• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

Komplexe und anspruchsvolle Codes unter allen Bedingungen mit Deep-Learning-basierter OCR lesen

Deep learning ocr tool

Stellen Sie sich vor, wie viel Zeit ein vorab trainiertes Tool mit optischer Zeichenerkennung (OCR) und -überprüfung (OCV) spart. Dieses Tool würde sofort funktionieren und im Voraus kein mühsames Training erfordern. Und sollte eine unkenntliche Schrift auftauchen, wahrscheinlich auf Grund von spiegelndem Glanz, schlechtem Ätzen oder anderen Ursachen einer Verformung, könnte das Tool auf Werksebene und nur für die problematischen, falsch gelesenen Zeichen neu trainiert werden. Das versprechen Deep-Learning-basierte OCR- und OCV-Tools, die auf einer vorab trainierten Omni-Schriftenbibliothek basieren und nur für anwendungsspezifische Schriften trainiert werden müssen.

Einheitliche, leicht lesbare Schriften vor einem hellen oder dunklen Hintergrund können mit herkömmlicher industrieller Bildverarbeitung gut bewältigt werden. Aber wenn störender Hintergrund und Bildgebungsprobleme den Vision-Systemen Schwierigkeiten bereiten und die Anzahl und Art der anwendungsspezifischen Schriften nicht vorhersehbar sind, brauchen die Hersteller eine neue, spezielle OCR-Lösung. Stark verformte, schiefe und schlecht geätzte Codes sind die häufigsten Verursacher. Andere schwierige Codes beinhalten kontrastarme Zeichen oder Codes, die auf einen störenden Hintergrund gedruckt, geätzt, gepunktet oder geprägt sind.

Sehen wir uns an, wie Deep-Learning-basierte Software eine radikal einfache, genaue Alternative zu diesen komplexen OCR-/OCV-Prüfanwendungen bietet.

Deep-Learning-OCR für die Automobilindustrie

Automobilhersteller und Lieferanten für Fahrzeugteile verwenden Seriennummern, um hochwertige Teile durch die Lieferkette zu verfolgen und sicherzustellen, dass sie mit den richtigen Baugruppen kombiniert werden. Viele Teile enthalten zehnstellige nadelgeprägte Seriennummern, damit beim Auftreten von Fehlern deren Herkunft zurückverfolgt werden kann.

OCR an einem Motorblock

Im Falle eines Rückrufs können betroffene Teile schnell vom Markt genommen werden. Zusätzlich zu den üblichen Lesbarkeitsproblemen — Teile der Seriennummern können zum Beispiel während der Gieß- oder Schleifverfahren abgerieben werden — können blendende Metalloberflächen manchmal die Kamera in einem automatisierten Prüfsystem irritieren. Wenn nadelgeprägte Seriennummern stark verformt und unlesbar werden, verlangsamt dies die OCR- und OCV-Prozesse und könnte eine effiziente Rückverfolgbarkeit erschweren.

Deep-Learning-basierte OCR-/OCV-Tools sind auf diese Herausforderungen perfekt zugeschnitten, da sie auf vorab trainierten Omni-Schriftenbibliotheken beruhen, um selbst schwer zu lesende Codes sofort erkennen zu können. Cognex Deep Learning benötigt nur anwendungsspezifische Einstellungen, das bedeutet, dass nicht ein Algorithmus trainiert werden muss, um die einzelnen Zeichen oder Zahlen eines Codes zu identifizieren, sondern ein Schulungsingenieur — kein Bildverarbeitungsexperte — einfach den Zielbereich (normalerweise den Bereich mit den falsch gelesenen Zeichen) festlegt, die Zeichengröße einstellt und das Bild kennzeichnet. Falsch gelesene Zeichen oder anwendungsspezifische Schriftarten können auf Werksebene leicht neu trainiert werden.

Deep-Learning-OCR für die Elektronikindustrie

Lasergeätzte Codes auf Elektronikbauteilen wie Gehäusen integrierter Schaltungen (IC) und Lead-Frames sind wichtige Merkmale für alle Hersteller von elektronischer Hardware. Diese Barcodes und Seriennummern enthalten Informationen darüber, wann und wo Teile hergestellt wurden, ihre Chargennummern und Prüfdaten. Sie können auch Angaben über die Löttemperatur und Flussdichte verschlüsseln — wichtige Informationen, wenn Bauteile auf Chips aufgebracht und zu Modulen verbaut werden.

OCR auf einer Leiterplatte.

Diese Codes werden auf jeder Wertschöpfungsstufe bis zur Endmontage und Geräteprüfung gelesen, um sicherzustellen, dass die Hardware korrekt montiert wird und die richtigen Komponenten enthält. Angesichts der geringen Größe der meisten Halbleiter und der räumlichen Konstruktionsgrenzen auf einer Leiterplatte muss das Identifikationssystem eines Herstellers ziemlich robust sein, damit die Produktion auf Hochtouren laufen und hochwertige Komponenten nachverfolgt werden können. Dies gilt auch für Hersteller von Fertigerzeugnissen, die routinemäßig lasergravierte Codes an der Seite von Schreib-Lese-Köpfen lesen müssen, die nur 1,1 mm x 1,4 mm groß sind. Es ist leicht nachvollziehbar, dass lasermarkierte Codes während der Herstellung beschädigt werden und dadurch schwer zu dekodieren sein können.

In solchen Situationen bietet die Deep-Learning-basierte OCR-/OCV-Technologie eine sofort einsetzbare Lösung. Dabei überspringt sie stundenlanges, mühsames Training dank einer vorab trainierten Omni-Schriftenbibliothek, die sogar verformte und schiefe Zeichen erkennt. Ein Techniker kann schnell anwendungsspezifische Anpassungen machen und falsch gelesene Codes neu trainieren. Produktivitätsvorteile stellen sich sofort ein, da Lesefehler zurückgehen und Maschinenlaufzeiten maximiert werden.

Deep-Learning-OCR für die Verpackungsindustrie

Hersteller müssen zuverlässige Systeme zur Verfügung haben, um den Informationspfad zu erkennen und zu überprüfen, der alle verpackten Waren durch die Lieferkette begleitet. Hersteller von Lebensmitteln und Getränken sowie Konsumgütern sind bei ihren Bemühungen, die vollständige Rückverfolgbarkeit von Verpackungen sicherzustellen, manchmal mit anspruchsvollen Codes konfrontiert.

 OCR auf einer Aluminiumdose

Die üblichen Verdächtigen sind entweder kontrastarme Zeichen, die auf Etiketten gedruckt sind, oder verformte, geprägte Zeichen auf Spritzgussteilen, wie bei einem Flaschenverschluss. Die Codes können für die Übereinstimmung mehrteiliger Verpackungen eingesetzt werden oder umfassen im wahrscheinlicheren Fall Datums- und Chargencodes, die Angaben über den Inhalt, die Herkunft und das Herstellungsdatum beinhalten. In diesen Fällen stützen sich Hersteller auf OCR-/OCV-Geräte, um betroffene Produkte schnell zu lokalisieren und sie aus der Produktion oder den Regalen zu nehmen. Herkömmliche OCR-/OCV-Technologie benötigt im Voraus ein Training, um verschiedene Schriften zu erlernen, und kann selbst dann Probleme damit haben, kontrastarme Zeichen zu dekodieren.

Die Deep-Learning-basierte OCR-/OCV-Technologie weist keine solchen Einschränkungen auf und kann äußerst kontrastarme Buchstaben und Zahlen automatisch lesen. Hersteller können durch Nutzung von Deep-Learning-basierter Technologie mit den Gesetzen zur Lebensmittelsicherheit und Rückverfolgbarkeit Schritt halten und Rückrufe mit minimalen Auswirkungen auf ihre Produktion durchführen.

Deep-Learning-OCR für die Life-Science-Industrie

Eine effiziente OCR und OCV ist für die Life-Science-Branche mit ihren streng geregelten Track-and-Trace-Gesetzen wichtig. Um die Anforderungen einzuhalten, müssen Hersteller ebenso wie Krankenhäuser die Codes auf medizinischen Geräten, chirurgischen Instrumenten und ID-Armbändern von Krankenhauspatienten an jedem Handhabungs- und Einsatzort scannen können. Damit haben sie im Falle eines Sicherheitsrisikos eine direkte Kontrolle über die Geräte und Pharmazeutika in der gesamten Lieferkette.

Deep-Learning-OCR für die Life-Science-Industrie

Codes können verformt und schief werden, wenn so viele Geräte und Menschen die Produkte berühren. Auch die Bildqualität kann suboptimal sein, indem sie das Aussehen des Codes für die Kamera verändert. Anstatt Zeit in das Training eines Bildverarbeitungssystems zu investieren, damit es die Vielzahl an wahrscheinlich auftretenden Schriften erkennt, wendet sich die Life-Science-Industrie der Deep-Learning-basierten Bildanalyse-Software zu, damit diese die Arbeit für sie erledigt.

Deep-Learning-basierte OCR-Tools lassen sich effizient und leicht bei Codes einsetzen, die auf schwierige Substrate gedruckt und anfällig für Verformungen sind, wie z. B. nadelgeprägte Codes auf Metallteilen, geprägte Zeichen auf Spritzgussprodukten, etikettenbasierte Codes auf Verpackungen und lasergeätzte Codes auf Elektronikbauteilen. Die OCR-/OCV-Technologie von Cognex Deep Learning erkennt fast jeden alphanumerischen Text sofort und benötigt nur ein kurzes Training im Voraus, um den Zielbereich und die Zeichengröße einzustellen. Das System kann falsch gelesene Zeichen auf Werksebene schnell neu trainieren, damit den Herstellern nichts entgeht.

Laden Sie das kostenlose Whitepaper Deep Learning für die automatische Fertigung herunter, um zu erfahren, wie Deep Learning Anwendungen wie OCR und OCV revolutioniert:

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex

SIE HABEN EINE FRAGE?

Cognex is weltweit vertreten, um Sie bei Ihren Vision- und Barcode-Anwendungen zu unterstützen.

Kontakt
Loading...