新闻详情

新闻详情

首页 / 资讯中心 / 详情

用了半年简博斯JG-C045P,聊聊摄像头模组对位与行程测量工位的真实变化

发布时间:2026/11/9 8:37:33来源:尧图网络
用了半年简博斯JG-C045P,聊聊摄像头模组对位与行程测量工位的真实变化
我们线上做摄像头模组之前行程测量工位用的是传统激光三角位移计。去年下半年换了JG-C045P同线对位工位配了一支JG-C015P。用了半年多记录几个实际变化给同行做个参考。一、换设备之前工位上的几个老问题测玻璃数据跳测镜面也跳VCM对位工位上镜头是玻璃、基座是金属有时候还有深色塑料支架。传统传感器测玻璃时回光弱读数上下晃测金属镜面时光又偏到一边光斑对不上接收端。换个批次的工件经常要重新调增益和功率调完一组参数换个料号又得重来。行程测量只能抽测老设备采样周期在毫秒级测一个点要好几百毫秒产线节拍根本跑不满。车间要求在线全检设备速度跟不上只能按比例抽测抽出来的批次没问题不代表整批没问题后端客诉过来还是要复盘。曲面镜头读数不稳镜头是弧面传统光路照上去光斑被拉成椭圆高度差换算出来的距离就偏。以前一度怀疑是工装问题调了好几次角度最后发现是测量原理对曲面不友好。换型停机时间长3C产品换型频繁换一款模组材质可能就变了。老设备换型时重新校准、重新调参一次5到15分钟不等前道堆件、班长催进度的场景经历过的都懂。二、换上JG-C045P之后的几个实际变化多材质直接测不再调增益JG-C045P是彩色共焦原理认的是波长不是光强。玻璃面、金属面、深色塑料面放上去读数都比较稳工位上不需要再针对材质设参数。对位工位那支JG-C015P线性误差±0.2μm、分辨率0.15μm对微米级公差来说余量是够的。采样100μs全检跑得动标称采样周期100μs也就是每秒一万次。实际跑下来工件到位触发一次采样能在一个节拍窗口内取足够多点不再需要抽测。设备支持4档采样速率切换节拍紧的时候用高速档需要细看波形的时候用低速档。曲面读数稳了同轴光路的好处是弧面不会让光斑横向拉伸镜头曲面测出来的行程曲线比以前平滑重复性肉眼可见地变好。之前那种忽高忽低的情况少了很多。换型基本不停机调参换不同料号的模组材质变了也不用重新校准直接换工件就能测。换型时间从原来的十分钟级别压到一两分钟主要时间花在机械换料上设备本身不占时间。维护量下来了IP67防护车间里的粉尘、油雾对镜头影响比之前小很多不用天天拿无尘纸擦。温度系数0.005%F.S./℃夏天车间温度上来数据漂移也在可接受范围一天校准一次基本够。三、几个使用中的小细节光电分离设计很实用探头本体小塞到组装工位旁边的狭小空间里电子单元放到远端不占工位位置也少受电磁干扰。控制器用JG-CK200三个探头JG-C015P、JG-C045P、JG-C150P共用一台控制器换工位时探头可以调配不用每个工位都配控制器。双探头对射可以做测径。我们在某个工序上下各装一支用两侧位移差算镜头外径省了一台独立测径仪。输出接的是PLC10路NPN输出加工业通信协议集成没遇到太大坎。四、常见疑问Q透明镜头测出来准吗从半年数据看玻璃面的重复性和金属面在同一量级没有出现明显的信号丢失。彩色共焦靠界面反射波长不依赖表面漫反射。Q安装角度不水平行不行同轴光路对角度不敏感实际安装时不需要严格调到90°垂直留一定角度余量即可工装设计省事不少。Q大行程能不能测行程测量用JG-C045P±6mm覆盖主流镜头如果是外壳轮廓、段差这类大尺寸用JG-C150P±35mm。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/8 22:42:07

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/9 8:37:19

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/9 8:37:19

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/10 1:10:29

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/9 8:37:18

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/9 8:37:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉