Inspección de cilindros

La herramienta de detección de defectos de Cognex Deep Learning detecta de manera confiable los poros en el metal

Cylinder block inspection pass

Productos relacionados

In-Sight D900

In-Sight D900

Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi

ViDi software with all defect detection tools

VisionPro Deep Learning

A breakthrough in complex inspection, part location, classification, and OCR

El bloque de cilindros es la base de un motor de automóvil. Sus grandes cilindros son las principales piezas activas de un motor de funcionamiento alternativo, creado para sostener los pistones a medida que se llenan y vacían bajo compresión. Por lo general, los cilindros son de metal fundido y a veces están revestidos o “envueltos” con una capa lubricante. Las paredes del cilindro deben ser duraderas ya que están en contacto con los anillos de compresión del pistón. El cilindro puede tolerar pequeñas irregularidades en sus metales, las que pueden uniformarse durante el desgaste mecánico, pero no debe contener burbujas en el metal conocidas como “poros.” Estos defectos con especialmente difíciles de inspeccionar dado que la superficie del cilindro es áspera y las imágenes aparecen borrosas alrededor de los bordes debido a la profundidad de campo. La iluminación especular o el brillo en la superficie reflejante del cilindro también complican la inspección. Es difícil programar una inspección automatizada que tolere tantas pequeñas variaciones en la forma y ubicación de la característica, así como el brillo y la borrosidad.

Cognex Deep Learning identifica rápidamente los poros cuando a otros métodos les cuesta inspeccionar con las mismas condiciones de iluminación. En cuestión de minutos, el usuario puede entrenar o programar el software para un conjunto representativo de imágenes “buenas” y “malas” de un cilindro, ajustando el área de interés con un filtro de enmascaramiento para eliminar el disco brillante de espacio negativo en el eje. Usando la herramienta de detección de defectos en modo supervisado, un técnico anota los poros en las imágenes etiquetadas como "malas" y ajusta los parámetros, incluidos el tamaño de la característica, la escala, la relación de aspecto y el corte para ayudar al modelo a tener en cuenta las variaciones en la apariencia. Las imágenes “buenas” que describen cilindros normales ayudan al software a aprender qué tipos de pequeñas anomalías de fundición y variaciones son tolerables. El usuario puede volver a adaptar el sistema, ajustando los parámetros y agregando imágenes adicionales hasta que el modelo pueda generalizar la apariencia normal de un cilindro y reconocer las anormalidades. Durante la ejecución, el software basado en el aprendizaje profundo inspecciona cada imagen en milisegundos y clasifica aquellas con poros como defectuosas y al resto como normal.

Cylinder_ViDi

 

Descargar la guía de aplicaciones automotrices de aprendizaje profundo
Productos destacados de Cognex

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex