Inspection des cylindres
L'outil de détection des défauts Cognex Deep Learning détecte de manière fiable les pores dans le métal
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
Le bloc-cylindres est la base d'un moteur automobile. Ses gros cylindres sont les principales pièces actives d'un moteur à piston, conçus pour maintenir les pistons lorsqu'ils montent et descendent sous l'effet de la compression. Les cylindres sont normalement en fonte et parfois chemisés dans un revêtement lubrifiant. Les parois des cylindres doivent être durables, car ils sont en contact avec les segments de compression d'un piston. Le cylindre peut tolérer de petites irrégularités dans le métal, qui sont aplanies lors de l'usure mécanique, mais ne doit pas contenir de bulles, ou pores. Ces défauts sont particulièrement difficiles à inspecter, car la surface d'un cylindre est irrégulière, et les images apparaissent floues autour des bords en raison de la profondeur de champ. L'éclairage ou réflexion spéculaire sur la surface réfléchissante du cylindre complique également l'inspection. Il est difficile de programmer une inspection automatique qui tolère autant de petites variations de positionnement et de forme des caractéristiques, ainsi que le reflet et le flou.
Cognex Deep Learning identifie rapidement les pores alors que les autres méthodes ont du mal à les inspecter dans les même conditions d'éclairage. Un ingénieur peut entraîner le logiciel, en quelques minutes, sur une série représentative de bonnes et mauvaises images de cylindres, en ajustant la zone d'intérêt à l'aide d'un filtre de masquage pour éliminer le disque lumineux de l'espace négatif dans l'arbre. En utilisant l'outil de détection des défauts en mode supervisé, un technicien annote les pores des images étiquetées comme "mauvaises" et ajuste les paramètres, y compris la taille des éléments, l'échelle, le rapport d'aspect et le cisaillement pour aider le modèle à tenir compte des variations d'apparence. Les bonnes images qui représentent les cylindres normaux aident le logiciel à apprendre les types de variations et d'anomalies de moulage mineures qui sont tolérables. L'ingénieur peut réentraîner le système, en ajustant les paramètres et en ajoutant des images supplémentaires, jusqu'à ce que le modèle puisse généraliser l'aspect normal d'un cylindre et identifie les anomalies. Lors de l'exécution, le logiciel basé sur le deep learning inspecte chaque image en quelques millisecondes, définissant celles présentant des pores comme défectueuses et le reste comme normal.
