Lisez les codes complexes dans toutes les conditions grâce à la reconnaissance optique de caractères basée sur le Deep Learning
Imaginez le temps que vous pouvez gagner grâce à un outil de reconnaissance et de vérification optiques de caractères prédéfini. En éliminant un apprentissage ardu en amont, cet outil serait prêt à l’emploi. Si une police inconnue apparaissait, probablement en raison d’une réflexion spéculaire, d’une mauvaise gravure ou d’une autre cause de déformation, cet outil pourrait être réentraîné sur le site de production, et uniquement sur les caractères mal lus problématiques. C’est la promesse des outils de reconnaissance et de vérification optiques de caractères basés sur le Deep Learning, qui s’appuient sur une bibliothèque omnipolice prédéfinie et ne nécessitent aucun apprentissage des polices propres à chaque application.
Des polices homogènes et faciles à lire sur un arrière-plan clair ou foncé peuvent être suffisamment bien identifiées grâce à la vision industrielle classique. Mais les fabricants ont besoin d’un nouveau type de solution de reconnaissance optique de caractères lorsque des arrière-plans confus et des problèmes d’imagerie constituent un défi pour leurs systèmes de vision industrielle et lorsque le type et le nombre de polices propres à chaque application sont imprévisibles. Les codes déformés, asymétriques et mal gravés sont quelques-unes des causes les plus courantes. Les autres codes difficiles sont ceux présentant des caractères manquant de contraste ou des codes imprimés, gravés, marqués par micro-percussion ou gaufrés sur des arrière-plans confus.
Découvrons comment un logiciel basé sur le Deep Learning offre une alternative extrêmement simple et précise à ces applications d’inspection OCR/OCV.
Reconnaissance optique de caractères basée sur le Deep Learning pour le secteur automobile
Les constructeurs et les équipementiers automobiles utilisent des numéros de série pour suivre les pièces de grande valeur tout au long de la chaîne logistique et s’assurer qu’elles sont associées aux bons assemblages. Ainsi, lorsque des erreurs surviennent lors des tests, la source peut être identifiée, car de nombreuses pièces contiennent des numéros de série à dix chiffres marqués par micro-percussion.
En cas de rappel, les pièces affectées peuvent être rapidement retirées du marché. Outre les problèmes de lisibilité types (certaines parties des numéros de série peuvent être érodées lors du processus de coulage ou de décapage, par exemple), les surfaces métalliques réfléchissantes peuvent parfois gêner la caméra d’un système d’inspection automatique. Lorsque les numéros de série marqués par micro-percussion deviennent extrêmement déformés et illisibles, les processus de reconnaissance et de vérification optiques de caractères sont ralentis et l’efficacité de la traçabilité est menacée.
Les outils de reconnaissance et de vérification optiques de caractères basés sur le Deep Learning peuvent relever ces défis, car ils s’appuient sur des bibliothèques omnipolices prédéfinies pour identifier immédiatement même les codes les plus difficiles à lire. Cognex Deep Learning nécessite uniquement des ajustements propres à chaque application. En effet, au lieu d’apprendre à un algorithme les caractères ou chiffres individuels de chaque code, un ingénieur de formation, et non un expert de la vision, définit la zone d’intérêt (normalement la zone présentant les caractères mal lus), paramètre la taille de caractère et étiquette l’image. Tous les caractères mal lus et les polices propres à chaque application peuvent être réappris sur le site de production.
Reconnaissance optique de caractères basée sur le Deep Learning pour le secteur électronique
Les codes gravés au laser sur les composants électroniques, tels que les modules de circuits intégrés et les grilles de connexion, sont des caractéristiques essentielles pour tous les fabricants de matériel électronique. Ces codes-barres et numéros de série contiennent des informations comme la date et le lieu de fabrication des pièces, leur numéro de lot et les données de test. Ils peuvent également coder des informations essentielles, telles que la température de brasage et la densité de flux, car les composants sont montés sur des puces et assemblés en modules.
Ces codes sont lus à chaque étape de valeur ajoutée jusqu’à l’assemblage final et au test des appareils afin de s’assurer que le matériel est correctement assemblé et contient les bons composants. Étant donné la petite taille de la plupart des semi-conducteurs et les contraintes d’espace sur une carte de circuit imprimé, le système d’identification d’un fabricant doit être assez puissant pour maintenir une vitesse de production optimale et suivre les composants de grande valeur. C’est également le cas pour les fabricants de produits finis, qui doivent systématiquement lire les codes gravés au laser sur les têtes de curseur, allant jusqu’à 1,1 mm x 1,4 mm. Sans surprise, les codes gravés au laser peuvent se détériorer lors de la production et devenir difficiles à lire.
Dans ces situations, les technologies de reconnaissance et de vérification optiques de caractères basées sur le Deep Learning constituent une solution prête à l’emploi, évitant des heures fastidieuses d’apprentissage grâce à une bibliothèque omnipolice prédéfinie qui reconnaît même les caractères déformés et asymétriques. Un ingénieur peut rapidement effectuer des ajustements propres à chaque application et réentraîner le système sur les codes mal lus. La réduction des échecs de lecture et l’optimisation du temps de disponibilité des machines génèrent des gains de productivité immédiats.
Reconnaissance optique de caractères basée sur le Deep Learning pour le secteur du conditionnement
Les fabricants doivent mettre en place des systèmes fiables pour reconnaître et vérifier les informations accompagnant chaque produit conditionné tout au long de la chaîne logistique. Dans leurs efforts pour garantir la traçabilité complète des emballages, les fabricants de produits de consommation et agroalimentaires sont parfois confrontés à des codes difficiles.
Ce sont généralement les caractères manquant de contraste des codes sur étiquette apposés sur les emballages ou les caractères gaufrés déformés sur les pièces moulées par injection, telles que les bouchons de bouteille. Les codes peuvent être utilisés pour vérifier la correspondance des composants des emballages à plusieurs pièces, tandis que les codes de date/lot intègrent des informations, telles que le contenu, l’origine et la date de fabrication. Dans ces cas, les fabricants s’appuient sur des outils de reconnaissance et de vérification optiques de caractères pour rapidement localiser les produits affectés et les retirer de la production ou des rayons. Les technologies de reconnaissance et de vérification optiques de caractères classiques nécessitent un apprentissage des polices en amont et peuvent même avoir du mal à lire les caractères manquant de contraste.
Les technologies de reconnaissance et de vérification optiques de caractères basées sur le Deep Learning ne présentent pas les mêmes limitations et peuvent lire automatiquement les lettres et les chiffres manquant de contraste. En adoptant des technologies basées sur le Deep Learning, les fabricants peuvent suivre les réglementations sur la traçabilité et la sécurité alimentaires, ainsi que faciliter les rappels avec un impact minimal sur leur production.
Reconnaissance optique de caractères basée sur le Deep Learning pour le secteur des sciences de la vie
Une reconnaissance et une vérification optiques de caractères efficaces sont essentielles pour les sciences de la vie, dont le suivi et la traçabilité sont strictement réglementés. Pour rester conformes, les fabricants et les hôpitaux doivent lire les codes sur le matériel médical, les outils chirurgicaux et les bracelets d’identification des patients à chaque point de manutention et d’utilisation. Cela leur permet de surveiller étroitement le matériel et les produits pharmaceutiques tout au long de la chaîne logistique en cas d’événement lié à la sécurité.
Avec autant d’équipements et de nombreuses personnes touchant les produits, les codes peuvent devenir déformés et asymétriques. La qualité d’imagerie peut également être médiocre, modifiant l’aspect du code devant la caméra. Au lieu de passer du temps à apprendre à un système de vision industrielle à reconnaître la panoplie de polices qu’il est susceptible de rencontrer, le secteur des sciences de la vie a recours à un logiciel d’analyse d’images basé sur le Deep Learning.
Les outils de reconnaissance optique de caractères basés sur le Deep Learning sont faciles à utiliser et efficaces sur les codes imprimés sur des substrats difficiles et sujets aux déformations, tels que les codes marqués par micropercussion sur les pièces métalliques, les caractères gaufrés sur les produits moulés par injection, les codes sur étiquette apposés sur les emballages et les codes gravés au laser sur les composants électroniques. Les technologies de reconnaissance et de vérification optiques de caractères de Cognex Deep Learning reconnaissent immédiatement la plupart des textes alphanumériques et nécessitent uniquement un apprentissage en amont pour définir la zone d’intérêt et la taille de caractère. Le système peut être rapidement réentraîné sur les caractères mal lus sur le site de production de façon à ce que les fabricants ne ralentissent pas le rythme.
Pour découvrir comment le Deep Learning révolutionne les applications d’automatisation industrielle, telles que la reconnaissance et la vérification optiques de caractères, téléchargez le livre blanc Le Deep Learning pour l’automatisation industrielle :
