Inspection des segments de piston
L'outil de détection des défauts Cognex Deep Learning simplifie la détection et la caractérisation automatisées des défauts sur les surfaces métalliques texturées
Produits connexes
Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi
Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning
Les segments de compression de piston ont plusieurs fonctions dans un moteur à piston, étanchéifiant la chambre de combustion et régulant la consommation d'huile. Les défauts sur un segment de compression sont difficiles à détecter en raison de la surface métallique réfléchissante du piston. La forme cylindrique du piston apparaît quelquefois aussi floue dans les images. Des variations normales de texture de la surface métallique sont à prévoir dans le cadre du process de fabrication, et certaines, notamment les taches de rouille, les zones blanches et même les fissures de surface, sont autorisées à passer l'inspection avec succès. Toutefois, les longues rayures qui affectent les performances du piston et menacent les niveaux de compression dans le cylindre sont des indications de défauts réels. Un système d'inspection doit être capable de tolérer les variations normales et les anomalies insignifiantes sur la surface des segments de compression, tout en identifiant les longues rayures.
La programmation d'une inspection de cette complexité dans un algorithme basé sur des règles nécessiterait des bibliothèques de défauts complexes. L'inspection manuelle, bien que plus flexible, serait trop lente. Cognex Deep Learning offre une solution d'inspection efficace, combinant la capacité humaine à identifier les variations mineures et la fiabilité, la constance et la vitesse d'un système automatique. En utilisant l'outil de détection des défauts Cognex Deep Learning en mode supervisé, un ingénieur forme le logiciel basé sur le Deep Learning sur un ensemble représentatif de "bonnes" et "mauvaises" images d'anneaux de compression connues. Un technicien annote les mauvaises images présentant de longues rayures et les bonnes images comportant des variations normales et des défauts tolérables, notamment les taches de rouille et les petites fissures. Cognex Deep Learning se base sur ces images pour apprendre la forme naturelle d'un piston et la texture de sa surface, ainsi que l'aspect normal des rayures. Des images supplémentaires peuvent être ajoutées à la série d'entraînement lors du test de validation pour refléter d'autres exemples et permettre d'optimiser le système. Les paramètres peuvent être continuellement ajustés lors de la phase d'apprentissage et la période de validation jusqu'à ce que le modèle détecte et segmente correctement toutes les images présentant de longues rayures. Lors de l'exécution, le logiciel définit les images comportant de longues rayures comme étant défectueuses, ayant appris à identifier et ignorer les variations non pertinentes.
