Inspection de la membrane des haut-parleurs de smartphone

Vérifiez que les membranes acoustiques sont correctement collées pour restituer un son précis

Smartphone speaker diaphragm defect inspection fail example

Produits Connexes

In-Sight D900

In-Sight D900

Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi

VisionPro ViDi Software inspecting computer mouse on monitor

VisionPro Deep Learning

Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning

La membrane de l’unité acoustique d’un smartphone est le principal composant permettant de produire un son. Le moindre défaut ou dommage sur la membrane gêne la production sonore et réduit la qualité de la voix et de la musique. La membrane est composée de plastique souple et fin, rigidifié par des barres de renfort métalliques ou plastiques. La membrane et les barres de renfort agissent comme une seule et même unité lorsque la bobine acoustique les fait vibrer.

La membrane doit d’abord être éclairée et inspectée latéralement pour vérifier que ses bords sont exempts de défauts et qu’elle est correctement collée au substrat. Les plis, les bulles, les inclusions de corps étrangers, le surplus de colle et la mauvaise fixation des barres de renfort nuisent à la capacité de la membrane à vibrer et à reproduire précisément un son. La membrane est ensuite inspectée du dessus à l’aide d’un deuxième éclairage qui rend les barres de renfort visibles sous la membrane.

La membrane est ensuite inspectée du dessus à l’aide d’un deuxième éclairage qui rend les barres de renfort visibles sous la membrane. La taille et la forme de la membrane peuvent varier en fonction du modèle. Ceci étant, dans un même modèle, le motif, la forme et le matériau des barres de renfort peuvent varier de façon imprévisible d’un lot à un autre selon le fournisseur. La vision industrielle classique est difficile à programmer pour chacune des formes de membrane et des dispositions des barres de renfort possibles. Il est pratiquement impossible pour les systèmes de vision industrielle standard de prévoir ces éléments, ni même l’éventail de défauts possibles, les formes et les emplacements des éventuels excédents de colle, et bien d’autres problèmes.

L’outil de détection des défauts de Cognex Deep Learning s’entraîne sur un ensemble d’images étiquetées montrant des bords de membrane et des cas d’adhérence aux barres de renfort aussi bien conformes que défectueux. L’outil de détection peut détecter et signaler un bien plus grand nombre d’anomalies sur les bords ou les barres de renfort que la vision industrielle classique tout en ignorant les variations purement esthétiques. Une fois l’outil de détection des défauts entraîné, son taux de détection des anomalies dépasse les 99 %, ce qui le place largement au-dessus de l’inspection par vision industrielle classique programmée

Produits Cognex connexes

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

Rejoindre MyCognex