Oberflächenprüfung von Kameramodulen
Sicherstellen, dass Kameraobjektive von Telefonen frei von Oberflächenfehlern sind
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Vision-Software
Ein völlig neuer Ansatz bei komplexen Prüfungen, Teilelokalisierung, Klassifikation und OCR
Ein Kameraobjektiv muss vor dem Einbau frei von Fasern, Kratzern, Schlieren, Fingerabdrücken, Staub oder anderen Fremdkörpern sein. Nach dem Einbau muss es erneut geprüft werden, um sicherzustellen, dass keine Verunreinigungen oder Schäden während des Einbaus aufgetreten sind.
Kratzer können überall auf dem Objektiv in verschiedenen Ausrichtungen auftreten. Verunreinigungen können hinsichtlich Aussehen und Lage stark variieren. Reflexionen vom Objektiv können herkömmliche industrielle Bildverarbeitung irritieren und gleichzeitig verschiedene Mängel verdecken. Neben all diesen möglichen Problemen führt die Transparenz des Objektivs selbst dazu, dass gebrochene Bilder von darunter befindlichen Objekten einen störenden Hintergrund bilden können. Herkömmliche industrielle Bildverarbeitung kann nicht so programmiert werden, dass sie die vielen verschiedenen Fehler vor dem irritierenden und mehrdeutigen Hintergrund erkennt, sodass oft zusätzliche manuelle Prüfungen erforderlich sind. Da Oberflächenfehler viele unvorhersehbare Abweichungen umfassen können, bieten Deep-Learning-Prüfungen die robusteste Prüflösung.
Das Deep-Learning-Defekterkennungstool von Cognex wird anhand von Bildern vielfältiger fehlerfreier sowie fehlerhafter Objektive geschult, um die ganze Vielfalt normaler Teile zu lernen. Nach dem Scannen einer Reihe von Objektiven analysiert und markiert es alle, die außerhalb des zulässigen Bereichs liegen, und minimiert gleichzeitig falsch-positive Ergebnisse.
Wenn sich künftige Objektivmodelle ändern, kann das Defekterkennungstool schnell anhand eines Bildsatzes trainiert werden, um die Prüfung des neuen Objektivs mit minimaler Verzögerung schnell zu beginnen. Das Deep-Learning-Klassifizierungstool von Cognex kann nach der Fehlererkennung verwendet werden, um zwischen nachbearbeiteten Fehlern wie zum Beispiel Fingerabdrücken oder Staub zu unterscheiden und erheblichere Mängel zu erkennen, die eine Korrekturmaßnahme erfordern.
