ỨNG DỤNG CÁNH TAY ROBOT 3 TRỤC KẾT HỢP VỚI CAMERA  HỖ TRỢ THU THẬP DỮ LIỆU MỐI HÀN TỰ ĐỘNG

Nguyễn Đức Tài; Nguyễn Hoàng Dũng

doi:10.34238/tnu-jst.10782

ỨNG DỤNG CÁNH TAY ROBOT 3 TRỤC KẾT HỢP VỚI CAMERA HỖ TRỢ THU THẬP DỮ LIỆU MỐI HÀN TỰ ĐỘNG

Thông tin bài báo

Ngày nhận bài: 17/07/24 Ngày hoàn thiện: 07/10/24 Ngày đăng: 08/10/24

Các tác giả

1. Nguyễn Đức Tài , 1) Trường Đại học Cần Thơ, 2) Trường Cao đẳng Nghề An Giang
2. Nguyễn Hoàng Dũng, Trường Đại học Cần Thơ

Tóm tắt

Mục tiêu của nghiên cứu này là thiết kế mô hình cánh tay robot ba trục tịnh tiến kết hợp với camera nhằm tự động hóa thu thập dữ liệu mối hàn. Mô hình cánh tay robot bao gồm ba trục tự do được thiết kế theo cấu trúc treo ngược và có thể tịnh tiến theo các phương X, Y, Z. Đầu cuối của cánh tay robot được lắp một động cơ servo kết hợp với camera công nghiệp. Camera có thể xoay được một góc 180 độ nhờ vào động cơ servo. Với cơ cấu này, mô hình cánh tay robot có thể điều chỉnh tịnh tiến và xoay định vị để thu thập dữ liệu hình ảnh từ nhiều góc độ khác nhau. Kết quả thực nghiệm cho thấy, hệ thống đã chứng minh khả năng xác định tọa độ với độ chính xác 99,67% và góc độ của chi tiết mối hàn, đảm bảo sự nhất quán trong bộ dữ liệu thu thập được. Hơn thế nữa, ngoài khả năng có thể thu thập một dữ liệu hình ảnh có tính nhất quán cao về vị trí góc nhìn, mô hình còn đảm bảo được tính ngẫu nhiên như điều kiện ánh sáng trong quá trình lấy mẫu. Kết quả nghiên cứu ban đầu này cho thấy không chỉ mở ra khả năng kiểm tra chất lượng mối hàn mà còn có thể tích hợp công nghệ học máy vào các quy trình sản xuất công nghiệp được thực hiện một cách nhanh chóng và chính xác.

Từ khóa

Cánh tay robot; Mối hàn tự động; Thu thập dữ liệu; Tự động hóa; Kỹ thuật hàn

Toàn văn:

PDF

Tài liệu tham khảo

[1] M. Li, J. Huang, L. Xue, and R. Zhang, “A guidance system for robotic welding based on an improved YOLOv5 algorithm with a RealSense depth camera,” Sci. Rep., vol. 13, no. 1, p. 21299, 2023, doi: 10.1038/s41598-023-48318-8.

[2] C. E. Hachem, G. Perrot, L. Painvin, J.-B. Ernst-Desmulier, and R. Couturier, “Welding Seam Classification in the Automotive Industry using Deep Learning Algorithms,” in 2021 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT), Bandung, Indonesia: IEEE, 2021, pp. 235-240, doi: 10.1109/IAICT52856.2021.9532569.

[3] T. Lei, Y. Rong, H. Wang, Y. Huang, and M. Li, “A review of vision-aided robotic welding,” Comput. Ind., vol. 123, p. 103326, 2020, doi: 10.1016/j.compind.2020.103326.

[4] D. Luo, Pattern recognition and image processing, Oxford Cambridge: WP, Woodhead Publ, 2011.

[5] T. Manabe, Y. Shibata, and K. Oguri, “FPGA implementation of a real-time super-resolution system with a CNN based on a residue number system,” in 2017 International Conference on Field Programmable Technology (ICFPT), Melbourne, VIC: IEEE, 2017, pp. 299-300, doi: 10.1109/FPT.2017.8280165.

[6] Z. Lin, Y. Shi, Z. Wang, B. Li, and Y. Chen, “Intelligent Seam Tracking of an Ultranarrow Gap During K-TIG Welding: A Hybrid CNN and Adaptive ROI Operation Algorithm,” IEEE Trans. Instrum. Meas., vol. 72, pp. 1-14, 2023, doi: 10.1109/TIM.2022.3230475.

[7] R. Miao et al., “Real-time defect identification of narrow overlap welds and application based on convolutional neural networks,” J. Manuf. Syst., vol. 62, pp. 800-810, 2022, doi: 10.1016/j.jmsy.2021.01.012.

[8] O. Zahran, H. Kasban, M. El-Kordy, and F. E. A. El-Samie, “Automatic weld defect identification from radiographic images,” NDT E Int., vol. 57, pp. 26-35, 2013, doi: 10.1016/j.ndteint.2012.11.005.

[9] J. Howse, OpenCV computer vision with Python: learn to capture videos, manipulate images, and track objects with Python using the OpenCV library. Birmingham: Packt Publ, 2013.

[10] J. R. Deepak, V. K. B. Raja, D. Srikanth, H. Surendran, and M. M. Nickolas, “Non-destructive testing (NDT) techniques for low carbon steel welded joints: A review and experimental study,” Mater. Today Proc., vol. 44, pp. 3732-3737, 2021, doi: 10.1016/j.matpr.2020.11.578.

[11] Y. Zou and Y. Wan, “Robotic Seam Tracking System Combining Lightweight Segmentation Network Design and ADMM-Based Structured Pruning,” IEEE Trans. Instrum. Meas., vol. 73, pp. 1-15, 2024, doi: 10.1109/TIM.2024.3381666.

[12] B. Wei, “Modelling and Control of a Translational Robotic Arm,” in Volume 7A: Dynamics, Vibration, and Control, American Society of Mechanical Engineers, 2020, doi: 10.1115/IMECE2020-23947.

[13] J. J. Craig, Introduction to robotics: mechanics and control, 3rd ed. Upper Saddle River, N.J: Pearson/Prentice Hall, 2005.

[14] B. Siciliano, L. Sciavicco, L. Villani, and G. Oriolo, “Robotics,” in Advanced Textbooks in Control and Signal Processing. Springer, London, 2009, doi: 10.1007/978-1-84628-642-1.

[15] I. T. Union, Studio Encoding Parameters of Digital Television for Standard 4:3 and Wide-screen 16:9 Aspect Ratios: Recommendation ITU-R BT.601-6 : (Question ITU-R 1/6). International Telecommunication Union, 2007.

[16] J. Lu, A. Yang, X. Chen, X. Xu, R. Lv, and Z. Zhao, “A Seam Tracking Method Based on an Image Segmentation Deep Convolutional Neural Network,” Metals, vol. 12, no. 8, p.1365, 2022, doi: 10.3390/met12081365.

DOI: https://doi.org/10.34238/tnu-jst.10782

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ