Inspektion der Zylinder
Das Cognex Deep Learning Defekterkennungs-Tool erfasst zuverlässig Poren im Metall
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Ein völlig neuer Ansatz bei komplexen Prüfungen, Teilelokalisierung, Klassifikation und OCR
Der Zylinderblock ist das Herzstück eines Automobilmotors. Seine breiten Zylinder sind die wichtigsten beweglichen Bauteile eines Kolbenmotors. Ihre Funktion ist es, die sich unter Druck abwärts- und aufwärts bewegenden Kolben in Position zu halten. Die Zylinder sind normalerweise aus Gussmetall gefertigt und bisweilen mit einer Gleitbeschichtung ausgekleidet. Die Zylinderwände müssen langlebig sein, da sie mit den Druckringen eines Kolbens in Berührung kommen. Kleine Unregelmäßigkeiten im Metall des Zylinders, die im Laufe des mechanischen Verschleißes abgetragen werden, sind akzeptabel, nicht jedoch unter der Bezeichnung "Poren" bekannte Blasen. Die Inspektion dieser Fehler ist besonders anspruchsvoll, da die Oberfläche eines Zylinders rau ist und die Bilder an den Kanten aufgrund der Feldtiefe verschwommen erscheinen. Darüber hinaus wird die Inspektion durch Spiegel- oder Blendeffekte auf der lichtreflektierenden Oberfläche des Zylinders weiter erschwert. Die Programmierung einer automatischen Prüfung, die so viele verschieden kleine Abweichungen der Faktoren Größe und Lokalisierung der Merkmale sowie Blendeffekte und Verschwommenheit toleriert, ist schwierig.
Cognex Deep Learning identifiziert Poren schnell, während sich die Prüfung unter den gleichen Lichtverhältnissen mit anderen Methoden als problematisch erweist. Die Software lässt sich innerhalb von Minuten mit einer repräsentativen Auswahl an als "In Ordnung" und "Nicht in Ordnung" eingestuften Bildern eines Zylinders von einem Ingenieur einlernen, der den Zielbereich mit einem Ausblendfilter einstellt, um die helle Scheibe negativen Raums in der Welle zu beseitigen. Ein Techniker kommentiert Defekterkennungs-Tool im Überwachungsmodus die Poren auf den als "Nicht in Ordnung" eingestuften Bildern und stellt die Parameter wie Merkmalgröße, Skalierung, Bildseitenverhältnis und Scherung ein, um dem Modell zu ermöglichen, Abweichungen des Erscheinungsbildes zu erfassen. Die Software wird mit als “In Ordnung” eingestuften Bildern normaler Zylinder darauf eingelernt, welche Arten kleinerer gussbedingter Anomalien und Abweichungen zulässig sind. Der Ingenieur kann das System über die Einstellung der Parameter und zusätzliche Bilder neu einlernen, bis das Modell in der Lage ist, das normale Erscheinungsbild eines Zylinders zu verallgemeinern und die Anomalien zu erkennen. Während der Laufzeit kontrolliert die Deep-Learning basierte Software jedes Bild innerhalb von Millisekunden, um Bilder mit Poren als defekt und alle anderen als normal einzuordnen.
