质量检测精度低、缺陷检测不全等问题,本产品基于AI+视觉技术,融合了高精度3D模板匹配、3D点云边缘精准提取和平面分割、小样本学习等技术,能够实现工件亚毫米尺寸测量以及缺陷的精确检测,大幅度提高工件出厂的优良率。

点阵式端拾器与自适应柔性抓取

重工行业工件具有形状差异大、种类繁杂等特点,为保证适应各种类型工件的稳定抓取,本产品采用了自主设计的点阵式柔性端拾器,具有结构简单、普适性高、单点可控、性能稳定、即插即用等优势,能够实现海量工件的灵活抓取。同时基于视觉的智能化控制,能够保证端拾器精准吸附异形工件,避免与工件周边废料的粘合。

△点阵式柔性端拾器

数字化智能分拣控制系统

为保证产线高效运行,本产品构建了分拣产线“大脑中枢”——数字化智能分拣控制系统。该系统融合了生产订单和设备状态等数据,可对分拣产线进行柔性调度和控制,具备产线动态调优、多工位选位、多机协同分拣、动态码盘等功能。

此外,模块化设计的智能分拣系统可针对不同场景实现快速定制交付,而且完备的生产管理、报工管理、设备采集等子系统也能无缝接入WMS、MES、IOT数采等系统,助力企业数字化转型。

应用案例

目前,视比特自研的智能下料分拣产线以高效能、高柔性、易部署、易管理等优势在多家重工龙头企业实现批量落地,助推企业的智能化及数字化转型升级。

案例1

激光切割+等离子切割

柔性混合钢板全自动下料分拣产线

在国内某工程机械行业巨头,视比特为解决客户自动化改造的痛点,落地钢板切割全自动下料分拣产线,目前已实现稳定投产。

该项目采用多台激光切割机及等离子切割机于一体的柔性混合分拣产线,在节约全人工模式数十人的情况下,分拣产能提升400%;其引入激光切割板材的自动分拣场景,是目前为止行业内部署最快,产品化程度最高的自动分拣产线项目。

△客户现场

值得一提的是,作为AI+机器视觉运行决策搬运提升生产效能的典范代表,该产线的建成推动了行业对于自动分拣的持续研究和新生产模式的探究,实现了工人重体力作业到监督型维护的生产模式转变。

案例2

中厚型钢板全自动下料分拣产线

在某工程机械行业巨头厂房内,视比特通过单独规划部署激光切割自动分拣线和等离子切割自动分拣线,实现中厚型钢板的全自动分拣。

该产线可实现全自动双班分拣、小件码盘、大件分拣码盘、首件检测等生产任务,其中小件分拣智能调度系统、大件分拣码盘视觉智能匹配、自动分类码盘等均为行业首创。

此外,该项目部署后整条产线的常规运营解放了大量的生产劳力,生产效能较以前的人工模式提高数倍,目前该项目已成功实现投产。

案例视频

视比特:AI+3D视觉助力智能制造,软件定义智能塑造未来工厂

近年来,视比特充分发挥技术领先优势,不断创新与研发,根据客户智慧工厂迭代升级的要求进阶,并在产品端持续打磨,致力于为客户提供最高性价比、最优质服务的全自动解决方案。

未来,视比特将持续响应国家智能制造战略,通过标准化、通用化工业视觉软件平台推动AI+机器视觉技术与产业场景的深度融合,深耕并探索更多落地场景,不断为智造化创新发展注入新动能。

THE END
1.增量学习~~先前绝大多数增量学习方法均高度依赖于标签数据集,这必然会限制增量学习技术在实际生活中的应用。因此,本文将从高效标签的角度出发,以一种崭新的视角,带领大家从零开始踏入增量学习领域。 在本文的开始,我们会向大家介绍的介绍下引入增量学习的必要性,继而引出最新的三种能够有效利用有效标签数据范式的增量学习方法,包括https://blog.csdn.net/weixin_30219613/article/details/141005356
2.万文长字总结「类别增量学习」的前世今生开源工具包类别增量学习旨在从一个数据流中不断学习新类。假设存在B个不存在类别重合的训练集 , 其中 表示第 b 个增量学习训练数 据集, 又称作训练任务 (task)。 是来自于类别 的一个训练样本, 其中 是第 b 个任务的标记空间。不同任务间不存在类别重合, 即对于 https://cloud.tencent.com/developer/article/1972629
3.概念:增强学习增量学习迁移学习增量学习技术(incremental learning technique)是一种得到广泛应用的智能化数据挖掘与知识发现技术。其思想是当样本逐步积累时,学习精度也要随之提高。 增量学习(Incremental Learning)是指一个学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。因为人在https://www.jianshu.com/p/0b874af3e4da
4.增量学习美国计算机科学家罗比·波利卡给增量学习算法给出的定义十分精准,他认为一个理想的增量学习算法应该具备以下五个特征:1.能够从新数据中学习新知识;2.以前处理过的数据无需重新处理;3.每次学习过程中只需处理一个训练观测样本;4.能够在学习新知识的同时,保留已学到的大部分旧知识;5.一旦学习完成,处理过的训练样本https://www.xakpw.com/single/33704
5.增量学习机器之心增量学习早在1986年就已经存在,但是直到2001年,Kuncheva对增量学习的定义进行了规范,并被普遍接受。在接下来的几年,增量学习被广泛的应用到不同的领域,包括图像,视频跟踪等。在2009年和2011年,两种增量学习的改进算法:Learn++.NSE和Learn++.NC被提出,进一步提高了增量学习算法的应用范围。 https://www.jiqizhixin.com/graph/technologies/09134d6a-96cc-409b-86ef-18af25abf095
6.当小样本遇见增量学习,智能如何实现,超详细最新综述来袭!基于传统机器学习的小样本类增量学习方法从监督方式、统计优化和函数优化等角度出发,具有较高的模型可解释性。这些方法通常有较少的超参数,因此更容易理解和调整。如Cui等人将半监督学习方法引入到FSCIL中,基于前人研究,他通过在每个增量阶段加入了50个未标记的数据,而训练过程中将无标签数据与有标签数据协同训练来提高https://www.cvmart.net/community/detail/8256
7.基于元学习的小样本增量攻击识别模型不幸的是,这些方法很少考虑小样本学习,它们几乎仅在有足够新类数据的情况下才会生效。但是,当只有极少量有标注的新类数据可用时,可以有效检测所有攻击的模型在入侵检测中会更有现实意义,因为它能够尽快响应新型入侵的出现。因此,应该考虑小样本增量学习情景。https://www.51cto.com/article/678578.html
8.武汉大学夏桂松团队:面向遥感图像解译的增量深度学习面向多模态遥感数据、不同类型解译任务,武汉大学夏桂松教授团队(一作翁星星博士生)撰文全面调研了遥感图像智能解译增量学习方法,从遗忘问题解决思路、解译模型进化应用两个层面梳理了现有研究工作。在此基础上,从促进遥感图像解译模型进化研究的角度,展望和讨论了遥感领域增量学习的未来研究方向。 https://www.myzaker.com/article/66d80289b15ec052091c4f18
9.学习到底应该怎么学?(学习这回事)书评学习的本质是什么?想要明白学习怎么学,我们就得先闹明白学习的本质是啥?影响我们学习的关键因素是啥?在《学习这回事》这本书中,作者说“所谓的学习就是记住最重要的部分”。我对这句话不是百分百赞同,我认为,记忆是理解和使用的基础,也是我们实际影响世界的基础。只理解而没有被记忆的内容没有价值,相当于不存在https://book.douban.com/review/8811822/
10.神经网络有哪些快速增量学习算法?神经网络的快速增量学习算法是一种可以在不需要重新训练整个网络的情况下对其进行修改和更新的技术。这些算法对于处理实时数据和动态环境非常有用,并且可以大大降低计算成本和时间。以下是几种流行的神经网络快速增量学习算法: 增量学习(Incremental Learning):增量学习是指通过不断添加新的训练样本来扩充神经网络的能力。它https://www.cda.cn/bigdata/201736.html
11.机器学习中在线学习批量学习迁移学习主动学习的区别电子online learning包括了incremental learning和decremental learningincremental learning增量学习,是指一个学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。因为人在成长过程中,每天学习和接收新的事物,学习是逐步进行的,而且,对已经学习到的知识,人类一般http://eetrend.com/node/100016949
12.CMAP1《学习曲线分析》知识点:增量单位时间学习模式CMA备考就像马拉松,获胜的关键不在于瞬间的爆发,而在于途中的坚持。你纵有千百个理由放弃,也要给自己找一个坚持下去的理由。正保会计网校整理了CMA-P1《增量单位时间学习模式》知识点:回归分析,希望能对大家有所帮助。 增量单位时间学习模式 产量每翻一倍,通过学习率计算得到的是倒计时一个新增产品的生产时间。 https://www.chinaacc.com/cma/bkzd/ya20190830093524.shtml
13.人工智能中小样本问题相关的系列(四):知识蒸馏增量学习二、增量学习:补充介绍 【说在前面】本人博客新手一枚,象牙塔的老白,职业场的小白。以下内容仅为个人见解,欢迎批评指正,不喜勿喷![握手][握手] 【再啰嗦一下】本文衔接上两个随笔:人工智能中小样本问题相关的系列模型演变及学习笔记(一):元学习、小样本学习 https://m.nowcoder.com/discuss/353156472483815424
14.机器学习顶刊汇总:EESNat.Commun.EnSMACSAMIES&T等成果(<14个月)和来自基于物理模型的模拟数据来实现电池容量和退化模式的晚期寿命估计(2~4年),其不同之处在于如何利用廉价且现成的物理模拟数据:1)方法1是一种数据增强方法,将早期实验老化和模拟数据组合成一个增强数据集,用于训练机器学习模型以估计三种退化模式的容量和状态;2)方法2是一种增量学习方法,首先使用模拟https://www.shangyexinzhi.com/article/5029661.html
15."支持视觉Transformer增量学习的元注意力机制"论文被国际顶会如何避免深度模型的灾难性遗忘 (catastrophic forgetting)一直是增量学研究的重点。视觉Transformer(ViT)最近开始挑战CNN在计算机视觉领域的统治地位,而传统的针对CNN的增量学习的方法已不适用ViT,因此我们在这篇论文中提出一种基于mask的增量学习的方法(MEAT),将一个已经预训练的好ViT适用于各种新任务,同时完全不损失在https://azft.alibaba.com/newspage/?id=209
16.联想人工智能平台——EdgeAI主要思路仍然是通过在网络中融入记忆模块实现增量学习特性。它的特点是每个记忆模块代表一个类别的特征原型集合,增加新类别相当于增加记忆模块的数量。 4. 跨芯片异构推理加速引擎 异构推理加速引擎是联想边缘智能Edge AI平台自研的,在多样性边缘设备上运行AI推理的统一引擎。通过对不同种类AI芯片的深入研究,结合对模型的https://research.lenovo.com/webapp/view/ResearchNews.html?id=401
17.DeepMind综述深度强化学习:智能体和人类相似度竟然如此高!虽然 Episodic deep RL 学习更快速,但归根结底,它仍然依赖于缓慢的增量学习。这些状态表示本身是通过增量学习而得,使用了相同类型的增量参数更新,才形成了标准深度强化学习的主干网络。最终,通过这种较慢的学习形式实现了快速的 Episodic deep RL ,这表示快速学习的基础正源于缓慢学习。「快速学习的基础是缓慢学习」并https://www.leiphone.com/category/academic/KL44ZdUGhZ6lOz3o.html
18.个人简历工作经历(通用7篇)研究增量: 学习并建立了人民币的研究框架;从全球宏观角度对公司黑色、股指等交易提出有效建议;技术面策略和基本面观点的综合运用在实践中逐渐成熟;逐渐形成股债商(黑色)汇大类资产逻辑对照,基本面+技术面共振的研究和策略体系。 2016年10月开始实盘交易,交易根据品种和定位大概分为3个阶段(附件里有净值曲线和参数表https://www.ruiwen.com/gongwen/jianli/201543.html
19.找对学习方法,让你的团队脱胎换骨大多数组织都承诺帮助其成员学习,但只有那些同时提供上述两种空间的组织才能真正兑现这一承诺。 不过,即使组织认识到学习的两重性,并为增量式学习和转变式学习提供了空间,仍然无法保证提高效率和推动变革。归根结底,学习是一种实践。我们需要真正付诸行动,充分利用获得的空间——向专家讨教、从经验中学习,这样的学习本身https://36kr.com/p/1103537880451584