深度学习

机器视觉挑战

Rules-based algorithm

规则算法难以编写涉及偏差和不可预测缺陷的复杂检查

传统的机器视觉系统在处理一致且制造精良的部件时能够可靠地运行。它们逐步筛选并使用规则算法,这比人工检测更有成本效益。但随着异常和缺陷库的增长,算法会变得越来越难以编程。

由于以下原因,机器视觉系统可以适应部件外观的某些变化:
  • 比例
  • 旋转
  • 位置畸变

除此之外,复杂的表面纹理和图像质量问题还会带来严重的检测挑战。机器视觉系统难以鉴别视觉上相似的部件之间的差异和偏差。影响部件用途的“功能”异常会导致废件,但外观异常可能不会,这取决于制造商的需要和偏好。最大的问题是,传统的机器视觉系统难以区分这些缺陷。

汽车装饰件引线装配 

某些传统的机器视觉检测,例如最终装配验证,因为有许多不易被机器识别的变量,所以编程较困难,例如:
  • 照明
  • 颜色变化
  • 曲面
  • 视野

对于涉及偏差和不可预测缺陷的复杂检查,其可能会过于复杂而无法编程和维护,但深度学习型软件提供了一个理想的选择。

相关产品

欲获悉关于康耐视产品的更多信息:

康耐视特色产品

获取产品支持和培训以及更多

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...