对商用车传统轮辋生产线自动化改造升级工艺方案的探讨

针对某商用车企业现有传统轮辋生产线制造工艺落后、用工较多、劳动强度大的情况,基于进一步提升车轮质量和生产线自动化水平,对现有生产线自动化改造工艺方案进行探讨。本方案引进了轮辋自动弯曲生产单元、机器人视觉引导系统、机器人柔性打磨系统、轮辋轮辐自动焊接工作站等生产单元,通过搬运机器人、搬运专机与自动输送辊道相配合的方式实现了车轮生产线自动化连线生产,并对生产线改造费用估算情况以及产生的效益进行了阐述,以期能给车轮生产企业生产装备的提升带来一定的借鉴和参考价值。     

基于3D视觉的机械臂无规则零件抓取系统

为解决机械臂抓取零件定位不准或抓取精度不高的问题,提出了一种基于3D视觉机械臂无规则零件抓取方法,该方法主要包括系统空间标定、零件点云定位分割、零件位姿估计算法模块,提出了基于2D图像的点云相机外参标定方法及基于图像语义分割的零件点云分割方法。经试验验证,所提出的标定方法达到1 mm的系统精度误差,而且求解效率高、通用性强;与常用的聚类分割相比,零件点云分割方法精度及效率更高。所设计的二阶段零件空间位姿计算方法能准确估计零件在空间中的6自由度位姿,相比单一阶段匹配方法精度提高约1.8倍。所提出的基于3D视觉的机械臂无规则零件抓取系统精度高、可扩展性强、适应情形广。     

汽车总装车间车身端发动机的支承拧紧自动化工艺研究和应用

汽车总装车间受限于装配要素和装配零件种类过多、规格差异大及人工作业为主体因素,开展全流程自动化工艺改造难度大。针对以上问题,阐述了一种车身端支承全流程自动拧紧工艺,通过可编程逻辑控制器（PLC）控制、生产管理系统（PMS）、视觉识别多种软硬件联动辅助,结合现场实际情况开发一套螺栓拧紧套筒自动切换装置,实现多车型、多规格共线生产模式下支承的自动拧紧工艺,并确保100%达成品质。     

支持抗光照目标检测的改进YOLO算法

针对现有的深度学习目标检测算法中存在的复杂光照场景下检测精度不高、实时性差等问题,提出了一种基于YOLO算法的抗光照目标检测网络模型YOLO-RLG。首先,将输入模型的RGB数据转换为HSV数据,从HSV数据分离出抗光照能力强的S通道,并与RGB数据合并生成RGBS数据,使输入数据具备抗光照能力;其次,将YOLOV4的主干网络替换成Ghostnet网络,并对其在普通卷积与廉价卷积的模型分配比例上进行调整,在保证检测精度的同时提高检测速度;最后,用EIoU替换CIoU改进模型的损失函数,提高了目标检测精度和算法鲁棒性。基于KITTI与VOC数据集的实验结果表明,与原网络模型比较,FPS提高了22.54与17.84 f/s,模型降低了210.3 M,精确度（AP）提升了0.83%与1.31%,且算法的抗光照能力得到显著增强。     

后视镜的调整步骤

后视镜的调整哲学相信大部分开车的朋友们,都知道车身左右侧后视镜有视觉盲点,也因此会对后视镜存有一些疑点,例如,变换车道时是否要频频回头确认左方或右后方来车?要消除视野盲点一定要加装大曲面镜吗?侧方后视镜要看到自己车身才安全吗?针对以上问题,在此传达给你的观念是:左右两侧后视镜主要目的在于提供驾驶人车身两旁与后方的视野,其调整应尽可能达到最大视野。所谓"看见自己车身占镜面1/4"的     

基于双目视觉计算的车辆跟驰状态实时感知系统

双目视觉技术能够实现目标的识别与距离计算,在自动驾驶领域有很大的应用空间。然而,现阶段双目视觉存在光照干扰、遮挡、弱纹理区域歧义匹配等问题,影响其测量的准确性和可靠性。提出基于双目视觉的跟驰状态实时感知系统,该系统采用基于车辆跟驰模型的扩展卡尔曼滤波方法对车辆跟驰状态进行实时估计,包括跟驰距离、前后车速度差等。通过实际道路试验,证明了该系统能够识别并修正测量数据中的异常值,解决弱纹理区域误匹配问题。试验结果表明：25 mm焦距与12 mm焦距的双目系统跟驰间距测量值的平均误差分别为2.66%与9.14%;在相对速度测量方面,2种焦距系统的测量精度基本相同,平均误差均为1 m·s^-1左右。所提出的方法在自动驾驶车辆环境感知领域有较好的应用前景。