Inspection du tissu d'airbag
L'outil de détection des défauts Cognex Deep Learning inspecte les textiles pour détecter les défauts esthétiques
Produits connexes
Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi
A breakthrough in complex inspection, part location, classification, and OCR
Les airbags sont soumis à de rigoureuses normes de qualité pour garantir la sécurité des passagers. Les constructeurs automobiles doivent effectuer une double, voire une triple vérification de tous les composants critiques pour la sécurité, afin de garantir la qualité, diminuer les coûts de garantie et réduire les risques de rappel. Cela est particulièrement important pour les airbags, dont les trous, les accrocs, les déchirures et les problèmes de couture doivent être détectés afin d'éviter toute défaillance. Ces types de problèmes de qualité passent souvent inaperçus ou sont difficiles à déceler avec une inspection manuelle. La programmation d'une inspection automatique est également difficile avec un système de vision industrielle classique en raison de la surface textile complexe des airbags. Le motif de tissage peut être extrêmement complexe et l'aspect visuel entre les airbags varie considérablement en raison de la nature extensible du tissu, de l'épaisseur du fil et des innombrables petites variations tolérables. Comme la recherche précise de tous les défauts est trop compliquée et fastidieuse, Cognex Deep Learning offre une solution simple pour identifier toutes les anomalies, sans aucun entraînement sur les mauvaises images.
Un ingénieur utilise l'outil de détection de défauts Cognex Deep Learning en mode non supervisé pour entraîner le logiciel sur un ensemble de "bonnes" images d'airbags afin de construire un modèle de référence d'un airbag. Le modèle apprend l'aspect normal du tissu d'un airbag, notamment le motif de tissage, les propriétés du tissu et la couleur. Toutes les caractéristiques qui diffèrent de l'aspect normal du modèle sont définies comme des anomalies. Ainsi, Cognex Deep Learning détecte de façon fiable et constante toutes les anomalies, telles que les trous, les accrocs, les déchirures et les motifs de couture inhabituels. Les zones défectueuses du tissu peuvent être rapidement identifiées et signalées, sans avoir recours à une bibliothèque de défauts étendue.
