машина визуального контроля

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. 

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.    

Высокоточный алгоритм искусственного интеллекта, отвечающий сотням сценариев подразделенияДефект внешнего вида продукта. ПроверкаВ основном используется для устранения дефектов внешнего вида продукта система визуального контроля в промышленной сфере, включая черные пятна, царапины, повреждения, посторонние предметы, изменение цвета, деформацию, спецификации, третью фазу, штрих-коды продуктов EAN и т. д.Область примененияМашинное зрение для крышки бутылки, корпуса бутылки, заготовки бутылки, упаковки стаканчика, наполнения, маркировки спреем (отсутствует, размыт, не маркирован спреем), упаковки алкоголя, миски, фармацевтической упаковки; Нетканый материал, земляная ткань, джинсовая ткань, вышитая ткань; Конденсаторы, световые индикаторы, электронные компоненты, защитные крышки, разъемы; Набор для самотестирования на COVID-19, перчатки, мерный стаканчик, шприц, тест-полоска для теста на беременность и т. д.Анализ качества зернаАвтоматизированные, информационные и интеллектуальные решения для неполного анализа зернаСерия КВС-Г сортировочная машина по качеству зерна состоит из визуальной системы, программного комплекса и других модульных структур. Когда зерно попадает в поле зрения камеры, оно фотографируется, и с помощью алгоритмов регистрации всесторонне получаются характеристики цельного зерна. Алгоритмы искусственного интеллекта используются для распознавания атрибутов, чтобы определить наличие таких проблем, как пятна болезней, плесень, прорастание, повреждение и эрозия насекомыми.Область примененияАнализ качества стабильных сельскохозяйственных продуктов, таких как рис, кукуруза, пшеница, семена дыни, кедровые орехи, миндальная древесина, кофейные зерна и т. д., классифицированных и подсчитанных в соответствии с национальными стандартами, разделенных и взвешенных (дополнительно) для разных типов. Переработка ресурсовОсновываясь на классификации алгоритмов искусственного интеллекта, алгоритме сопоставления шаблонов, алгоритме предварительной обработки данных и других технологиях, Keye Technology может точно идентифицировать материалы, которые клиентам необходимо классифицировать, среди смешанных, сложенных, клейких, поврежденных и плотных материалов, а также точно их сортировать.Область примененияКлассификация строительных отходов, кухонных отходов, промышленных отходов, переработанных пластмасс, бытовых отходов и т. д.