USB-Anschlussprüfung
Funktionsfähigkeit von USB-C-Anschlüsse sicherstellen
Ähnliche Produkte
Ausgestattet mit der In-Sight ViDi Deep-Learning-basierten Bildverarbeitungssoftware
Grafische Programmierumgebung für Deep Learning-basierte industrielle Bildanalyse
USB-Stecker vom Typ C ersetzen zunehmend verschiedene bestehende USB-Typen sowie andere Steckverbinder für Strom und Datentransfer. Sie sind klein und müssen nach strengen Spezifikationen gefertigt werden. USB-C-Stecker können eine viel höhere Leistung als frühere USB-Modelle bewältigen. Sie sind aber auch kleiner und haben dünnere Wände. Dadurch werden sie während der Fertigung leichter beschädigt. Bei Defekten besteht eine größere Gefahr, dass elektrische Probleme auftreten. Es kann sogar Brandgefahr bestehen.
Bevor ein Steckverbinder über eine geformte Halterung am Kabel befestigt wird, müssen alle Seiten auf Defekte geprüft werden. Es sind insgesamt sieben Seiten, einschließlich der Innenseite. Mögliche Fehler sind Kratzer, Druckstellen, Verformungen an verschiedenen Stellen, Staub, innere Kratzer und überschüssiger Kleber. Viele dieser Defekte sind bei den für die Prüfung notwendigen Geschwindigkeiten und Mengen schwer zu erkennen. Sogar kleine Fehler am Steckverbinder können sich auf die Qualität der elektrischen Verbindung, den festen Sitz des Steckers in der Buchse und seine mühelose Entfernung auswirken. Diese USB-Stecker müssen die gesamte Lebensdauer des Telefons halten.
Aktuelle Defekterkennungsverfahren werden von menschlichen Prüfern mit Mikroskopen oder von auf herkömmlicher regelbasierter Bildverarbeitung basierenden AOI-Geräten durchgeführt, bei denen Bediener*innen erfasste Bilder auf einem Monitor sehen.
Eine Kombination aus Defekterkennungs- und Klassifizierungstools von Cognex Deep Learning kann die USB-C-Anschlussprüfung deutlich verbessern. Das Defekterkennungstool wird anhand eines Satzes von gekennzeichneten Bildern trainiert, die Beispiele von guten und schlechten Steckverbindern liefern. Anschließend erkennt und markiert es Abweichungen, während es Steckverbinder mit kleinen kosmetischen Spuren, welche die Funktion nicht beeinträchtigen, weiterleitet.
Das Klassifizierungstool wird anhand vieler funktionell signifikanter Abweichungen im Aussehen und optischer Abweichungen, die keine funktionellen Auswirkungen haben, trainiert. Es erhöht die Erkennungsgenauigkeit und liefert gleichzeitig Informationen über wiederkehrende Fehler. Dies trägt zur Erkennung von möglichen Leistungsproblemen vorgeschalteter Maschinen bei und unterstützt eine kontinuierliche Prozessverbesserung.
