Med kontinuerlig fremgang av intelligent produksjon, har hvordan man oppnår effektiv kontroll av produktkvaliteten blitt en nøkkelfaktor for å forbedre kjernekonkurransen til produksjonsselskapene. Selv om tradisjonellMachine Vision Systemshar vært mye brukt i industriell inspeksjon, det er fremdeles mange begrensninger som ikke kan løses i komplekse defekt -scenarier. Nå, med den viktige forskningen på dype læringsvisuelle algoritmer for3D -kameraerOg smarte kameraer, med kraftige bildegjenkjenning og læringsevner, løses problemet med defektdeteksjon gradvis.
Følgende vil omfattende analysere applikasjonsverdien for dype læringsvisuelle algoritmer i defektdeteksjon fra flere aspekter som begrensningene for tradisjonell deteksjon, de tekniske fordelene med dyp læring, bransjesaker og fremtidige utviklingstrender.
1. Begrensninger i tradisjonelle visuelle algoritmer
I tradisjonelle maskinsynssystemer er de fleste av deteksjonsalgoritmene manuelle kodeinnstillinger og faste regler, for eksempel kantdeteksjon, fargesegmentering, etc. Selv om disse algoritmene kan oppnå gode gjenkjennelseseffekter i bilder med klare strukturer og åpenbar kontrast, er de åpenbart utilstrekkelige i følgende scenarier:
Defektmorfologien er kompleks, kantene er uskarpe og posisjonen er tilfeldig;
Ujevn belysning eller miljømessige refleksjoner fører til endringer i bildekontrast;
Produktoverflatestrukturen er mangfoldig, og det er lett å feilidentifisere normale prosesser som defekter;
Nye produkter erstattes ofte, og deteksjonsregler og maler må justeres kontinuerlig.
I de ovennevnte situasjonene kan tradisjonelle algoritmer ofte ikke oppnå "universell anerkjennelse" og trenger å hele tiden stole på manuell optimalisering av utstyr, som har høye utviklingskostnader og vanskelig vedlikehold. Deteksjonskonsistensen er dårlig, og det er vanskelig å støtte behovene til storskala automatiserte produksjonslinjer.
2. Dyp læring styrker intelligent defektdeteksjon
Dyp læring av visuelle algoritmer, spesielt de som er utviklet basert på innebygde plattformer, med innebygde VM-algoritmer og fleksible og mangfoldig tilbehør, har endret den tradisjonelle deteksjonsmodusen fullstendig. I motsetning til tradisjonelle algoritmer, kan dyp læring automatisk trekke ut nøkkelfunksjoner ved å trene en stor mengde bildedata for å oppnå mer nøyaktig og stabil defektgjenkjenning.
Dets betydelige fordeler inkluderer:
Ingen behov for manuell funksjonsdesign: Systemet kan automatisk trekke ut de mest representative defektfunksjonene fra bildet for å forbedre gjenkjennelsesnøyaktigheten.
Høy feiltoleranse og robusthet: Den har sterk tilpasningsevne til lysforandringer, bakgrunnsinterferens, produktplasseringsvinkler, etc.
Sterk generaliseringsevne: Den kan takle flere typer produkter og forskjellige feil, og kan distribueres i partier etter bare en trening.
Tydelige visualiseringsresultater: Ved hjelp av teknologier som varmekart og segmenteringskart, er deteksjonsresultatene intuitivt synlige, noe som er praktisk for sporbarhet og optimalisering.
I tillegg kan dyp læring også samarbeide med oppgavemodeller som bildeklassifisering, måldeteksjon og semantisk segmentering for å oppnå rikere deteksjonsmuligheter, for eksempel å lokalisere defektområder, bestemme defekttyper og til og med forutsi defekttrender.
3. Brukssaker: Loddedeteksjon av loddefuger i elektronisk produksjon
Ta et elektronisk produksjonsselskap vi nylig har fungert som et eksempel: denne kunden gjennomfører hovedsakelig full inspeksjoner på loddefuger av PCB -brett på produksjonslinjen, inkludert flere defekttyper som lekker loddefuger, kortslutning og manglende komponenter.
I begynnelsen ble den tradisjonelle visuelle løsningen brukt. På grunn av den lille størrelsen på loddefuger og sterk refleksjon, kunne ikke påvisningsnøyaktigheten oppfylle kravene til forsendelse, og den falske deteksjonshastigheten var relativt høy. Teknikerne brukte dyp læring av bildeklassifisering og segmenteringsteknologi for å designe og distribuere et sett med tilpassede deteksjonsmodeller:
Bruk industrielle kameraer med høy oppløsning med lyskilder med flere vinkler for å samle bilder;
Bygge en database med flere prøve loddefelledefekt;
Med fleksible og mangfoldig tilbehør og modulære komponenter, kan det tilpasse seg endrede applikasjonsbehov.
Endelig forbedres produksjonslinjeproduksjonsnøyaktigheten, den falske deteksjonshastigheten reduseres, og kundens krav til produksjonskvalitet blir oppfylt. Senere implementerte prosjektet med suksess Edge Computing distribusjon, og deteksjonshastigheten ble også forbedret, og oppfylte kundens krav til kundens produksjonseffektivitet.
4.
Dyp læring visuell inspeksjon er ikke bare aktuelt for elektronisk produksjon, men også i følgende bransjer:
Bilproduksjon: frontlykter, sveiser, overflate riper og defekter av deler;
Metallbehandling: Aluminiumsplate, inspeksjon av stålspole, sprekker, identifikasjon av fremmedlegemer;
Glass og keramikk: Gjennomsiktig identifikasjon av materialfeil som sprekker, bobler, svarte flekker;
Emballasje og utskrift: Påvisning av problemer som manglende utskrift, uskarpe strekkoder og ødelagte seler;
Nye energibatterier: Påvisning av mindre defekter som riper på stolper, ødelagte kanter, kortslutningsforbedres fremmedlegemer.
Enten det er standardisert batchproduksjon eller liten batch -diversifisert produksjonsmodus, kan dyp læring gi svært tilpasningsdyktige løsninger, redusere manuell avhengighet og forbedre avkastningshastigheten og merkevarekonkurransen.
Som en profesjonell løsningsleverandør innen maskinvisjonen, har Zhixiang Shijue samlet rik erfaring innen dyp læring visuell inspeksjon. Vi vil fortsette å utvide algoritmeplattformen, optimalisere maskinvarekompatibilitet, lage flere landingsscenarier rundt kjerneindustrier som elektronikk, biler, medisinsk behandling og halvledere og gi kundene tilpassede intelligente inspeksjonssystemer.
Hvis selskapet ditt også står overfor utfordringen med feildeteksjon, velkommen tilKontakt Zhixiang ShiJue. Vi vil gi deg profesjonelle, effektive og gjennomførbare intelligente visjonsløsninger!
