Oberflächenprüfung von Kameramodulen
Sicherstellen, dass Kameraobjektive frei von Oberflächenfehlern sind
Zugehörige Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Vision-Software
Ein völlig neuer Ansatz bei komplexen Prüfungen, Teilelokalisierung, Klassifikation und OCR
Bevor ein Kameramodul in ein mobiles Gerät eingebaut wird, muss seine Oberfläche geprüft werden, um sicherzustellen, dass sich keine Fremdkörper, Kratzer, Schlieren oder Staub auf dem Objektiv befinden.
Das Aussehen der verschiedenen Fehler kann stark variieren. Eine Verschmutzung durch einen Fingerabdruck sieht ganz anders als Staubpartikel unter der Objektivbeschichtung aus, und beide haben keine Ähnlichkeit mit einem Kratzer auf der Glasoberfläche. Außerdem können die spiegelnde Oberfläche des Objektivs und die gebrochenen Bilder von Teilen unter dem Objektiv wie unerwünschte Anomalien aussehen, obwohl sie es natürlich nicht sind. Die Unterscheidung dieser Hintergrundanomalien von echten Fehlern erfordert oft eine manuelle Prüfung, die langsam, kostspielig und uneinheitlich ist. Herkömmliche regelbasierte Bildverarbeitungssysteme können nicht einfach programmiert werden, um eine so große Spannweite von Fehlern konsistent zu identifizieren.
Das Deep-Learning-Defekterkennungstool von Cognex wird anhand von Bildern vielfältiger fehlerfreier Objektive geschult, um die ganze Vielfalt normaler Teile zu lernen. Im nicht überwachten Modus scannt es dann eine Abfolge von Objektiven und markiert alle, die außerhalb des annehmbaren Bereichs liegen, während es falsch-positive Ergebnisse minimiert.
Mängel an Objektiven haben häufig Merkmale, die durch bestimmte Ursachen bedingt sind, wie zum Beispiel eine Verunreinigung durch Staub oder andere Partikel, Schlieren durch Öl oder Fingerabdrücke und eine fehlerhafte Ausrichtung interner Komponenten. Benutzer, die bestimmte Fehler erkennen oder die Größe der Fehler genau messen müssen, können den überwachten Modus verwenden. In diesem Modus trainiert der Benutzer das System anhand einer Kombination aus guten und schlechten Teilen, wobei er die Fehlerregionen eigens hervorhebt und diese mit der Art des Mangels kennzeichnet: Kratzer, Fleck, Verunreinigung oder andere.
Diese Kenntnisse können für die vorgelagerte Prozesskontrolle verwendet werden. Eine bestimmte Art von Kratzern kann durch eine falsch ausgerichtete Maschine verursacht werden oder eine Faser kann sich durch einen zu schwachen Luftstrom in einem Fertigungsprozess ablagern. Hersteller können durch Erkennung der Problemursache schnell Korrekturmaßnahmen ergreifen und die Herstellung mehrerer schlechter Teile minimieren.
