La reconnaissance optique de caractères (OCR) basée sur l’IA lit des codes complexes et difficiles dans toutes les situations

Contrairement aux systèmes de vision industrielle traditionnels, qui fonctionnent bien sur des polices claires et simples sur des arrière-plans uniformes, les outils de reconnaissance optique de caractères (OCR) deep learning excellent dans la gestion des polices déformées, de travers ou à faible contraste. Ils brillent là où les systèmes traditionnels ont du mal, ce qui les rend idéales pour les fabricants qui traitent des arrière-plans complexes ou des polices imprévisibles spécifiques à l’application.

Découvrons comment un logiciel basé sur le Deep Learning offre une alternative extrêmement simple et précise à ces applications d’inspection de reconnaissance optique de caractères (OCR)/OCV.

Les constructeurs et les équipementiers automobiles utilisent des numéros de série pour suivre les pièces de grande valeur tout au long de la chaîne logistique et s’assurer qu’elles sont associées aux bons assemblages. Ainsi, lorsque des erreurs surviennent lors des tests, la source peut être identifiée, car de nombreuses pièces contiennent des numéros de série à dix chiffres marqués par micro-percussion.

En cas de rappel, les pièces concernées peuvent être rapidement retirées du marché. Cependant, ces codes se déforment souvent lors de processus tels que le ponçage et le moulage, ce qui pose des problèmes pour la reconnaissance optique de caractères (OCR) conventionnelle. Par exemple, les surfaces métalliques éblouissantes peuvent parfois perturber la caméra dans un système d’inspection automatisé. Lorsque les numéros de série marqués par micro-percussion deviennent extrêmement déformés et illisibles, les processus de reconnaissance et de vérification optiques de caractères sont ralentis et l’efficacité de la traçabilité est menacée.

Les outils Deep Learning de reconnaissance optique de caractères (OCR) permettent de surmonter ce problème en utilisant des bibliothèques préentraînées qui identifient avec précision même les caractères les plus déformés. La formation d’une bibliothèque d’omnifont est rapide et ne nécessite pas d’expert en vision avancée. Le Deep Learning Cognex nécessite uniquement des ajustements spécifiques à l’application. Au lieu d’apprendre à un algorithme les caractères ou chiffres individuels de chaque code, un ingénieur de formation, et non un expert de la vision, définit la zone d’intérêt (normalement la zone présentant les caractères mal lus), paramètre la taille de caractère et étiquette l’image. Tous les caractères mal lus et les polices propres à chaque application peuvent être réappris sur le site de production.

L’OCR Deep Learning pour le secteur électronique

Les codes gravés au laser sur les composants électroniques, tels que les modules de circuits intégrés (IC) et les grilles de connexion, sont des caractéristiques essentielles pour tous les fabricants de matériel électronique. Ces codes-barres et numéros de série contiennent des informations comme la date et le lieu de fabrication des pièces, leur numéro de lot et les données de test. Ils peuvent également encoder des informations essentielles, telles que la température de brasage et la densité de flux, car les composants sont montés sur des puces et assemblés en modules.

Ces codes sont lus à chaque étape de valeur ajoutée jusqu’à l’assemblage final et au test des dispositifs afin de s’assurer que le matériel est correctement assemblé et contient les bons composants. Étant donné la petite taille de la plupart des semi-conducteurs et les contraintes d’espace sur une carte de circuit imprimé, le système d’identification d’un fabricant doit être assez robuste pour maintenir une vitesse de production optimale et suivre les composants de grande valeur. Il en va de même pour les fabricants de dispositifs, qui doivent systématiquement lire les codes gravés au laser sur les têtes coulissantes, aussi petites que 1,1 mm x 1,4 mm. Les codes gravés au laser peuvent se détériorer lors de la production et devenir difficiles à lire.

Dans ces situations, les technologies de reconnaissance et de vérification optiques de caractères basées sur le Deep Learning constituent une solution prête à l’emploi, évitant des heures fastidieuses d’apprentissage grâce à une bibliothèque omnipolice préentrainée. La réduction des échecs de lecture et l’optimisation du temps de disponibilité des machines génèrent des gains de productivité immédiats.

Reconnaissance optique de caractères (OCR) basée sur le Deep Learning pour le secteur du conditionnement

Les fabricants doivent mettre en place des systèmes pour reconnaître et vérifier les informations accompagnant chaque produit conditionné tout au long de la chaîne logistique. Pour garantir la traçabilité complète des emballages, les fabricants de produits de consommation et agroalimentaires sont parfois confrontés à des codes difficiles.

Ce sont généralement les caractères manquant de contraste des codes sur étiquette apposés sur les emballages ou les caractères gaufrés déformés sur les pièces moulées par injection, telles que les bouchons de bouteille. Les codes peuvent être utilisés pour vérifier la correspondance des composants des emballages à plusieurs pièces, tandis que les codes de date/lot intègrent des informations, telles que le contenu, l’origine et la date de fabrication. Dans ces cas, les fabricants s’appuient sur des outils de reconnaissance et de vérification optiques de caractères pour rapidement localiser les produits et les retirer de la production ou des rayons. Les technologies de reconnaissance et de vérification optiques de caractères classiques nécessitent un apprentissage des polices en amont et peuvent avoir du mal à lire les caractères manquant de contraste.

Les technologies de reconnaissance et de vérification optiques de caractères basées sur le Deep Learning sont capables de lire automatiquement les lettres et les chiffres manquant de contraste. En adoptant une technologie basée sur le Deep learning, les fabricants peuvent s’assurer que les aliments sont tenus à jour, conformes aux lois sur la traçabilité et faciliter les rappels avec peu d’impact sur la production.

Reconnaissance optique de caractères (OCR) fondée sur le Deep Learning pour le secteur des sciences de la vie

Une reconnaissance et une vérification optiques de caractères efficaces sont importantes pour le secteur des sciences de la vie, dont le suivi et la traçabilité sont strictement réglementés. Pour rester en conformité, les fabricants et les hôpitaux doivent lire les codes sur le matériel médical, les outils chirurgicaux et les bracelets d’identification des patients à chaque point de manutention et d’utilisation. Cela leur permet de surveiller étroitement le matériel et les produits pharmaceutiques tout au long de la chaîne logistique en cas d’événement lié à la sécurité.

Avec autant d’équipements et de produits à gérer, les codes peuvent se déformer et devenir asymétriques. La qualité d’imagerie peut également être médiocre, modifiant l’apparence du code devant la caméra. Au lieu de passer du temps à apprendre à un système de vision industrielle à reconnaître les polices, le secteur des sciences de la vie a recours à un logiciel d’analyse d’images basé sur le Deep Learning.

Les outils de reconnaissance optique de caractères basés sur le Deep Learning sont faciles à utiliser et efficaces sur les codes imprimés sur des substrats difficiles et sujets aux déformations, tels que les codes marqués par micropercussion sur les pièces métalliques, les caractères gaufrés sur les produits moulés par injection, les codes sur étiquette apposés sur les emballages et les codes gravés au laser sur les composants électroniques. Les technologies de reconnaissance et de vérification optiques de caractères de Cognex Deep Learning reconnaissent immédiatement la plupart des textes alphanumériques et nécessitent uniquement un apprentissage en amont pour définir la zone d’intérêt et la taille de caractère. Le système peut être rapidement réentraîné sur les caractères mal lus sur l’atelier de façon à ce que les fabricants ne ralentissent pas le rythme.

Pour découvrir comment le Deep Learning révolutionne les applications d’automatisation industrielle, telles que la reconnaissance optique de caractères (OCR) et l’OCV, télécharger le livre blanc L’IA pour l’automatisation industrielle.