L'IA collaborative : la vision industrielle passée à l'échelle.
Environnement collaboratif de développement de la vision par IA pour la mise à l’échelle et la normalisation des inspections sur l’ensemble des dispositifs, lignes et sites.
Surveillance des moisissures
Les industries de l’aérospatiale et de la défense s’appuient sur la fabrication de moules pour produire une variété de pièces à haute résistance, durables et complexe. Les moules de moulage sous pression et permanents sont réutilisables, coûteux et souvent la propriété d’une pièce ou d’un fabricant d’équipement d’origine (OEM) particulier. S’assurer que l’outillage est sans défaut et opérationnel est essentiel pour maintenir le contrôle qualité, le rendement et la gestion des coûts.
Les systèmes de vision industrielle Cognex permettent d’automatiser la surveillance des moules en vérifiant le positionnement des plaquettes et en confirmant le dégagement des pièces après le moulage. La puissante technologie de formation d’images reconnaît les composants dans des arrière-plans complexe tandis que l’IA de périphérie apprend à reconnaître les caractéristiques et fonctionnalités des pièces pour :
- processus rationalisés
- plus de temps de disponibilité
- opérations protégées
La détection des défauts de moisissure
L'inspection des moules à la recherche de défauts subtils, tels que des résidus de matière, des rayures et des éclats, mobilise d'importantes ressources et entraîne des temps d'arrêt considérables. Cependant, ne pas prendre en compte ces problèmes peut entraîner la fabrication de pièces défectueuses et compliquer les processus en aval. L'inspection manuelle est peu fiable et subjective, tandis que la vision industrielle traditionnelle et les autres méthodes d'inspection ne permettent pas d'identifier de manière fiable les défauts sur des moules réfléchissants et complexes.
Grâce à une intelligence artificielle de pointe et à une technologie d'imagerie performante, les systèmes de vision industrielle de Cognex détectent et classifient les défauts les plus subtils.. Ces systèmes utilisent un apprentissage basé sur des exemples pour faire la distinction entre les caractéristiques de moule complexe et les défauts, en protégeant les outils et en optimisant la disponibilité.