易于使用的人工智能解决一系列分类应用问题

玻璃瓶检验应用的 In-Sight 2800 视觉系统

生物大脑应用的 In-Sight 2800 视觉系统在各行各业中,生产线和自动化工程师知道使用精巧的机器视觉技术有如下好处:替代人工检验员、加快检验速度、提高准确性,同时管控产品和材料的变动。他们对机器学习、深度学习、人工智能和其他看似与其日常工作职责不相关的概念也有早有耳闻。

而快速、准确的传统机器视觉技术需要大量编程工作,以及操作图像工具完成某项工作的能力,比如将一种工具的输出作为其他工具的输入,以获取所需的最终结果,这被称为级联过程。 

In-Sight 2800 视觉系统采用边缘学习技术,省去了这一繁琐的过程,它将强大的人工智能和精巧的机器视觉带入了工厂车间,而且完全不需要具备人工智能或机器视觉工具的相关知识。

功能强大而不复杂的人工智能技术

边缘学习是人工智能的一个子集,使用一组经过预训练的算法直接在设备或“边缘”上进行处理。边缘学习可用于目前采用传统视觉摄像机,或仍依赖于人工检验的多种行业应用。In-Sight 2800 部署这一技术来识别和分类细微而又重要的缺陷,而此前的经验证明,即便是精巧的传统机器学习工具也做不到这一点。

该分类方式对工艺改进具有额外、长期的好处。某些边缘学习工具经过训练后可以按任意数量的类别进行产品缺陷分类,因此可告知哪些错误类型变得更为普遍,并有可能指出生产线的某台机器慢慢偏离其技术规格。然后可以在这台机器开始出现严重错误或完全停止工作之前进行调整,或将其轮换掉。

下载边缘深度学习白皮书

汽车应用

注塑电子接插件在现代汽车中无处不在,它们给大量元器件输送电力和信号。接插件简化了接线,让维护和维修期间的元器件分离和拆卸工作变得更加简单。

接插件必须完全、准确扣合在一起,以确保电气连接的长期性。在零件或车辆进入生产的下一步之前,还必须对电气连接加以确认。这一过程说起来简单,做起来很难。接插件以夹持、扣合等方式接合在一起。此外,接插件含有黑色或深色塑料,这使得难以发现其细节,通常需要用检测摄像机在不同角度下才能看到。

In-Sight 2800 视觉系统采用边缘学习技术,可以用几组含有好坏连接的带标签图片进行训练,然后就能快速将接插件分为“OK”或“NG”类别。如果推出了新的接插件设计,可以通过生产线上的现有新示例,重新训练边缘学习工具。



电子器件应用

许多印刷电路板 (PCB) 含有指示状态的 LED 指示灯。在某个应用示例中,可能需要识别哪些指示灯显示电源 (PWR) 状态、传输 (TX) 状态或关闭状态。考虑到 LED 光线昏暗、布置距离近以及易混淆的显示背景,传统的机器视觉有时候难以区分指示灯的状态。

对于传统机器视觉,通常利用像素计数工具进行决策。这需要设置具体位置在各种条件下的亮度阈值,这个过程需要具备高级机器视觉编程经验。

In-Sight 2800 内嵌工具等边缘学习工具可以用几组带标签的 OFF、PWR 和 TX 状态图片进行训练,或根据需要直接通过摄像机进行训练。在经过简短训练之后,这些工具就可以按照这三种状态,对 PCB 进行可靠地分类和排序。

医疗/制药应用

在某些医疗和制药应用中,玻璃瓶自动按预定高度灌装药物。在加盖之前,必须确认灌装高度在合理容差范围内。玻璃瓶的透明和反射性质,再加上其内容物,导致传统机器视觉难以一致地检出灌装高度。

边缘学习可识别图片中指示灌装高度的关键部位,忽略由图片反射、折射或其他干扰性变化产生的混淆。灌装太高或太低都会遭到拒收,只有在容差范围内才会通过。

包装应用

在生产线中,瓶装软饮料和果汁灌装后用螺口盖或闭塞物密封。如果旋转盖螺纹错位或在拧盖过程中损坏,就会产生间隙,这可能造成污染或漏液。

玻璃瓶灌装和加盖生产线高速运转。正确密封的瓶盖很容易确认,而导致瓶盖未充分拧紧的细微之处有很多。不管是速度,还是瓶盖几乎密封而又未完全封死的各种方式,这都给传统的机器视觉带来了一大挑战。

您可以让 In-Sight 2800 边缘学习工具识别一组标为合格的图片,以及一组显示瓶盖有微小裂缝但人眼几乎无法察觉的图片。然后这种工具就可以按生产线速度将完全密封的瓶盖归类为“OK”,将其他所有瓶盖归类为“NG”。这种技术大大减小了通过的缺陷率,同时造价不贵,易于使用。

侧置式 In-Sight 2800 视觉系统检测水瓶盖密封情况

轻松解决棘手的工厂自动化问题的解决方案

In-Sight 2800 视觉系统采用边缘学习技术,在设计之初就考虑了解决棘手的工厂自动化问题。这一系统功能强大,易于使用,目前已迅速成为任何生产线的必备工具。

下载 In-Sight 2800 数据表

更多帖子

获取产品支持和培训以及更多

加入 MyCognex