Inspección de materiales de interfaz térmica
Asegure que los materiales de interfaz térmica estén aplicados correctamente gracias a las soluciones de Deep Learning
Productos relacionados
Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi
Entorno de programación gráfica para análisis de imágenes industriales basado en el Deep Learning
Las baterías pueden generar mucho calor, por lo que es necesario retirarlas para evitar que se dañen o que su rendimiento disminuya de forma prematura. Los materiales de interfaz térmica (TIM) se utilizan para conducir el calor lejos de la batería. Muchos TIM cumplen al mismo tiempo la función igualmente importante de aislamiento eléctrico.
Los TIM deben aplicarse con precisión y con un estrecho contacto entre los sustratos. Una amplia variedad de defectos, incluyendo burbujas de aire, adhesión deficiente e inclusiones, pueden reducir tanto la conducción térmica como el aislamiento eléctrico. La inspección visual debe identificar una amplia variedad de posibles imperfecciones en la instalación y la aplicación, que con frecuencia implican el uso de materiales con un contraste de color deficiente. Una vez que el montaje de la batería pasa al siguiente paso, los TIM se ocultan de forma permanente y no están disponibles para una inspección posterior. Los errores en esta etapa pueden dar lugar a problemas difíciles de diagnosticar en el futuro.
Aunque la visión artificial basada en reglas puede detectar con precisión problemas previstos con los rebordes, las hendiduras, el ancho de la instalación y otras características comunes, el Deep Learning de Cognex aprende a detectar una gama considerablemente más amplia de problemas de instalación con cada tipo de TIM. Si una batería fallara más adelante, su modo de fallo puede vincularse a una imagen almacenada específica del TIM, y el modelo de entrenamiento de Deep Learning puede refinarse todavía más para detectar estos nuevos errores.
