康耐视博客

开始深度学习工厂自动化项目的五个步骤

how to implement a deep learning project

深度学习图像分析为各行各业带来了实现工厂自动化的机会。从检测表面缺陷到分选各种零件、检查最终装配、分级产品质量、或者读取难读的文本,使用深度学习的视觉系统可以处理数不清的新应用。

对于一致且制作精良的零件,传统的或基于“规则的”机器视觉非常可靠,甚至在高精度应用中表现出色。这包括引导、识别、测量和检测,所有这些都能以非常高的速度和精度完成。这种机器视觉非常适合已知变量的应用:即准确知道零件是否存在?这个物体到另一个的准确距离是多少?这个机器人应在哪里固定零件?在可控环境中,装配线上可以轻松部署这些任务。但如果目标’并不是这么准确怎么办?

进入机器视觉深度学习。深度学习使用基于示例的算法和神经网络分析缺陷、定位和分类物体、以及读取打印的标记。使用一组示例让计算机学习什么是合格的图像后,它即可分辨合格零件和缺陷零件的差异,同时考虑到这些预期差异。

深度学习入门 - 基于示例的移动设备 

但是,工厂经理还是犹豫要不要为了新技术’的潜在优势冒险换掉现有的合格流程。如果工厂经理引入了新技术并提高了效率,他们会得到奖励。如果他们引入了新技术后导致生产线停机,则会招致无数负面影响。

五个步骤实施深度学习

但是,成功地将深度学习实施到自动化策略中可以节省成本,改进效率低下的内部流程,使复杂的检查应用自动化(这是基于规则的视觉工具无法实现的),并有助于提高吞吐量。 

下面是您部署第一个深度学习试点项目时应考虑的五个方面: 

  1. 设定合适的预期
  2. 理解深度学习的投资回报率
  3. 了解您的资源计划和需求
  4. 先从初步的小试点项目开始
  5. 使用分阶段的项目方式

下面的详细指导可以帮助初次接触深度学习的工厂和制造商避免成本高昂的步骤错误和停机,同时让整个组织了解技术’的巨大优势。如果做得好,第一个项目成功将会引起更雄心勃勃的战略部署。

要了解关于这五个步骤的更多信息,请下载免费指南 “深度学习工厂自动化项目入门指南。

更多帖子

欲获悉有关康耐视产品的更多信息:

获得更多产品支持与培训

加入MYCOGNEX

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

联系我们
Loading...