Inspection des soudures par points

Classez avec précision la qualité des soudures par points tout en réduisant le nombre de faux positifs

Spot Weld Inspection

Produits connexes

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le 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

Pour garantir une connexion électrique fiable, les fils doivent être soudés par points, soit les uns avec les autres, soit avec les terminaisons. Le soudage implique de fusionner deux métaux différents pour former une connexion solide. La soudure doit impérativement être correctement fondue, d’un volume suffisant mais pas excessif, d’une forme correcte et positionnée au bon endroit. Les fabricants disposent généralement de nombreuses lignes pour produire un large éventail de pièces électroniques, ils doivent donc s’assurer que toutes les connexions sont bonnes.

Étant donné que les soudures par points ont une apparence irrégulière et fortement variable, notamment par leur forme, leur position, leur couleur, leur réflectivité, leur texture et leurs marquages de surface, les inspections peuvent générer un nombre élevé de faux positifs, autrement dit des excès. Ces derniers entraînent la mise au rebut de bonnes pièces. Les bonnes soudures marquées à tort comme défectueuses doivent être inspectées manuellement. Cette méthode est extrêmement lente par rapport aux vitesses de ligne et ne permet souvent pas d’identifier correctement les défauts de soudage.

Les pièces varient également en termes de taille, de couleur et d’autres caractéristiques. En raison des nombreuses variations et de la difficulté à distinguer les bonnes connexions des mauvaises, la vision industrielle basée sur règles est inadaptée.

Les utilisateurs entraînent l’outil de détection des défauts de Cognex Deep Learning à partir d’une large sélection de connexions dont la soudure par points a été correctement réalisée pour apprendre toutes les variations des pièces normales. Il scanne les soudures par points à analyser et signale toutes celles qui présentent des défauts inacceptables, tout en réduisant le nombre de faux positifs.

L’outil de classification de Cognex Deep Learning peut ensuite s’entraîner à partir de défauts de soudage étiquetés et apprend ainsi à catégoriser des types de défauts spécifiques, tels qu’une forme incorrecte, une brèche, une fissure, une brûlure ou une contamination de surface. Ces défauts classés par catégorie peuvent être utilisés pour contrôler la production en amont afin de réduire les défauts au fil du temps.

Produits Cognex connexes

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

Rejoindre MyCognex