KI-basierte optische Zeichenerkennung liest komplexe und anspruchsvolle Zeichen unter allen Bedingungen

Im Gegensatz zu herkömmlichen Bildverarbeitungssystemen, die bei klaren und einfachen Schriftarten vor einheitlichem Hintergrund gut funktionieren, zeichnen sich OCR-Tools für Deep Learning durch die Handhabung von verformten, verzerrten oder kontrastarmen Schriftarten aus. Sie glänzen dort, wo herkömmliche Systeme Schwierigkeiten haben, und sind daher ideal für Hersteller, die mit komplexen Hintergründen oder unvorhersehbaren anwendungsspezifischen Schriftarten zu kämpfen haben.

Sehen wir uns an, wie Deep-Learning-basierte Software eine einfache, genaue Alternative zu diesen komplexen OCR-/OCV-Prüfanwendungen bietet.

Automobilhersteller und Lieferanten für Fahrzeugteile verwenden Seriennummern, um hochwertige Teile durch die Lieferkette zu verfolgen und sicherzustellen, dass sie mit den richtigen Baugruppen kombiniert werden. Viele Teile enthalten zehnstellige nadelgeprägte Seriennummern, damit beim Auftreten von Fehlern deren Herkunft zurückverfolgt werden kann.

Im Falle eines Rückrufs können betroffene Teile schnell vom Markt genommen werden. Diese Codes werden jedoch häufig bei Prozessen wie Schleifen und Gießen verformt, was zu Herausforderungen für die konventionelle optische Zeichenerkennung führt. So können beispielsweise die blendenden metallischen Oberflächen die Kamera in einem automatisierten Prüfsystem manchmal verwirren. Wenn nadelgeprägte Seriennummern stark verformt und unlesbar werden, verlangsamt dies die OCR- und OCV-Prozesse und könnte eine effiziente Rückverfolgbarkeit erschweren.

Deep-Learning-Tools für optische Zeichenerkennung überwinden dies durch die Verwendung von vortrainierten Bibliotheken, die selbst die am stärksten verformten Zeichen genau identifizieren. Das Training einer Omni-Schriftart-Bibliothek ist schnell und erfordert keinen Experten für fortschrittliche Bildverarbeitung. Cognex Deep Learning erfordert nur anwendungsspezifische Anpassungen. Anstatt einen Algorithmus zu trainieren, um jedes einzelne Zeichen oder jede einzelne Zahl eines Codes zu identifizieren, definiert ein Trainingstechniker, kein Bildverarbeitungsexperte, einfach den Zielbereich (normalerweise den Bereich mit den falsch gelesenen Zeichen), legt die Zeichengröße fest und beschriftet das Bild. Falsch gelesene Zeichen oder anwendungsspezifische Schriftarten können auf Werksebene leicht neu trainiert werden.

Deep-Learning-OCR für die Elektronikindustrie

Lasergeätzte Codes auf Elektronikbauteilen wie Gehäusen integrierter Schaltungen (IC) und Lead-Frames sind wichtige Merkmale für alle Hersteller von elektronischer Hardware. Diese Barcodes und Seriennummern enthalten Informationen darüber, wann und wo Teile hergestellt wurden, ihre Chargennummern und Prüfdaten. Sie können auch Angaben über die Löttemperatur und Flussdichte verschlüsseln, wichtige Informationen, wenn Bauteile auf Chips aufgebracht und zu Modulen verbaut werden.

Diese Codes werden auf jeder Wertschöpfungsstufe bis zur Endmontage und Geräteprüfung gelesen, um sicherzustellen, dass die Hardware korrekt montiert wird und die richtigen Komponenten enthält. Angesichts der geringen Größe der meisten Halbleiter und der räumlichen Konstruktionsgrenzen auf einer Leiterplatte muss das ID-System eines Herstellers ziemlich robust sein, damit die Produktion auf Hochtouren laufen und hochwertige Komponenten nachverfolgt werden können. Dies gilt auch für Hersteller von Fertigerzeugnissen, die routinemäßig lasergravierte Codes an der Seite von Schreib-Lese-Köpfen lesen müssen, die nur 1,1 mm x 1,4 mm groß sind. Lasermarkierte Codes können während der Herstellung beschädigt werden und dadurch schwer zu dekodieren sein.

In solchen Situationen bietet die Deep-Learning-basierte OCR-/OCV-Technologie eine sofort einsetzbare Lösung. Dabei überspringt sie stundenlanges Training dank einer vorab trainierten Omni-Schriftart-Bibliothek. Produktivitätsvorteile stellen sich sofort ein, da Lesefehler zurückgehen und Maschinenlaufzeiten maximiert werden.

Deep-Learning-OCR für die Verpackungsindustrie

Hersteller müssen Systeme haben, um den Informationspfad zu erkennen und zu überprüfen, der alle verpackten Waren durch die Lieferkette begleitet. Hersteller von Lebensmitteln und Getränken sowie Konsumgütern sind bei ihren Bemühungen, die vollständige Rückverfolgbarkeit von Verpackungen sicherzustellen, mit anspruchsvollen Codes konfrontiert.

Die üblichen Verdächtigen sind kontrastarme Zeichen, die auf Etiketten gedruckt sind, oder verformte, geprägte Zeichen auf Spritzgussteilen, wie bei einem Flaschenverschluss. Die Codes können für die Übereinstimmung mehrteiliger Verpackungen eingesetzt werden oder umfassen im wahrscheinlicheren Fall Datums- und Chargencodes, die Angaben über den Inhalt, die Herkunft und das Herstellungsdatum beinhalten. In diesen Fällen stützen sich Hersteller auf OCR-/OCV-Geräte, um Produkte schnell zu lokalisieren und sie aus der Produktion oder den Regalen zu nehmen. Herkömmliche OCR-/OCV-Technologie benötigt im Voraus ein Training, um verschiedene Schriften zu erlernen, und kann Probleme damit haben, kontrastarme Zeichen zu dekodieren.

Die Deep-Learning-basierte OCR-/OCV-Technologie kann äußerst kontrastarme Buchstaben und Zahlen automatisch lesen. Durch den Einsatz von auf Deep Learning basierender Technologie können Hersteller sicherstellen, dass Lebensmittel genießbar sind, die Rückverfolgbarkeitsgesetze einhalten und Rückrufe mit geringen Auswirkungen auf die Produktion durchführen.

Deep-Learning-OCR für die Life-Science-Industrie

Eine effiziente OCR und OCV ist für die Life-Science-Industrie mit ihren streng geregelten Track-and-Trace-Gesetzen wichtig. Um die Anforderungen einzuhalten, müssen Hersteller und Krankenhäuser die Codes auf medizinischen Geräten, chirurgischen Instrumenten und ID-Armbändern von Krankenhauspatienten an jedem Handhabungs- und Einsatzort scannen können. Damit haben sie im Falle eines Sicherheitsrisikos eine direkte Kontrolle über die Geräte und Pharmazeutika in der gesamten Lieferkette.

Bei so vielen Geräten und Produkten, die verwaltet werden müssen, können Codes verformt und verzerrt werden. Auch die Bildqualität kann suboptimal sein, indem sie das Aussehen des Codes für die Kamera verändert. Anstatt Zeit in das Training eines Bildverarbeitungssystems zu investieren, damit es Schriftarten erkennt, wendet sich die Life-Science-Industrie der Deep-Learning-basierten Bildanalyse-Software zu.

Deep-Learning-basierte OCR-Tools lassen sich effizient und leicht bei Codes einsetzen, die auf schwierige Substrate gedruckt und anfällig für Verformungen sind, wie z. B. nadelgeprägte Codes auf Metallteilen, geprägte Zeichen auf Spritzgussprodukten, etikettenbasierte Codes auf Verpackungen und lasergeätzte Codes auf Elektronikbauteilen. Die OCR-/OCV-Technologie von Cognex Deep Learning erkennt fast jeden alphanumerischen Text sofort und benötigt nur ein kurzes Training im Voraus, um den Zielbereich und die Zeichengröße einzustellen. Das System kann falsch gelesene Zeichen auf Werksebene schnell neu trainieren, damit den Herstellern nichts entgeht.

Laden Sie das kostenlose Whitepaper „KI für die Fabrikautomation“ herunter, um zu erfahren, wie Deep Learning Anwendungen wie OCR und OCV revolutioniert: