Az intelligens gyártás folyamatos fejlődésével a termékminőség hatékony ellenőrzésének módja kulcsfontosságú tényezővé vált a gyártó vállalatok alapvető versenyképességének javításában. Bár hagyományosgépi látásrendszerekAz ipari ellenőrzés során széles körben használják, még mindig sok olyan korlátozás létezik, amelyeket nem lehet megoldani a komplex hibák forgatókönyveiben. Most, a mély tanulás vizuális algoritmusainak fontos kutatásával3D kamerákÉs az intelligens kamerák, amelyek erőteljes képfelismerési és tanulási képességekkel rendelkeznek, a hibák észlelésének problémája fokozatosan megoldódik.
Az alábbiakban átfogóan elemzik a mély tanulási vizuális algoritmusok alkalmazási értékét a hibák észlelésében, több szempontból, például a hagyományos észlelés korlátozásai, a mély tanulás technikai előnyei, az ipari alkalmazások esetei és a jövőbeli fejlesztési trendek.
1. A hagyományos vizuális algoritmusok korlátozásai
A hagyományos gépi látási rendszerekben az észlelési algoritmusok nagy része kézi kódbeállítások és rögzített szabályok, például a szélérzékelés, a színszegmentálás stb. Bár ezek az algoritmusok jó felismerési hatásokat érhetnek el egyértelmű struktúrákkal és nyilvánvaló kontrasztú képekben, a következő forgatókönyvekben nyilvánvalóan elégtelenek:
A hiba morfológiája összetett, az élek homályosak, és a helyzet véletlenszerű;
Az egyenetlen világítás vagy a környezeti reflexiók a kép kontrasztjának változásához vezetnek;
A termék felületi textúrája változatos, és könnyen azonosulhat a normál folyamatokat hibákként;
Az új termékeket gyakran cserélik, és az észlelési szabályokat és a sablonokat folyamatosan módosítani kell.
A fenti helyzetekben a hagyományos algoritmusok gyakran nem tudnak elérni az "univerzális elismerést", és folyamatosan támaszkodniuk kell a berendezések kézi optimalizálására, amelynek magas fejlesztési költségei és nehéz karbantartása van. A detektálási konzisztencia gyenge, és nehéz támogatni a nagyszabású automatizált gyártósorok igényeit.
2. A mély tanulás felhatalmazza az intelligens hibakutatást
A mély tanulási vizuális algoritmusok, különösen a beágyazott platformokon alapuló, beépített virtuális gép algoritmusokkal és rugalmas és sokszínű kiegészítőkkel fejlesztett ki, teljesen megváltoztatta a hagyományos észlelési módot. A hagyományos algoritmusokkal ellentétben a Deep Learning automatikusan kinyerheti a kulcsfontosságú tulajdonságokat, ha nagy mennyiségű képadatot képez, hogy pontosabb és stabilabb hibafelismerést érjen el.
Jelentős előnyei a következők:
Nincs szükség a kézi szolgáltatás kialakítására: A rendszer automatikusan kinyerheti a képből a leginkább reprezentatív hibajeleket, hogy javítsa a felismerési pontosságot.
Magas hibatolerancia és robusztusság: Erős alkalmazkodóképességgel rendelkezik a világítás változásaihoz, a háttér -interferenciához, a termék elhelyezési szögeihez stb.
Erős általánosítási képesség: Többféle termékkel és különféle hibákkal képes megbirkózni, és csak egy képzés után telepíthető tételekben.
Tiszta megjelenítési eredmények: Olyan technológiák segítségével, mint a hőtérképek és a szegmentálási térképek, a detektálási eredmények intuitív módon láthatók, ami kényelmes a nyomon követhetőséghez és az optimalizáláshoz.
Ezenkívül a mély tanulás együttműködhet olyan feladatmodellekkel is, mint a kép osztályozása, a célérzékelés és a szemantikai szegmentálás a gazdagabb észlelési képességek elérése érdekében, például a hibaterületek helymeghatározását, a hibatípusok meghatározását, sőt a hibák tendenciáinak előrejelzését is.
3. Ipari alkalmazási esetek: forrasztási ízület észlelése az elektronikus gyártásban
Vegyünk egy elektronikus gyártóvállalatot, amelyet nemrégiben példaként szolgáltunk: Ez az ügyfél elsősorban teljes ellenőrzéseket végez a gyártósoron lévő NYÁK -táblák forrasztócsaládjain, beleértve több hibát is, például szivárgó forrasztó -illesztések, rövidzárlatok és hiányzó alkatrészek.
Az elején a hagyományos vizuális megoldást használták. A forrasztáscsuklók kis mérete és az erős reflexió miatt a detektálási pontosság nem felel meg a szállítási követelményeknek, és a hamis észlelési arány viszonylag magas volt. A technikusok mély tanulási kép osztályozási és szegmentációs technológiát használtak egy testreszabott észlelési modellek megtervezéséhez és telepítéséhez:
Használjon nagy felbontású ipari kamerákat többszögű fényforrásokkal a képek gyűjtéséhez;
Készítsen egy multi-mintás forrasztási közös hibás adatbázist;
Rugalmas és változatos kiegészítőkkel és moduláris alkatrészekkel alkalmazkodik a változó alkalmazási igényekhez.
Végül javul a termelési vonal előállítási pontossága, a hamis észlelési arány csökken, és az ügyfél termelési minőségére vonatkozó követelményei teljesülnek. Később a projekt sikeresen végrehajtotta az Edge Computing telepítését, és az észlelési sebesség is javult, teljes mértékben megfelelve az ügyfél termelési hatékonysági követelményeinek.
4. Széles körben alkalmazandó iparágak, az intelligens gyártás fejlesztésének előmozdítása
A mély tanulási vizuális ellenőrzés nemcsak az elektronikus gyártásra vonatkozik, hanem a következő iparágakban is:
Autógyártás: fényszórók, hegesztések, felületi karcolások és alkatrészek hibái;
Fémfeldolgozás: alumínium lemez, acél tekercs felületi ellenőrzése, repedések, idegen test azonosítás;
Üveg és kerámia: Átlátszó anyaghibák azonosítása, például repedések, buborékok, fekete foltok;
Csomagolás és nyomtatás: olyan problémák észlelése, mint a hiányzó nyomtatás, homályos vonalkódok és törött tömítések;
Új energiaelemes elemek: kisebb hibák, például a pólusok karcolásainak, a törött élek, a rövidzárlatú idegen testek kimutatása.
Függetlenül attól, hogy szabványosított tétel -előállításról vagy a kis tételű diverzifikált termelési módról van szó, a Deep Learning rendkívül alkalmazkodó megoldásokat kínálhat, csökkentheti a kézi függőséget, és javíthatja a hozam -sebességet és a márka versenyképességét.
A Machine Vision területén szakmai megoldási szolgáltatóként Zhixiang Shijue gazdag tapasztalatokat halmozott fel a mély tanulás vizuális ellenőrzésében. Folytatjuk az algoritmus -platform bővítését, optimalizáljuk a hardver kompatibilitását, több leszállási forgatókönyvet készítünk az alapvető iparágak körül, például az elektronika, az autók, az orvosi ellátás és a félvezetők, és az ügyfelek számára testreszabott intelligens ellenőrző rendszereket biztosítunk.
Ha a cége a hibakutatás kihívásának is szembesül, üdvözöljük aVegye fel a kapcsolatot Zhixiang Shijue- Szakmai, hatékony és megvalósítható intelligens látási megoldásokat kínálunk Önnek!
