блог

Высококачественные данные о дефектах имеют решающее значение для обучения и оптимизации. Модели визуального контроля AI на промышленных производственных линиях. Чтобы получить редкие и высококачественные образцы дефектов для выявления дефектов внешнего вида продукции, требуются многочисленные усилия.Искусственное создание образцов дефекта продукции – низкая подлинность!Высокая производительность и низкий уровень дефектов, онлайн-сбор образцов дефектов — отнимает много времени!Смена продукта, сбор большого количества дефектных образцов за короткий промежуток времени – сложно!Дефекты выборки сложны и разнообразны, а сбор затруднен – эффективность низкая! Генерация дефектовИспользуя методы визуального контроля ИИ и диффузионного моделирования, различные типы, положения и формы изображений дефектов можно моделировать с помощью лишь небольшого количества образцов изображений с помощью алгоритмов прямой и обратной диффузии. Имитированные изображения дефектов по внешнему виду и характеристикам очень похожи на реальные дефекты, что обеспечивает эффективное решение проблемы нехватки данных о дефектах. Значительная роль ключевых узловБыстрое построение модели-Образцов редких дефектов немного, и дефекты можно генерировать посредством «синтеза дефектов», чтобы добиться быстрого построения модели в Визуальный осмотр ИИ.Быстрое развертывание моделей-При смене продукта можно использовать «синтез дефектов» для быстрого выявления дефектов в сопутствующих продуктах для обучения модели и быстрого развертывания.Быстрое улучшение модели-Когда на производственной линии есть пропущенные дефекты, дефекты моделирования могут быть сгенерированы посредством «синтеза дефектов», чтобы быстро уменьшить количество пропущенных дефектов на производстве. Интеллектуальный, эффективный и простой в эксплуатацииСинтез дефектов «требует всего трех этапов: маркировки дефектных образцов, размещения хороших продуктов и синтеза дефектов для создания большого количества высококачественных карт дефектов, расширения набора обучающих выборок, значительного сокращения времени сбора образцов и достижения быстрого обучения модели.Высокая производительность и выдающиеся преимуществаШирокая применимость - может использоваться для продуктов и различных дефектов в различных отраслях промышленности.Высокая гибкость. Самостоятельно выбирайте местоположение, количество и тип дефекта в соответствии с индивидуальными потребностями пользователя.Простота в эксплуатации. Создание карт дефектов в три этапа, что значительно экономит время и средства.Высокий уровень сотрудничества. Сгенерированные результаты сопровождаются аннотационной информацией без необходимости вторичной аннотации и могут быть непосредственно использованы для обучения модели.Отличный эффект. Создаваемые дефекты очень похожи на реальные дефекты, что значительно повышает эффективность обучения модели в области визуального контроля ИИ. Эффективное создание дефектов моделированияКрышка бутылки: принт с логотипомКрышка от бутылки: пятнаКрышка бутылки: черное пятно.Генеративный ИИ играет важную роль в области промышленного видения. Благодаря интеллектуальной технологии генерации дефектов KeyeTech Skill быстро генерирует большое количество изображений дефектов, близких к реальности, решая проблему нехватки образцов дефектов и трудоемкого и трудоемкого сбора, что значительно повышает эффективность обучения и способность к обобщению модели визуального контроля ИИ. !Нажмите здесь, чтобы узнать больше ВИДЕО ВИЗУАЛЬНОГО ПРОВЕРКИ ИИ

Технологические инновации являются ключевым элементом развития производительных сил нового качества. Постоянное усиление инноваций в технология искусственного интеллекта имеет важное значение для достижения высокого уровня технологической самостоятельности и самосовершенствования.Трудовые материалы более высокого технологического содержания являются мощным источником мотивации для создания новых качественных производительных сил. KeyeTech активно занимается сектором искусственного интеллекта, постоянно изучая и исследуя алгоритмы и вычислительную мощность. В 2023 году KeyeTech успешно разработала собственную Вычислительный блок искусственного интеллекта, что значительно ускоряет прогресс визуальный осмотр. В 2024 году KeyeTech также добилась значительных прорывов в исследовании алгоритмов...«It» — эффективный помощник для аннотацийВ эпоху больших данных данные, несомненно, являются ценным ресурсом. Однако эффективное и точное аннотирование огромных объемов данных стало серьезной проблемой. Традиционные методы ручного аннотирования неэффективны и подвержены ошибкам. Приложение KeyeTechФункция автоматического аннотирования подобна своевременному дождю, открывающему новые двери для аннотирования данных.Автоматическое аннотирование основано на технологиях глубокого обучения и обработки естественного языка, способных автоматически распознавать текстовые и графические данные. Всего одним щелчком мыши он может точно идентифицировать и аннотировать дефекты образцов, что значительно повышает эффективность аннотирования и качество аннотаций.«Оно» — управляющий проверкой данныхПо сравнению с традиционными методами обучения, КейТех уделяет больше внимания тщательной проверке данных и строгому контролю качества. Для обучения отбираются только положительные образцы, соответствующие требованиям, что позволяет избежать влияния неверных или неожиданных данных во время обучения модели, тем самым повышая точность и надежность модели.Суть обучения на положительных образцах заключается в его способности учиться на хороших образцах продукции, что позволяет машине точно идентифицировать и выдавать правильные результаты обучения, что значительно расширяет возможности распознавания и точность вывода данных.Новый путь к интеллектуальной эреБлагодаря постоянным технологическим инновациям и расширению сценариев применения искусственный интеллект демонстрирует безграничный потенциал. Для интеллектуальных предприятий оптимизация обновлений, реформирование инноваций и самостоятельные исследования имеют решающее значение для развития и прогресса.В будущем искусственный интеллект расширит возможности многих областей, придав жизненную силу интеллектуальной эпохе. KeyeTech усовершенствует свою «ценность навыков», раскроет свою «будущую силу» и продолжит углубляться в искусственный интеллект, вступая на новый путь к интеллекту и открывая новую главу мудрости! 

Это лучшая эра для ИИРаспознавание голоса, разблокировка распознавания лиц... ИИ проник в каждый уголок нашей жизни. В последние годы применение ИИ больше не ограничивается повседневной жизнью; постепенно она начала внедряться в производственные системы различных отраслей промышленности, таких как визуальный осмотр, интеллектуальная сортировка, автоматическая упаковка и многое другое. Однако в отраслевых приложениях интеграция искусственного интеллекта в производственные модели предприятия для повышения эффективности производства не является гладким процессом и сталкивается с рядом проблем и трудностей. В промышленном секторе в отношении визуального контроля: Компании генерируют огромные объемы данных в ходе производственных процессов, но как им отфильтровать ценные данные? Как глубокое обучение ИИ может еще больше повысить точность контроля и проверки? Как получить и представить отраслевые знания и как преобразовать их в данные, которые участвуют в расчетах ИИ и создают ценность?Эти проблемы применения ИИ в отраслях требуют постоянных инноваций и обновлений платформ ИИ для их решения.1.Промышленные приложения: огромные проблемы искусственного интеллектаВ промышленной сфере, особенно при визуальном контроле, многие приложения искусственного интеллекта сталкиваются с противоречием: ограниченность выборочных данных, в то время как требования к точности остаются высокими. Различные датчики, распределенные по производственному оборудованию, ежедневно генерируют огромные объемы данных проверки. Однако на конечное качество продукта влияют тысячи параметров, таких как параметры процесса, свойства материала и производственное оборудование — лишь небольшая часть выборок данных контроля имеет непосредственное значение для анализа прогнозирования качества.Более того, большинство компаний по-прежнему полагаются на ручную проверку, при этом широко распространены опасения, что устройства искусственного интеллекта могут быть не такими гибкими, как проверка человеком.Перед лицом этих проблем для промышленных приложений существует потребность в комплексной и эффективной машине искусственного интеллекта, которая отвечала бы требованиям различных отраслей промышленности к ограниченным выборкам и высокой гибкости.2.KeyeTech: ведущие возможности в области внедрения искусственного интеллекта в отраслиКейТех разработал Оборудование для визуального контроля изображения AI благодаря годам непрерывных инноваций и обновлений, позволяющих машинам обладать способностями к совместной работе и познавательными способностями, аналогичными человеческим. Его платформа искусственного интеллекта может моделировать большие объемы данных с помощью небольшого количества образцов, маркировать и анализировать образцы для построения моделей проверки. Он также обладает такими преимуществами, как высокая эффективность, стабильность и возможность переключения между несколькими моделями, решая проблемы, связанные с точностью, эффективностью, безопасностью и затратами, связанными с ручным контролем.01 Страж качестваВвиду ограниченности выборки данных, с которой сталкиваются предприятия, платформа искусственного интеллекта KeyeTech, основанная на глубокое обучение, имеет возможности увеличения данных, которые позволяют небольшому количеству образцов моделировать огромные данные, создавая тем самым собственную базу данных искусственного интеллекта. Когда оборудование находится в работе и обнаруживает бракованное изделие, оно оперативно устраняет дефектгарантируя, что продукция, покидающая завод, не имеет дефектов. 02 Профессиональный инспектор изображенийИндивидуальные светодиодные источники света и промышленные камеры оснащены интеллектуальной платформой обработки. Когда испытуемые продукты попадают в зону проверки, промышленная камера может сделать несколько фотографий примерно за 0,1 секунды. Через Алгоритмы искусственного интеллекта, он сравнивается с образцом базы данных, имитируя мыслительные процессы человека для проведения проверок качества внешнего вида продукта. Такие проблемы, как черный край, нехватка материала и деформация бутылок, быстро распознаются и устраняются. 03 Страж безопасностиВ настоящее время визуальный контроль искусственного интеллекта KeyeTech машина применяется в таких отраслях, как упаковка, пищевая промышленность, 3C (компьютеры, связь, бытовая электроника) и медицина. Используя искусственный интеллект для проверки качества и классификации, он может сократить количество проверяющего персонала на две трети. 

В последние годы концепция искусственного интеллекта получила широкое признание общественности. Визуальный осмотр ИИ постепенно применяется в промышленном секторе для обнаружения дефектов внешнего вида продукции. Дефекты внешнего вида продукции могут негативно повлиять на эстетику, комфорт и общую производительность. Вот почему компании-производители стремятся оперативно выявлять эти дефекты, что позволяет им контролировать качество и повышать добавленную стоимость продукта.Хотя важность алгоритмов визуального контроля ИИ часто подчеркивается, источник освещения напрямую влияет на качество изображения. Основная роль освещения в оборудовании для визуального контроля с использованием искусственного интеллекта заключается в преодолении помех окружающего света, обеспечении стабильности изображения и достижении максимально возможного контраста. Высококонтрастное изображение облегчает обнаружение дефектов продукта.В КейТехнология, наше оборудование для распознавания изображений с искусственным интеллектом не только использует алгоритмы на основе глубокого обучения но также оснащен нашей собственной системой оптической визуализации. Проектирование углов изображения и интенсивности в 3D-пространствеВ настоящее время наши устройства распознавания изображений с искусственным интеллектом используют система оптической визуализации где конфигурации источников освещения классифицируются в зависимости от методов освещения: освещение светлого поля и темного поля, структурированный свет и стробоскопический свет. Эти методы работают в сочетании как с поверхностными, так и с внутренними характеристиками проверяемых объектов, обеспечивая комплексный реляционный анализ. Проецируя источник света на проверяемые объекты и анализируя возникающие искажения, мы можем демодулировать трехмерную информацию об объектах, что позволяет точно определить местонахождение дефектов продукта. Мультиспектральная визуализация от ультрафиолета до инфракрасного диапазонаКейTСистема оптической визуализации ech использует полный спектр от ультрафиолетового до инфракрасного диапазона, включая поляризационные и флуоресцентные методы, для достижения комплексного обнаружения объектов на 360°. Дефекты, невидимые невооруженным глазом, могут быть обнаружены с полной четкостью, исключая слепые зоны и пропущенные участки. Энергоэффективный и долговечныйВ нашей системе оптической визуализации используется светодиодное освещение, которое компактно, энергоэффективно и имеет малое время отклика. Он также обеспечивает превосходную монохроматичность, высокую надежность и равномерную, стабильную светоотдачу, что упрощает интеграцию для получения оптимальных результатов визуализации на продуктах.

Согласно статистике, с 2001 года темпы роста производства напитков в целом оставались на уровне 10–20%. Устойчивый спрос на рынке напитков принес значительную выгоду индустрии крышек для бутылок. Согласно отчету Market Research Future, ожидается, что к 2030 году, с 2022 по 2030 год, мировой рынок ограничений и закрытий достигнет примерно 91,7189 миллиарда долларов.Для многих компаний, производящих крышки для бутылок, сталкивающихся с таким обширным рынком, производственные линии постепенно развиваются в сторону цифровизации и информатизации. Среди этих разработок интеллектуальное производственное и технологическое оборудование обеспечивает решающую техническую поддержку для создания «неразрушающих» и «точных» бутылочных крышек.Проверка качества в отрасли производства бутылочных крышек нуждается в расширении возможностей искусственного интеллектаС постепенным развитием интеллектуальных производственных линий в компаниях по производству бутылочных крышек спрос на технологии машинного зрения становится все более распространенным. В процессе производства крышек для бутылок неизбежны такие дефекты, как черные пятна, зазоры, заусенцы, деформация. Использование ручного контроля или традиционного визуального контроля затрудняет удовлетворение постоянно растущих требований бизнеса к качеству. Небольшие царапины или крошечные зазоры на колпачках зачастую трудно обнаружить. Ручной процесс проверки требует много времени и средств, но зачастую не соответствует стандартам обнаружения. Это напрямую приводит к нестабильному качеству продукции при доставке, что приводит к низкой эффективности. Таким образом, Проверка качества на базе искусственного интеллекта стала неизбежной тенденцией для предприятий по сокращению затрат и повышению производительности.Расширение возможностей искусственного интеллекта повышает эффективность проверки крышек бутылокХотя крышки для бутылок небольшие, они играют решающую роль в упаковке продуктов питания и напитков. Они не только облегчают переноску продуктов и предотвращают прямое воздействие внешнего воздуха, но также действуют как «хранители вкуса» в сфере газированных напитков, гарантируя, что углекислый газ не выйдет наружу. Следовательно, выявление дефектов на крышках особенно важно, поскольку качество проверки напрямую влияет на качество последующих процессов розлива напитков.Крышки для бутылок, изготовленные на машинах для литья под давлением, неизбежно имеют дефекты, такие как черные пятна, цветовые различия, загрязнения, резьба, уплотнительные кольца, сломанные кольца, зазоры, заусенцы, заусенцы, деформация, размеры, прокладки, внутренние уплотнения, номера форм и т. д. Серьезность Число этих дефектов может быть разным и появляться на разных частях колпачка, например, по бокам, сверху или вогнутых участках. Поэтому, опираясь на ручное зрение сама по себе проверка может легко привести к пропущенному или неправильному обнаружению.В компании KeyeTech работают Проверка зрения изображения AI с учетом характеристик продукта и требований клиентов к обнаружению, создавая индивидуальные планы проверок. Перед тестированием образцы крышек от бутылок собираются, маркируются и используются для оптимизации моделей обучения. На основе реальных потребностей клиентов устанавливаются модели развертывания алгоритмов. В процессе проверки равномерное освещение и промышленные камеры фиксируют и идентифицируют внешний вид, а система программного обеспечения классифицирует и принимает решения.Когда крышка бутылки попадает в зону проверки через устройство подачи крышки, источник света и камера срабатывают для его захвата и идентификации. Программная система будет классифицировать и принимать решение о пределе на основе обученной модели. Если обнаружен несоответствующий продукт, он отобразит «NG» (нехорошо) и выдаст команду на удаление; если это соответствующий продукт, он отобразит «ОК» и засчитает его для сортировки по коробкам.Качество определяет развитие компании, а хорошее качество продукции повышает эффективность компании. KeyeTech стремится внедрять искусственный интеллект для обеспечения качества предприятий, становясь стражем качества в специализированных отраслях.  

Современные технологии компьютерного зрения, основанные на искусственном интеллекте и методах глубокого обучения, добились значительного прогресса за последнее десятилетие. Сегодня он широко используется для классификации изображений, распознавания лиц и объектов на изображениях. Итак, что же такое глубокое обучение? Как применяется глубокое обучение в визуальный инспекция?Что такое глубокое обучение?Глубокое обучение — это отрасль методов машинного обучения, состоящая из классификаторов, построенных на основе искусственных нейронных сетей. Принцип, лежащий в его основе, заключается в том, чтобы научить машины учиться на примерах. to обеспечитьe помеченные примеры конкретных типов данных в нейронную сеть. Модель извлекает общие закономерности из этих примеров и преобразует их в модель нейронной сети, содержащую эту информацию, что помогает классифицировать информацию, полученную в будущем.Визуальный осмотр, основанный на технологии глубокого обучения, позволяет добиться локализации, дифференциации дефектов, распознавания символов и многого другого, имитируя визуальный осмотр человека во время работы. Wчто это на самом деле означает? Например, если мы хотим создать визуальное инспекция программное обеспечение для проверки литиевых батарей, нам необходимо разработать алгоритм, основанный на глубоком обучении и обучать его на примерах дефектов, которые необходимо обнаружить. Имея данные о дефектах, нейросеть в конечном итоге обнаружит их без каких-либо дополнительных инструкций.Визуальный инспекция системы основанные на глубоком обучении, способны обнаруживать дефекты со сложными характеристиками. Они могут устранять не только сложные дефекты поверхности и внешнего вида, но также обобщать и концептуализировать поверхность литиевых батарей.Что такое сверточная нейронная сеть?Когда дело доходит до визуального инспекция на основе глубокое обучение, наиболее часто упоминаемой технологией является сверточная нейронная сеть (CNN). Итак, что же такое CNN?Сверточная нейронная сеть, или CNN, обладает особыми функциями, которые сохраняют пространственную информацию в сети, что делает ее более подходящей для задач классификации изображений. Его принципы основаны на биологических данных человеческого зрения, где зрение основано на нескольких слоях коры головного мозга, и каждый слой распознает все более сложную структурированную информацию. То, что мы воспринимаем, состоит из множества отдельных пикселей; затем распознаются геометрические композиции из этих пикселей, за которыми следуют более сложные элементы, такие как объекты, лица, человеческие тела и животные.Kглаз технологии Визуальное изображение AI инспекция использует сверточную нейронную сеть, уделяя больше внимания сетевым каскадам, разрабатывая различные методы каскадной сети, адаптированные к различным сценариям, которые точно отражают особенности изображения для повышения точности во время визуального инспекция.Как интегрировать визуальный AI инспекция Система?01 Требования CпрояснениеИнтеграция AI визуальный инспекция система обычно начинается с бизнес- и технического анализа. Во-первых, важно уточнить, какие типы дефектов должна обнаруживать система и в каких условиях окружающей среды она будет использоваться.02 Сбор и подготовка данныхПрежде чем разрабатывать глубокое обучение модели необходимо собрать и подготовить данные. Keye Technology создала надежную и богатую библиотеку алгоритмов за более чем десятилетие непрерывного развития и оптимизации. При проверке новых продуктов библиотеку алгоритмов можно использовать для поэтапного/переносного обучения, когда к первоначальным результатам обучения добавляется небольшое количество новых образцов, что значительно сокращает время обучения новым продуктам и обеспечивает быстрое обучение.03 Обучение и оценкаПосле сбора новых образцов следующим шагом будет обучение, проверка и оценка производительности и точности результатов модели.04 Развертывание и улучшениеПри развертывании визуального инспекция модели, крайне важно учитывать, насколько архитектура программного и аппаратного обеспечения системы соответствует возможностям модели.Случаи применения AI Visual инспекция СистемыУпаковочные контейнеры: подходят для контроля качества продукции, используются для обнаружения внешних дефектов, таких как черные пятна, заусенцы, зазоры и номера пресс-форм.Литиевые батареи. При производстве литиевых батарей во время таких процессов, как приварка шпилек уплотнения и сварка верхней крышки, часто возникают распространенные дефекты, такие как точечные отверстия, песчаные отверстия, царапины, неровности и неправильная сварка. 

Благодаря быстрому внедрению технологий искусственного интеллекта и постоянному развитию индустрии интеллектуальных роботов, машины визуального контроля высвобождают еще более сильную жизненную силу. Типичная структура оборудование для визуального контроля Конструкция в основном состоит из пяти частей, а именно: освещения, объектива, камеры, блока получения изображения и вычислительного оборудования. Что такое визуальный осмотр?Система визуального контроля относится к использованию продуктов машинного зрения (т. е. устройств захвата изображения, разделенных на CMOS и CCD) для преобразования захваченной цели в сигнал изображения, который передается в специальную систему обработки изображений и преобразуется в цифровой сигнал на основе распределения пикселей, яркость, цвет и другая информация; Система изображения выполняет над этими сигналами различные операции для извлечения особенностей цели, а затем управляет действиями оборудования на месте на основе результатов дискриминации.  Процесс настройки визуальной системы1. Тестирование программного обеспеченияЦиклический процесс обеспечения корректности программных процессов и правильных логических связей приложения, обнаружения уязвимостей в системе, проведения исследований и разработок модификаций, а также проверки тестирования.2. Тестирование оборудованияПроведите тестирование надежности оборудования как на самом оборудовании (тестирование на старение, тестирование совместимости, тестирование частоты отказов), так и на среде, чтобы определить, может ли программное обеспечение работать в средах с несколькими конфигурациями оборудования.3. Совместный отладочный тестПротестируйте функцию совместной отладки программного и аппаратного обеспечения, чтобы проверить правильность электрической и программной логики передачи сигналов, источника света, камеры и других аппаратных функций запуска, таких как фотография и сканирование, а также статистики результатов обнаружения.4. Тестирование модели Сосредоточьтесь на функциональном тестировании, тестировании производительности, оценке показателей модели и анализе результатов индикаторов модели.  Как провести тестирование системы визуального контроля?Требования клиентовТип приложения: Точно и подробно понять изменения в стандартах тестирования продукции, внешних размерах и других факторах, влияющих на тестирование, и предварительно оценить, могут ли они соответствовать требованиям.Требования к этапу: Требования клиентов к эффективности визуального контроля, количественная оценка времени, необходимого для этапов визуального контроля.Требование к точности: Контролируйте точность обнаружения дефектов продукции.Место для установки: подтвердите, существуют ли какие-либо ограничения на установку визуального оборудования на объекте. Cконцептуальный дизайнАнализ требований: систематизировать ключевые требования клиентов и проанализировать их осуществимость.Проектирование оборудования: выбор платформы визуальной системы, камеры, объектива и источника света.Разработка программного обеспечения: используйте стороннее программное обеспечение для визуальной обработки или разрабатывайте программное обеспечение для обработки изображений самостоятельно.Проверка осуществимости: настройка программной и аппаратной среды, настройка интерфейсов взаимодействия человека с компьютером и проведение предварительного тестирования, чтобы определить, могут ли они удовлетворить потребности клиентов. Развертывание алгоритмаРазработка облачной платформы: собирайте образцы изображений дефектов продукта, загружайте и храните изображения, выбирайте изображения, комментируйте, загружайте, обучайте, тестируйте, оптимизируйте и применяйте. 

При обнаружении дефектов бутылок, крышек, трубочек и т.п.Какие методы тестирования вы знаете?Распознавание человеческого глаза? поиск утечек?Но знаете ли вы, что этот метод имеет очень высокий уровень ложного обнаружения?Существует ли безопасный и эффективный метод обнаружения?Группа пионеров-новаторов нашла ответВизуальное обнаружение дефектов с помощью искусственного интеллектаОт ручной проверки до традиционной визуальной проверки, а затем к искусственному интеллекту — революции в технологии обнаружения дефектов.Перед Визуальный осмотр дефектов с помощью искусственного интеллекта была разработана схема, выявление дефектов упаковочной тары, таких как черные пятна, грязь, заусенцы и недостающие материалы на бутылках для напитков, в основном основывалось на ручном осмотре. Столкнувшись с высокоинтенсивной повторяющейся работой, ручная проверка неизбежно приводит к ошибкам, а когда возникают новые проблемы с дефектами, людям трудно эффективно и быстро их идентифицировать.Однако рыночная среда является жесткой конкуренцией, и даже 0,1% дефектов продукции не допускается. Для обеспечения высокого качества продукции на производстве необходимо использовать более эффективные решения по обнаружению дефектов. Столкнувшись с срочным спросом рынка, компания Keye Technology в последнее десятилетие сосредоточилась на сегментированных областях и успешно разработала диверсифицированные решения для визуального обнаружения дефектов с использованием искусственного интеллекта, став мировым лидером в области технологий обнаружения дефектов. KeyeTech, профессиональный партнер в сегментированных областях виденияПо сравнению с традиционными решениями для обнаружения, Keye использует визуальное обнаружение дефектов с помощью искусственного интеллекта. Когда возникают новые потребности в обнаружении дефектов, нет необходимости заменять оборудование. Вместо этого новые дефекты необходимо отбирать, маркировать и обучать, а данные загружать на облачную платформу для разработки шаблонов обнаружения. При использовании соответствующие шаблоны обнаружения могут быть вызваны для обеспечения стабильного производства. Помимо функций обнаружения, таких как черные точки, грязь, заусенцы, недостающие материалы и номера заводских моделей, Оборудование для визуального обнаружения дефектов Keye AI также может рассчитывать и обрабатывать квалифицированную продукцию. В то же время он также совместим с обнаружением дефектов крышек для бутылок разных размеров, что действительно обеспечивает эффективную работу всего с одним устройством.  Сегодня более 2000 компаний по всему миру используют оборудование Keye для визуального обнаружения дефектов с использованием искусственного интеллекта. За этим достижением стоит не только результат стремления Ки к технологиям, но и отражение сильного чувства социальной ответственности KeyeTech.Больше видеороликов о KeyeTech можно найти на YouTube. 

Развертывание системы визуального контроля стала первым выбором для производственных предприятий для преобразования контроля качества и улучшения качества продукции. Однако предприятия, которые не знакомы с оборудованием визуального контроля, часто имеют определенные недопонимания относительно ценности оборудование для визуального контроля при выборе. Сегодня мы подведем итоги нескольких типов проблем, с которыми сталкиваются предприятия, как выбрать машины визуального контроля и системы.     Вопрос: Может ли одна машина проверять все продукты? Нет, это невозможно. Если компания хочет приобрести комплект оборудования для визуального контроля с использованием искусственного интеллекта для тестирования всей своей продукции, на данном этапе это невозможно.   Хотя оборудование для визуального контроля с использованием искусственного интеллекта совместимо, к нему предъявляется ряд требований к спецификациям продукции. В настоящее время многие компании-производители имеют широкий ассортимент продукции, а продукция из разных материалов, форм и размеров требует разных источников света, камер и алгоритмов.     Визуальное обнаружение изображений Keye AI имеет определенную степень совместимости, но эти два продукта сильно различаются, и добиться полной совместимости также сложно. Оборудование для визуального контроля крышек для бутылок совместимо с двумя продуктами с разницей в высоте не более одной трети и разницей в ширине не более половины, при этом крышки неправильной формы отсутствуют. Если разница в высоте или ширине слишком велика, использование одного и того же оборудования для проверки повлияет на конечное заводское качество. Индивидуальные решения, основанные на характеристиках продукта, необходимы для обеспечения заводского качества продукта.     Вопрос: Приведет ли установление чрезмерно высоких стандартов тестирования к низкой доходности? Да. Некоторые компании-производители при покупке систем визуального контроля не устанавливают требования к контролю, исходя из фактической ситуации и стандартов приемки предприятия, а вместо этого используют теоретические стандарты для разработки стандартов контроля. Наконец, при отладке и запуске выяснилось, что процент текучести слишком низок, а система визуального контроля недостаточно точна. На самом деле, такого рода проблемы связаны с использованием бесполезных сверхвысоких стандартов. Предприятия должны разрабатывать стандарты тестирования, основанные на реальных ситуациях, соответствующим образом увеличивать количество элементов тестирования, чтобы улучшить стандарты тестирования, улучшить качество продукции и поддерживать конкурентоспособность на рынке.   Вопрос: Отражается ли ценность систем визуального контроля только в снижении затрат на рабочую силу? Нет, это не так. Комплект оборудования для визуального контроля с использованием искусственного интеллекта не только экономит трудозатраты, но и снижает эксплуатационные расходы предприятий. Для повышения эффективности предприятия часто выбирают автоматизированное оборудование для замены ручного труда, что не только повышает производительность и качество, но и снижает эксплуатационные расходы. Оборудование для визуального контроля изображения с искусственным интеллектом Keye на одной производственной линии может помочь предприятиям сэкономить 3-5 проверяющих сотрудников и обеспечить единые стандарты качества продукции, повышая узнаваемость предприятия среди клиентов. С точки зрения эксплуатационных расходов более важную роль сыграло визуальное обнаружение изображений с помощью искусственного интеллекта Ки. Например, визуальный осмотр бутылок позволяет напрямую продавать квалифицированную продукцию после проверки, а удаленную дефектную продукцию можно подвергнуть дальнейшей переработке или использовать повторно. Ценность продукта можно диверсифицировать и максимизировать.       Вопрос: Можно ли использовать визуальную систему для высокой производительности? Предлагается к использованию, но это зависит от деловой ситуации предприятия. Большая производительность действительно больше подходит для выбора системы визуального контроля. Из долгосрочной стратегии развития предприятий ручное тестирование имеет ограниченную скорость, низкую эффективность и больше подходит для использования автоматизированного оборудования для тестирования в больших количествах. Хотя некоторые отдельные продукты имеют низкую ценность, использование ручного визуального контроля может привести к пропущенным или ложным проверкам. Если продукция окажется в руках перерабатывающих предприятий и не будет соответствовать стандартам, они могут решить вернуть ее, что приведет к определенным убыткам для предприятия. Со временем это не способствует долгосрочному развитию предприятия. Поэтому, когда объем производства продукции предприятия велик, рекомендуется выбирать оборудование для визуального контроля. Одна инвестиция может принести пользу предприятию на всю жизнь.     Поэтому выбор предприятиями оборудования для визуального контроля ИИ не является прямым проявлением высокого качества. Только разумно используя системы визуального контроля искусственного интеллекта для контроля качества продукции и эффективного устранения оттока бракованной продукции, мы сможем избежать жалоб со стороны конечных потребителей и завоевать их доверие к предприятию.    

Новое поколение система визуального контроля дефектов of Keye — первое программное обеспечение для алгоритмов в Китае, которое применяет алгоритмы искусственного интеллекта в упаковочной промышленности. В настоящее время алгоритм этого программного обеспечения обновлен до KVIS-V16.0. Самая большая особенность этой системы обнаружения — быстрая эффективность обнаружения дефектов и высокая совместимость. С ростом сегментации рынка упаковочная продукция становится все более персонализированной и кастомизированной. Каждое предприятие по производству упаковки должно выпускать диверсифицированную продукцию в соответствии с потребностями рынка и клиентов. Например, наша компания обнаружила более ста типов пластиковых крышек для бутылок и множество стилей бутылок. Это приведет к тому, что традиционное оборудование и системы обнаружения столкнутся с большими трудностями при обнаружении дефектов продукции. Самая большая особенность системы Keye заключается в том, что она может быть совместима с продуктами разных стилей, и на одном устройстве можно тестировать несколько продуктов. Машина для проверки крышек бутылок можно добиться полной совместимости с крышками разных цветов, размеров и даже с прозрачными и непрозрачными крышками. машина обнаружения бутылок может быть совместим с бутылками из разных материалов, таких как ПЭТ, ПП, ПЭ, ПС и т. д. Система может обнаруживать различные дефекты продукции, такие как цвет, структура, классификация и т. д.  Как мы это сделали? Во-первых, у нас есть индивидуальные источники света и системы визуализации. Нашу команду по оптике возглавляет профессор ТАН ЛИНГ из Китайского университета науки и технологий (USTC), и мы также сотрудничаем с Лабораторией оптики ключевых режимов Китайского университета науки и технологий, оказывая мощную техническую поддержку нашим дизайн и исследования. В настоящее время мы занимаем лидирующие позиции в Китае. Наша компания самостоятельно разработала различные линейные, планарные, 3D и интеллектуальные камеры в сочетании с собственными интеллектуальными алгоритмами, которые позволяют оптимизировать систему.  Второй — это блок периферийных вычислений, независимо разработанный нашей компанией, который представляет собой встраиваемую высокопроизводительную вычислительную платформу для промышленных сценариев. Все алгоритмы возглавляет и разрабатывает доктор ЧЖЭН ЧЖИГАН из Китайского университета науки и технологий (USTC). Богатая компьютерная информационная база позволяет нашей команде алгоритмов опережать конкурентов в Китае. Платформа больших данных, основанная на глубоком обучении искусственного интеллекта и имеющая множество встроенных компонентов алгоритмов, может помочь пользователям быстро создавать и повторять модели.  Наконец, наша система программного управления использует новейшую компьютерную систему промышленного класса LINUX и настраиваемую систему взаимодействия человека и машины, которая является стабильной, эффективной и работает в режиме реального времени.

В настоящее время при производстве пластиковой упаковочной тары существует три метода контроля. Первый — это традиционный ручной контроль, при котором дефекты продукта выявляются путем визуального наблюдения. Второй — инспекция с помощью машинного зрения, основанная на традиционных алгоритмах. Третий – самый последний Система визуального контроля с алгоритмом искусственного интеллекта. С ростом требований к качеству упаковочной продукции в мировой промышленности эффективность проверки дефектов также станет более строгой. Ниже мы сравним несколько существующих методов тестирования, что поможет людям найти подходящий метод тестирования, который лучше соответствует требованиям качества и снижает эксплуатационные расходы предприятия.  Из-за субъективных факторов, низкой эффективности и склонности к утомлению ручной визуальный контроль не может гарантировать эффективность и долгосрочную стабильность.Традиционные алгоритмы визуальный осмотр имеют множество параметров и в значительной степени полагаются на профессиональный персонал по отладке. Плохая адаптируемость, высокий уровень ложного обнаружения при обеспечении точности обнаружения, что приводит к низкой эффективности обнаружения.Глубокое обучение Система визуального контроля AI позволяет машинам изучать присущие закономерности и уровни представления выборочных данных, что дает им возможность анализировать, учиться и логически рассуждать, как люди. Отличная долгосрочная производительность и стабильность, а также высокая точность обнаружения.  Человек Визуальный осмотр имеет относительно низкую степень распознавания цветов, на которую легко влияет человеческая психология и которую невозможно измерить количественно. Затем можно количественно оценить распознавание цвета при обнаружении машины. Например, человеческие глаза могут распознавать только 64 оттенка серого, а машины обладают высокой способностью распознавания оттенков серого. В настоящее время обычно используются 256 уровней оттенков серого, и система сбора данных может иметь уровни оттенков серого, например 10 бит, 12 бит и 16 бит. Разрешение глаз плохое, и они не могут видеть мелкие цели с высоким разрешением. Машины могут наблюдать цели на уровне микрометра, но человеческий глаз имеет низкую скорость наблюдения. Постоянство зрения в 0,1 секунды мешает человеческому глазу четко видеть быстро движущиеся цели. С другой стороны, машины обладают высокой скоростью: время затвора составляет около 10 микросекунд, а частота кадров высокоскоростной камеры превышает 1000. Скорость процессора увеличивается, а диапазон человеческого глаза сужается. Устройства видимого света в диапазоне 400–750 нм имеют широкий диапазон обнаружения: от ультрафиолетового до инфракрасного спектра. Визуальный осмотр человека плохо приспосабливается к окружающей среде, и существует множество ситуаций, которые могут причинить вред людям. Машинный визуальный контроль обладает высокой адаптируемостью к окружающей среде, также могут быть добавлены защитные устройства. Обнаружение человеческого глаза имеет низкую точность и не может быть измерено количественно. Машинное зрение имеет высокую точность и может достигать уровня микрометра, что упрощает количественную оценку. Полагаться на обнаружение человека также имеет и другие субъективные аспекты, психологическое влияние и усталость.  Из приведенных выше данных и анализа видно, что замена визуального осмотра человека на машинное зрение станет тенденцией, особенно с учетом постоянного роста затрат на рабочую силу во всем мире. Будь то с точки зрения производственных затрат, стандартов управления или эффективности обнаружения, новое поколение Визуальный осмотр алгоритма искусственного интеллекта будет одобрен рынком. В настоящее время система визуального контроля поддерживается алгоритмом искусственного интеллекта последнего поколения. Кей получает все большее признание со стороны большего числа клиентов на внутреннем и международном рынках и становится ведущим предприятием в области производства пластиковых бутылок, крышек, полиграфии и других отраслей. В то же время он сыграл хорошую роль в содействии реальному внедрению искусственного интеллекта на рынок контроля упаковки.  

Обнаружение дефектов внешнего вида корпуса бутылки проверка внешнего вида бутылки тело является распространенной проблемой в ежедневном производстве. Для производителей в таких отраслях, как фармацевтика, молочные продукты, алкогольные напитки, приправы и ежедневные химические продукты, в связи с растущим спросом на усовершенствование, качество и непрерывное серийное производство упаковки продукции, рынок выдвинул более высокие стандарты тестирования качества бутылок на заводе. . Появление машин машинного зрения, основанных на алгоритмах искусственного интеллекта, стало новым инструментом, помогающим предприятиям в эффективном производстве. Решение для визуального контроля дефектов корпуса бутылкиОснованный на теории компьютерного зрения и распознавания образов и оснащенный периферийным вычислительным блоком искусственного интеллекта, разработанным KeyeTech, он полностью отвечает требованиям поддержки вычислительной мощности в соответствии с требованиями высокой четкости и высокой скорости. Он обладает преимуществами высокой вычислительной мощности, высокой стабильности и низкого энергопотребления, а также оптимизирует проблему распределения вычислительной мощности при совместной обработке несколькими камерами. Программно-аппаратная платформа(1) Высокоточная промышленная камера CCD/CMOS собственной разработки (камера+объектив)(2) Собственные поверхностные источники света, круглые источники света и другие светодиодные источники света.(3) Полуконтролируемый режим обучения(4) Периферийный вычислительный блок с искусственным интеллектом собственной разработки, высокопроизводительная встраиваемая вычислительная платформа для промышленных сценариев.(5) Самостоятельное создание облачной платформы обучения искусственному интеллекту.  Содержание обнаруженияДефекты бутылок: черные пятна, разница в цвете, загрязнения, нити, подъемные кольца, выемки, остатки, заусенцы, пузыри, отверстия, неравномерная толщина, деформация, размер, код распыления, торговая марка, номер формы и т. д. Материал бутылки: ПЭТ, ПЭ, ПП, ПЭВП, ПК и т. д. Широкое применениеКейТех Технология визуального контроля дефектов с использованием искусственного интеллекта широко используется в таких отраслях, как фармацевтика, молочные продукты, приправы, алкогольные напитки и бытовая химия.Преимущества решенияВысокая эффективностьСамостоятельно разработанный периферийный вычислительный блок с искусственным интеллектом имеет более высокую скорость, более низкое энергопотребление, более мощные непрерывные вычислительные возможности, отсутствие сбоев питания при высоких температурах и стабильную работу. Высокая интеграцияОбъединив свет, оборудование, электронику, вычисления и программное обеспечение, мы создали платформу искусственного интеллекта с более высокой степенью интеграции, более быстрыми вычислениями и более мощными возможностями обработки. Надежная совместимость данныхПолуконтролируемый режим обучения эффективно решает проблему небольших выборок данных и сложной маркировки. Высокая гибкостьПоддержка быстрого переключения сценариев обнаружения. Простота в эксплуатации3 минуты для начала работы, круглосуточная удаленная эксплуатация и техническая поддержка.