Inspección de anillo de pistón
La herramienta Cognex Deep Learning de detección de defectos simplifica la detección y caracterización automatizadas en superficies metálicas con textura
Productos relacionados
Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi
A breakthrough in complex inspection, part location, classification, and OCR
Los anillos de compresión del pistón cumplen varias funciones en un motor alternativo, sellando la cámara de combustión y regulando el consumo de combustible. Es difícil detectar los defectos en un anillo de compresión debido a la superficie metálica reflejante del pistón. La forma cilíndrica del pistón hace que, a veces, las imágenes sean borrosas o estén fuera de foco. Se prevén variaciones normales en la textura de la superficie metálica como parte del proceso de fabricación, y se permiten algunas para aprobar la inspección, por ejemplo, manchas de óxido, áreas blancas e incluso grietas y fisuras en la superficie. Sin embargo, los rayones extensos que afectan el rendimiento del pistón y amenazan los niveles de compresión del cilindro son indicaciones de defectos verdaderos. Un sistema de inspección debe ser capaz de tolerar variaciones normales y anomalías insignificantes en las superficies de los anillos de compresión e identificar los rayones extensos.
La programación de una inspección de esta complejidad en un algoritmo basado en reglas requeriría de bibliotecas de defectos complejos. La inspección humana, si bien es más flexible, sería demasiado lenta. Cognex Deep Learning ofrece una solución de inspección eficaz combinando la capacidad humana para percibir las pequeñas variaciones con la confiabilidad, consistencia y velocidad de un sistema automatizado. Con la herramienta de detección de defectos de aprendizaje profundo de Cognex en modo supervisado, un ingeniero entrena el software basado en aprendizaje profundo en un conjunto representativo de imágenes de anillo de compresión conocidas como "buenas" y "malas". El usuario define las imágenes “malas” de las partes donde hay rayones y las imágenes “buenas” con variaciones normales y defectos tolerables, incluidas las manchas de óxido y las pequeñas grietas. En función de estas imágenes, Cognex Deep Learning aprende la forma natural del pistón y la textura de la superficie, así como la apariencia normal de los rasguños. Durante la prueba de validación se pueden agregar imágenes al conjunto definido de ellas con el fin de incluir más ejemplos para optimizar el sistema. Los parámetros pueden ajustarse continuamente durante la etapa de entrenamiento o programación y el período de validación hasta que el modelo programado detecte y segmente correctamente todas las imágenes de rayones extensos. Durante el tiempo de ejecución, el software califica como defectuosas las imágenes con rayones extensos, habiendo aprendido a reconocer e ignorar las variaciones irrelevantes.
