Inspection de la surface des étuis
Cognex Deep Learning inspecte les batteries, de type poche, de véhicule électrique
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
Une cellule de batterie de type étui est formée de façon irrégulière lors du processus de dégazage. Après la formation de gabarits, l'étui de batterie est pressé pour aplanir et lisser la surface. Il est essentiel que les étuis soient uniformes, lisses et plats. Les fabricants de batteries utilisent des systèmes d'inspection automatique entre ces étapes afin de détecter tout défaut de surface. La texture complexe de la surface de l'étui crée un arrière-plan parasité et confus qui peut masquer les plis, bulles et autres défauts. L'aspect visuel d'un étui de batterie peut considérablement varier, ce qui rend la recherche précise de tous les défauts trop compliquée et fastidieuse.
Cognex Deep Learning utilise des algorithmes de vision basés sur le Deep Learning pour identifier les défauts, tels que les bulles et les plis, en apprenant à partir d'images annotées. Le modèle apprend l'aspect normal de la surface d'un étui, notamment les variations naturelles qui ne constituent pas des défauts. Toutes les caractéristiques qui diffèrent de l'aspect normal du modèle sont définies comme des anomalies. Ainsi, Cognex Deep Learning détecte toutes les anomalies de façon fiable et régulière, sans avoir recours à une bibliothèque de défauts étendue.
