Vue d’ensemble de la précision de prélèvement

Problèmes matériels : La caméra elle-même peut être défectueuse ou endommagée, par exemple des problèmes liés à l’objectif, au capteur ou à d’autres composants.

Changements environnementaux : Les modifications de facteurs environnementaux tels que les conditions d’éclairage, la température, l’humidité, etc., peuvent affecter les performances de la caméra, entraînant une diminution de l’exactitude absolue, par exemple une dérive de température de la caméra.

Déformation mécanique : Une déformation ou un desserrage de la structure mécanique de la caméra ou de son châssis de montage peut provoquer une instabilité de la position de la caméra, ce qui peut affecter l’exactitude absolue.

Répétabilité de la valeur Z au point (1σ) : Un écart-type de 100 mesures de la valeur Z du même point. La répétabilité de la valeur Z au point est utilisée pour évaluer l’exactitude d’un pixel unique dans la direction Z.

Répétabilité de la région Z (1σ) : Un écart-type des différences de moyennes en Z entre deux régions mesurées 100 fois sur la carte de profondeur. La répétabilité de la région Z (1σ) est utilisée pour évaluer l’exactitude du plan ajusté dans la direction Z.

Distance de travail : Plus la distance de travail est importante, plus la répétabilité diminue rapidement.

Problèmes matériels : La caméra elle-même peut être défectueuse ou endommagée, par exemple des problèmes liés à l’objectif, au capteur ou à d’autres composants.

Changements environnementaux : Les modifications de facteurs environnementaux tels que les conditions d’éclairage, la température, l’humidité, etc., peuvent affecter les performances de la caméra, entraînant une diminution de la répétabilité, par exemple une dérive de température de la caméra.

Déformation mécanique : Une déformation ou un desserrage de la structure mécanique de la caméra ou de son châssis de montage peut provoquer une instabilité de la position de la caméra, ce qui peut affecter la répétabilité.

Déformation sous contrainte, pertes ou vieillissement des composants internes.

Changements dans l’environnement extérieur, tels que la température, l’humidité, la pression, etc.

La dérive à l’échauffement désigne la dérive du nuage de points causée par la variation de température de la caméra 3D pendant le processus de démarrage à froid.

La dérive thermique environnementale désigne la dérive du nuage de points causée par des changements de température et d’humidité ambiantes.

Préchauffage et échauffement : Afin de réduire la survenue de prélèvements inexacts, la caméra doit être préchauffée et mise en température lors de la calibration main-œil, la calibration des paramètres intrinsèques de la caméra, la correction des paramètres intrinsèques ou la calibration d’autres paramètres de compensation. Vous pouvez réchauffer la caméra par l’une des méthodes suivantes :

Maintenir relativement stables la température, l’humidité et la pression de l’environnement dans lequel l’application fonctionne.

Déployer un système « Auto-correction de la dérive du système » : Il permet non seulement de résoudre le problème de dérive de température de la caméra, mais aussi de garantir la fiabilité et la stabilité opérationnelle du système de vision 3D.

La répétabilité du robot désigne le degré de fluctuation de la position du robot lorsqu’il atteint de manière répétée un point dans l’espace.

L’exactitude absolue du robot désigne l’écart par rapport à la position cible lorsque le robot atteint un point dans l’espace. Mesurer la différence entre la distance linéaire paramétrée et la distance de déplacement réelle est un moyen approximatif de déterminer l’exactitude absolue du robot.

La position zéro du robot est perdue.

Erreur d’exactitude du TCP.

Le robot n’est pas monté de manière sécurisée.

Des poses de robot incorrectes ont été utilisées lors de la calibration main-œil, entraînant une grande erreur dans les résultats de calibration ou un échec de la calibration.

Le système de vision envoie des résultats visuels incorrects au robot.

Le système de vision envoie des points de passage incorrects au robot, entraînant une imprécision du prélèvement, un échec du prélèvement ou une collision avec des objets de l’environnement.

Qualité des images 2D capturées par la caméra : Si l’image 2D capturée est surexposée ou sous-exposée, cela affecte directement le résultat d’inférence de l’apprentissage profond. Ce problème est généralement résolu en ajustant les paramètres d’exposition 2D. En présence d’une forte lumière ambiante, des mesures d’ombrage doivent être prises pour améliorer la qualité de l’image.

Qualité du modèle d’apprentissage profond : La qualité de l’image 2D acquise et du modèle d’apprentissage profond entraîné impacte directement l’inférence de l’apprentissage profond. Des images claires et de haute qualité pour l’entraînement du modèle et des jeux de données représentatifs améliorent le résultat de l’apprentissage profond.

Paramétrage de l’apprentissage profond : Un réglage approprié des paramètres d’apprentissage profond améliore l’exactitude de la segmentation d’instances. En ajustant finement ces paramètres, vous pouvez adapter les performances du modèle à différents scénarios pour obtenir le meilleur résultat d’inférence en apprentissage profond. Examinez et mettez périodiquement à jour les paramètres afin de tenir compte des éventuelles évolutions du système.

Qualité du nuage de points : Si la qualité du nuage de points capturé par la caméra est médiocre, cela affecte directement la qualité du modèle de nuage de points créé et du nuage de points de la scène, réduisant ainsi l’exactitude de l’appariement 3D.

Exactitude du modèle de nuage de points et des points de prélèvement : Le modèle de surface et le modèle d’arête offrent des niveaux d’appariement différents. Le modèle de surface fournit une plus grande exactitude d’appariement, mais la vitesse de reconnaissance est plus lente lorsqu’il est utilisé. Lors de la création du modèle, vous pouvez ajouter des points de prélèvement par glisser-déposer ou par enseignement. Les points de prélèvement ajoutés par enseignement sont plus précis. Par conséquent, dans les scénarios où une grande exactitude est requise, où les orientations des pièces sont relativement cohérentes et où les erreurs de TCP du robot sont difficiles à évaluer, il est recommandé d’ajouter les points de prélèvement par enseignement pour améliorer l’exactitude.

Paramétrage de l’algorithme d’appariement : Des réglages inappropriés de l’algorithme d’appariement peuvent avoir un impact négatif sur les résultats et la répétabilité. Pour garantir un appariement précis, sélectionnez et configurez correctement l’algorithme d’appariement, en particulier dans les scénarios complexes et lorsque les types de pièces doivent être basculés. Ajustez les paramètres de l’algorithme en temps voulu pour répondre aux exigences réelles et améliorer l’effet d’appariement ainsi que la stabilité du système.

Manque de prise en compte globale : Parfois, lors de la conception de stratégies d’ajustement de la pose, il peut manquer une prise en compte approfondie des divers changements de position et des différences de situation que peut subir une pièce. Une prise en compte globale insuffisante peut conduire à une adaptabilité inadéquate aux scénarios spécifiques.

Retard de mise à jour face aux changements environnementaux : Les environnements de travail peuvent changer en raison de modifications de l’agencement, de remplacements d’équipements ou de changements dans la manière dont les pièces sont positionnées. Si les stratégies d’ajustement de la pose ne sont pas mises à jour rapidement pour refléter ces changements, la stratégie peut devenir inefficace et incapable de s’adapter avec précision aux nouveaux scénarios de travail.

Manque de flexibilité : Certaines stratégies d’ajustement de la pose peuvent être conçues de manière trop rigide, manquant de flexibilité pour tenir compte de la diversité des positions des pièces. Une flexibilité insuffisante peut entraîner des déviations dans des situations qui n’ont pas été suffisamment envisagées.

Traitement du nuage de points : L’environnement lumineux, les caractéristiques des matériaux de la pièce et les propriétés réfléchissantes des objets environnants ont un impact significatif sur l’efficacité du nuage de points de la pièce. Pour renforcer la robustesse du traitement du nuage de points, prenez en compte de manière exhaustive et adaptez-vous aux différentes conditions d’éclairage et aux propriétés de surface des objets afin de réduire les erreurs de répétabilité.

Influence matérielle : L’influence de la température sur le matériel de la caméra affecte les paramètres intrinsèques et extrinsèques de la caméra ainsi que l’exactitude de la transformation de pose. Par conséquent, limiter les variations de température et ajuster en temps utile les paramètres intrinsèques et extrinsèques contribue à garantir la stabilité du système.

Choix de la méthode de reconnaissance visuelle : La stabilité du système est directement affectée par l’utilisation ou non de la segmentation d’instances, la sélection de l’algorithme d’appariement, le réglage des paramètres d’appariement et les réglages des points de prélèvement. Choisissez une méthode de reconnaissance visuelle adaptée aux scénarios spécifiques et optimisez les paramètres d’appariement. Cela aide le système à s’adapter plus efficacement à diverses conditions de travail.

Logique de décision et prévention des erreurs : La combinaison d’une logique de décision et de fonctions de prévention des erreurs est également cruciale. Des logiques de décision ou des fonctions de prévention des erreurs mal conçues peuvent amener le système à gérer de manière inadéquate les situations anormales, affectant ainsi la stabilité globale.