Optische Zeichenerkennung auf Gussteilen
Lesen schwieriger Codes auf Motorgussteilen mit Deep-Learning-basierter OCR
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
Der Motor eines Elektrofahrzeugs (EV) befindet sich in einem Druckgussgehäuse, das üblicherweise aus Aluminium besteht. Jedes Gehäuse ist mit einem Kennzeichnungscode markiert, der normalerweise aus erhabenen Buchstaben und Zahlen besteht, die Teil des Gussgehäuses selbst sind. Diese Beschriftung, die aus demselben Material wie das Gehäuse besteht, ist äußerst kontrastarm.
Dieser Kennzeichnungscode ist für die Rückverfolgbarkeit im Montagewerk und über die gesamte Lieferkette unverzichtbar. Alle anderen Aufzeichnungen sind an diese Nummer gebunden. Sie genau zu erkennen ist äußerst wichtig, da jegliche Unklarheit die Linie anhält und eine Verifizierung des Codes durch menschliche Prüfer erfordert. Passiert das mehrmals pro Schicht, entstehen erhebliche Verzögerungen und die Kosten steigen.
Traditionelle regelbasierte OCR-Tools liefern normalerweise Leseraten von bis zu 99 Prozent. Für einige Anwendungen ist das ausreichend, wichtige Anwendungen wie diese erfordern jedoch Leseraten, die so nah wie möglich an 100 Prozent herankommen. Jeder menschliche Eingriff zur manuellen Überschreibung der Ergebnisse eines OCR-Lesefehlers kann den Durchsatz und die Effizienz verringern.
Die Cognex Deep-Learning-Funktionen zum Lesen von Text und Zeichen entziffern verformte, schiefe, beschädigte oder kontrastarme Codes zuverlässig und genau. Sie werden mit Bildsätzen von OCR-Codes mit verschiedenen Winkeln, Beleuchtung, Schäden und anderen Abweichungen trainiert.
