Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/35500
標題: 應用機器視覺結合機器手臂進行螺絲分類
Automatic screw identification and classification with machine vision and robotic arm
作者: 楊清富
Yang, Ching-Fu
關鍵字: Machine vision
機器視覺
Automatic identification
Screw
自動辨識
螺絲
出版社: 生物產業機電工程學系所
引用: 1. 彭福蔭、楊小慶、王昭明、張勝凱、蔡其宏、陸瑞新、魏宗仁。2002。最新CNS機械製圖。台北:新文京開發出版有限公司。 2. 俞有華、張鴻義。1997。螺帽邊裂自動檢測系統之探討。南開學報 2:117-127。 3. 張文宏、陳世銘。1993。以機器視覺引導機器人選別水果。農業機械學刊。2(3):11-24。 4. 萬一怒。1998。糙米品質自動檢測分級系統:(一)檢測系統之研製。農業機械學刊。7(1):57-71。 5. 謝志誠、林勁助。1994。以類神經網路技術作青椒形狀及大小之分級。農業機械學刊。3(3):15-27。 6. 欒家敏、洪錫鵬、彭文泓。1996。以直角座標機器人移植組織培養苗的試驗研究。農業機械學刊。5(1):29-40。 7. 石坤城。2001。機器視覺應用在香菇選別系統之研究。碩士論文。屏東:屏東科技大學食品科學系。 8. 朱峻民。2003。應用機器視覺於農機元件之加工成品品質鑑定。碩士論文。台中:中興大學生物產業機電工程學系。 9. 陳志杰。2005。應用影像處理於蓮霧外部品質檢測之應用研究。碩士論文。台中:中興大學生物產業機電工程學系。 10. 張平。1991。電腦輔助非接觸螺紋量測研究。碩士論文。桃園:中央大學機械工程學系。 11. 張晏霖。2001。蝴蝶蘭組織培養苗自動化移植視覺機器人之改良研究。碩士論文。台中:中興大學農業機械工程學系。 12. 許焜程。2001。應用機器視覺於螺絲外型之檢測。碩士論文。台中:中興大學機械工程學系。 13. 藍光宏。1996。機器手臂應用在番茄大小選別作業之研究。碩士論文。台中:中興大學生物產業機電工程學系。 14. 意發網路公司。公制螺絲規格表。台灣區螺絲工業同業工會服務網。http://www.tifi.org.tw/chinese/news.htm. 15. Fu,K.S,R.C.Gonzalez and C.S.G.Lee.1987.ROBOTICS-Control ,Sensing, Vision, and Intelligence. McGraw Hill. 16. Gonzalez, R. C.and R.E. Woods. 2002. Digital Image Processing (2nd Edition).Prentice Hall. 17. IMAQ Vision Concepts Manual.2005.National Instruments. 18. Yonekawa,S.,N.Sakai and O.Kitani.1996.Identification of idealized leaf types using simple dimension shape factors by image analysis. Transactions of the ASAE 39(4):1525-1533
摘要: 本研究應用機器視覺建立一套螺絲自動辨識與分類之系統。本系統同時利用Labview圖控式程式來整合影像處理、辨識與機器手臂控制系統,以減少傳統人工檢測的時間與成本。 在研究中,擷取影像後,把原始影像分割成二值化影像,並使用中值濾波器濾除雜訊,然後將處理後的螺絲影像分別量測其特徵值:長度、外徑、螺距,最後將辨識後的螺絲利用機器手臂夾取至指定位置,完成分類。本系統在螺絲長度的平均誤差率為6.79%,外徑的平均誤差率為2.53%,螺距的平均誤差率為5.14%。整體系統的辨識率為 84.13%。
In this research, an automatic screw identification and classification system was established by using machine vision. The Labview Grapical Language was used to integrate the image processing, screw identification, and robotic arm control. This system was able to substitute the traditional manual screw classification and save the time and costs. In this study, the original image was first binarized to get the binary image. Then, the median filter was employed to remove the noise from the binary image and the following parameters of the screws were measured: the length, the major diameter, and the pitch. Finally, the robotic arm was utilized to clamp screws and move to the assigned position and thus classified the screws. The average error rate for the length measurement was 6.79%, for the major diameter was 2.53%, and for the pitch was 5.14%. The total identification rate was 84.13%.
URI: http://hdl.handle.net/11455/35500
其他識別: U0005-2801200820412800
文章連結: http://www.airitilibrary.com/Publication/alDetailedMesh1?DocID=U0005-2801200820412800
Appears in Collections:生物產業機電工程學系

文件中的檔案:

取得全文請前往華藝線上圖書館



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.