Détection des défauts esthétiques

Détection des défauts sur les surfaces d'emballage difficiles

Cosmetic Defect Inspection

Produits connexes

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning

L'un des principaux défis de la détection des défauts esthétiques ou de surface sur les biens de consommation conditionnés est le fait qu'ils sont dynamiques et souvent causés par le processus de formation. Les défauts types, tels que les coups, les rayures ou les taches, peuvent être indiscernables sur la surface texturée d'une pièce au début de la production. Ces défauts deviennent visibles uniquement dans des conditions d'éclairage spécifiques ultérieurement dans le processus de production. Le coût des faux rejets peut être aussi élevé que celui de la détection tardive des défauts. Cette inspection est particulièrement importante dans les secteurs réglementés, où un emballage de mauvaise qualité peut entraîner des rappels de produits ou des réclamations de la part des clients.

La technologie de vision classique passe souvent à côté des défauts esthétiques complexes, notamment les bulles sur les étiquettes, la dégradation des couleurs, les rayures, les fissures, la surimpression, le suremballage ainsi que le sous-emballage. Ces types de défauts ou variations imprévisibles sont facilement repérés par les inspecteurs humains, mais ils s'avèrent difficiles à programmer avec les algorithmes de vision industrielle basés sur les règles.

Le logiciel d'analyse d'images basé sur le Deep Learning de Cognex détecte les défauts esthétiques sur les surfaces métalliques texturées et rugueuses de façon aussi fiable que les inspecteurs humains, mais avec la vitesse d'un système informatisé. L'outil de détection des défauts repère les défauts sur les matériaux rugueux avec un éclairage standard, même lorsque la qualité de l'image est mauvaise, en formant un modèle fiable de la forme et de la texture de la pièce en fonction d'images d'entraînement. Il identifie alors les écarts de texture de la surface comme des anomalies et utilise un outil de classification pour les classer comme coups ou rayures.

Recommandés Cognex Produits

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex