استفاده از روش ماشین بینایی به ‌منظور تنظیم غیرمستقیم قطعات ریخته‌گری شده روی ماشین فرز کنترل عددی با رویکرد کاربرد صنعتی

نوع مقاله : مقاله مستقل

نویسندگان

1 دانشجوی دکتری، مهندسی مکانیک، دانشگاه صنعتی اصفهان، اصفهان

2 دانشیار، مهندسی مکانیک، دانشگاه نیشابور، نیشابور

3 استاد، مهندسی مکانیک، دانشگاه ای تی اچ، زوریخ

چکیده

در استفاده از ماشین‌های کنترل عددی، تنظیمات و راه‌اندازی غیر برخط با بهره‌گیری از نرم‌افزارهای متنوعی درحیطه مدل‌سازی و ماشین‌کاری بدون نیاز به اجرای یک فرآیند توسط ماشین ممکن شده است. لذا بسیاری از تصمیمات را قبل از اجرای فرآیند ماشین‌کاری توسط ماشین‌ابزار می‌توان اتخاذ کرد. در این حیطه، ماشین بینایی از جمله فناوری‌هایی است که می‌توان از آن به ‌منظور تعیین موقعیت قطعه به‌ صورت غیر برخط و پیش از اجرای عملیات ماشین‌کاری، در ماشین‌های ابزار مجهز به سیستم کنترل عددی استفاده نمود. در این تحقیق، از این روش به ‌منظور موقعیت‌یابی دو نمونه قطعه‌کار ریخته‌گری شده بر روی میز ماشین‌ابزار فرز مجهز به سیستم کنترل عددی استفاده شد. میانگین خطای به دست آمده در پیدا کردن مرکز دایره‌ای نوعی در پوش ریخته‌گری شده شامل 361/0 میلیمتر در امتداد محور x و 372/0 میلیمتر در امتداد محور y و میانگین خطای یافتن نقطه صفر پره پمپ ریخته‌گری شده 2/0 میلیمتر پس از 10 بار تکرار آزمایش گزارش شد. همچنین در پیدا کردن محل لبه در پوش ریخته‌گری شده، به ‌منظور کاهش زمان تعیین مسیر حرکت ابزار نسبت به قطعه‌کار بسته شده روی میز ماشین ابزار مربوطه برای عملیات ماشین‌کاری، 25/0 میلیمتر در هر دو راستای x و y و 4/0 میلیمتر در امتداد z، و خطای مدل بازیابی شده از نقاط استخراج شده از طریق پردازش تصاویر مربوط به پره پمپ ریخته‌گری شده با هدف تعیین موقعیت آن، 363/0 میلیمتر در هر سه راستای x، y و z به دست آمد.

کلیدواژه‌ها


[1] Pellegrinelli S, Cenati C, Cevasco L, Giannini F, Lupinetti K, Monti M, Parazzoli D , Tosatti LM (2017) Configuration and inspection of multi-fixturing pallets in flexible manufacturing systems evolution of the network part program approach. Robot Cim-Int Manuf 1-11.
[2] Zhang X, Tian X, Yamazaki K (2010) On-machine 3D vision system for machining setup modeling. Int J Adv Manuf Technol 48: 251-265.
[3] Rafiq A, Stephane T, Hascoet JY (2010) Integration of vision based image processing for multi-axis CNC machine tool safe and efficient trajectory generation and collision avoidance. J Mech Eng 10.
[4] Okarma K, Grudziński M (2012) The 3D scanning system for  the machine vision based positioning of workpieces on the CNC machine tools. Methods and Models in Automation and Robotics (MMAR) 17th International Conference 85-90.
[5] Domek S, Dworak P, Grudziński M, Okarma K (2013) Calibration Of cameras and fringe pattern projectors in the vision system for positioning of workpieces on the CNC machines. Solid State Phenomena (SSP) 229-234.
[6]  Karabagli B, Simon T, Orteu J (2015) A new chain-processing-based computer vision system for automatic checking of machining set-up application for machine tools safety. Int J Adv Manuf Technol 82: 1547-1568.
[7] Xu L, Fan F, Hu Y, Zhang Z, Hu D (2020) A vision-based processing methodology for profile grinding of contour surfaces. J Eng Manuf 1-13.
[8]  Mun Fong K, Wang X, Kamaruddin S, Ismadi MZ (2021) Investigation on universal tool wear measurement technique using image-based cross-correlation analysis. Measurment 169.
[9]  Aguilar JJ, Torres F, Lope MA (1996) Stereo vision for 3D measurement: accuracy analysis, calibration and industrial applications. Measurment 18: 193-200.
[10] Kazmi W, Foix S, Aleny`a G, Andersen HJ (2014) Indoor and outdoor depth imaging of leaves with time-of-flight and stereo vision sensors: Analysis and comparison. ISPRS J Photogramm Remote Sens 88: 128-146.
[11] Hamzah RA, Kadmin AF, Saad Hamid M, Ghani FA (2018) Improvement of stereo matching algorithm for 3D surface reconstruction. Signal Process Image Commun 65: 165-172.
[12] Yangao L, Wang B, Zhang B, Zhou H, Wang R (2018) Analysis on location accuracy for the binocular stereo vision system. IEEE Photonics J 10.
[13] FlusserJ, Zitova B (2003) Image registration methods: A survey. Image Vis Comput 21: 977-1000.
[14] Zhang Q, Wang Y ,Wang L (2015) Registration of images with affine geometric distortion based on maximally stable extremal regions and phase congruency. Image Vis Comput. 36: 23-39.
[15] Ghosh P, Pandey A ,Pati UC (2015)  Comparison of different feature detection teqniques for image mosaising. ACCENTS Transactions on Image Processing and Computer Vision (TIPCV).
[16] Gholipour A, Kehtarnavaz N, Briggs R, Devous M ,Gopinath K (2007) Brain functional localization: A survey of image registration techniques. IEEE Trans Med Imaging 26: 427-451.
[17] Bolles MA, Fischler RC (1981) Random sample consensus: A paradigm for model fitting with applications to image analysis and automated cartography. Commun ACM 24: 381-395.
[18] Xu G, Zhang Z (1996) Epipolar geometry in stereo motion and object recognition a unified approach. Dordrecht: Springer Netherlands.
[19] Monasse P, Morel JM, Tang Z (2010) Three-step image rectification. British Machine Vision Conference (BMVC). 
[20] Bouguet JV (2018) www.mathworks.com mathworks, [Online]. Available: https://www.mathworks.com/help/vision/ug/camera-calibration.html.
[21] Zhang Z (2000) A flexible new technique for camera calibration. IEEE Trans Pattern Analysis and Machine Intelligence (PAMI) 22: 1330-1334.