машинное зрение

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. 

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.  

Машинное зрение — быстро развивающаяся отрасль искусственного интеллекта (ИИ). Согласно определениям машинного зрения, предложенным Отдел машинного зрения Общества инженеров-технологов (SME) и подразделением Automation Vision Ассоциации индустрии робототехники (RIA), машинное зрение — это устройство, которое автоматически получает и обрабатывает изображение реального объекта через оптические устройства и бесконтактные датчики для получения необходимой информации или для управления роботом. движение. Проще говоря, машинное зрение использует машины вместо человеческих глаз. Машинное зрение имитирует глаза для получения изображений, извлекает информацию посредством распознавания и обработки изображений и, наконец, завершает операцию с помощью исполнительного устройства. Традиционный Технология контроля машинного зрения требует представления данных как набора функций или ввода их в модель прогнозирования для получения результатов прогнозирования. Это требует выполнения определенных действий, что затрудняет адаптацию к будущим потребностям гибкого производства, особенно в сценариях, где типы дефектов являются сложными, малозаметными, а применение фонового шума становится все труднее.  После оснащения функцией глубокого обучения искусственного интеллекта машинное зрение преобразует исходные функции данных в более абстрактное представление функций посредством многоэтапного преобразования функций и далее вводит их в функцию прогнозирования для получения конечного результата.  Машинное зрение, основанное на глубоком обучении, может сочетать эффективность машинного зрения с гибкостью человеческого зрения в идеальном состоянии, тем самым завершая обнаружение во все более сложных средах, особенно при наличии отклонений или экстремальных условий, отвечая строгим требованиям последующих этапов к точности дефектов и универсальность.