Vérification de l'assemblage final des garnitures
L'outil de détection des défauts Cognex Deep Learning confirme la présence et le placement des composants sur un fond confus
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 différentes garnitures concernées lors de la vérification de l'assemblage final présentent un haut degré de complexité qui pose des problèmes pour les inspections par vision industrielle classiques. Les inspecteurs humains vérifient que toutes les pièces, telles que les nappes de fils et les logements métalliques, sont présentes et correctement assemblées. Il est difficile de déterminer si les nappes se trouvent dans le bon logement en raison des légères variations d'éclairage. Bien qu'ils soient habiles à identifier les nappes de fils, les inspecteurs humains peuvent être lents et irréguliers. Cognex Deep Learning utilise l'analyse d'images basée sur le deep learning pour apprendre l'aspect fini d'une garniture et identifier les nappes manquantes de façon aussi précise qu'un inspecteur humain, mais avec la vitesse et la fiabilité d'un système automatique.
Télécharger le guide Solutions basées sur le deep learning pour le secteur automobile
En utilisant l'outil de détection des défauts Cognex Deep Learning en mode supervisé, un technicien forme le système sur les "mauvaises" images de coupe où le fil est absent, ainsi que sur les "bonnes" images connues où le fil est présent, afin de créer un modèle de référence pour une pièce de coupe complète.Cognex Deep Learning utilise ce modèle pour identifier les garnitures présentant des nappes de fils manquantes comme anormales et défectueuses, qui échouent à l'inspection finale.