L’IA di facile utilizzo risolve una gamma di applicazioni di classificazione

Sistema di visione In-Sight 2800 sovrapposto all'applicazione di ispezione di fiale

Sistema di visione In-Sight 2800 sovrapposto a un cervello grigioIIn tutti i settori industriali, gli ingegneri di linea e di automazione sono consapevoli dei vantaggi derivanti dall'uso di una visione artificiale sofisticata per sostituire l'ispezione umana, aumentare la velocità di ispezione e migliorare l'accuratezza, gestendo al contempo i cambiamenti nei prodotti e nei materiali. Hanno anche sentito parlare molto di machine learning, deep learning, AI e altri concetti che sembrano un po' lontani dalle responsabilità quotidiane del loro lavoro.

Sebbene sia veloce e accurata, la visione artificiale tradizionale richiede molta programmazione e la capacità di manipolare gli strumenti di immagine per fare cose come utilizzare l'output di uno strumento come input di un altro per ottenere il risultato finale desiderato, in un processo chiamato concatenamento. 

Il sistema di visione In-Sight 2800 con tecnologia di edge learning elimina questi processi macchinosi e porta la potenza dell'IA e della visione artificiale sofisticata in fabbrica, il tutto senza richiedere la conoscenza dell'IA o degli strumenti di visione artificiale.

La potenza dell’IA senza complessità

L’edge learning è un sottoinsieme dell’IA in cui l’elaborazione avviene direttamente sul dispositivo, o “sull’edge” utilizzando un insieme di algoritmi pre-addestrati. L'edge learning è utile in un'ampia gamma di applicazioni industriali che attualmente utilizzano telecamere di visione tradizionali o si affidano ancora all'ispezione umana. In-Sight 2800 utilizza questa tecnologia per identificare e classificare difetti impercettibili ma significativi che in passato si sono dimostrati al di là delle capacità anche dei più sofisticati strumenti di visione artificiale tradizionali.

La categorizzazione in questo modo ha un ulteriore vantaggio a lungo termine nel miglioramento dei processi. Poiché gli strumenti di edge learning possono essere addestrati a classificare i difetti dei prodotti in un numero qualsiasi di categorie, possono fornire informazioni su quali tipi di errore stanno diventando più comuni e possono indicare che una macchina sulla linea sta lentamente uscendo dalle specifiche. Quella macchina può quindi essere regolata o sostituita molto prima che inizi a creare errori gravi o smetta di funzionare del tutto.

Applicazioni per il settore automotive

I connettori elettrici stampati a iniezione sono presenti ovunque nei moderni veicoli a motore e trasportano energia e segnali a un'ampia gamma di componenti. I connettori semplificano il cablaggio e rendono più facile separare e rimuovere i componenti durante la manutenzione e le riparazioni.

I connettori devono essere accoppiati in maniera completa e accurata per garantire una connessione elettrica a lungo termine. Il collegamento deve essere confermato anche prima che il pezzo o il veicolo passi alla fase successiva della produzione. Questo processo è più facile a dirsi che a farsi. I connettori hanno un'ampia gamma di clip, agganci e altre modalità di giunzione. Inoltre, sono in plastica nera o scura, il che rende problematica la visione dei dettagli, e spesso si presentano sottoposte alla telecamera di ispezione con diverse angolazioni.

Il sistema di visione In-Sight 2800 con tecnologia edge learning può essere addestrato su piccoli set di immagini etichettate di connessioni buone e non buone, dopodiché classificherà rapidamente i connettori come OK o NG. Se viene introdotta una nuova tipologia di connettore, è facile reimpostare gli strumenti di edge learning, con diversi esempi della nuova tipologia direttamente sulla linea.



Applicazioni per componenti elettronici

Molte schede a circuito stampato (PCB) includono indicatori luminosi a LED per mostrare lo stato. In un esempio di applicazione, potrebbe essere necessario identificare quali indicatori mostrino una condizione di alimentazione attiva (PWR), una condizione di trasmissione (TX) o una condizione di spento. Data la luminosità dei LED, il loro posizionamento ravvicinato e l'ambiente visivo confuso in cui si manifestano, la visione artificiale tradizionale a volte ha difficoltà a distinguere gli stati degli indicatori.

Con la visione artificiale tradizionale, il modo tipico per effettuare queste determinazioni è uno strumento di conteggio dei pixel. Ciò richiede l'impostazione di soglie di luminosità in punti specifici per ogni condizione, un processo complesso che richiede un'esperienza avanzata nella programmazione della visione artificiale.

Gli strumenti di edge learning, come quelli integrati in In-Sight 2800, possono essere addestrati su piccoli set di immagini etichettate delle condizioni di OFF, PWR e TX, o direttamente attraverso la telecamera, se lo si desidera. Dopo questo breve addestramento, gli strumenti classificheranno e smisteranno in modo affidabile i PCB nei tre diversi stati.

Applicazioni medicali/farmaceutiche

In alcune applicazioni mediche e farmaceutiche, le fiale di vetro vengono riempite automaticamente con farmaci fino a un livello predeterminato. Prima di essere tappati, è necessario verificare che il livello di riempimento rientri nelle tolleranze corrette. La natura trasparente e riflettente della fiala di vetro e del suo contenuto rende problematica per la visione artificiale tradizionale la rilevazione del livello.

L'edge learning è in grado di discernere le parti chiave dell'immagine che indicano il livello di riempimento, ignorando la confusione causata da riflessi, rifrazioni o altre variazioni nell'immagine. I riempimenti troppo alti o troppo bassi vengono rifiutati, mentre vengono approvati solo quelli che rientrano nella tolleranza.

Applicazioni nel packaging

Sulla linea di produzione, le bottiglie di bibite e succhi di frutta vengono riempite e sigillate con un tappo a vite o una chiusura. Se il tappatore rotante non infila correttamente il tappo o si danneggia durante la tappatura, può lasciare uno spazio che può causare contaminazioni o perdite.

Le linee di riempimento e tappatura delle bottiglie si muovono ad alta velocità. I tappi correttamente sigillati sono facili da confermare, ma ci sono molti modi impercettibili in cui un tappo può essere avvitato in modo inadeguato. Sia la velocità che l'ampia gamma di modi in cui un tappo può essere quasi, ma non del tutto, sigillato, rendono questa applicazione difficile per la visione artificiale tradizionale.

Gli strumenti di edge learning di In-Sight 2800 possono mostrare una serie di immagini etichettate come buone e una serie di immagini che mostrano tappi con leggere imperfezioni quasi impercettibili per l'occhio umano. Gli strumenti possono quindi classificare, a velocità di linea, i tappi completamente sigillati come OK e tutti gli altri tappi come NG . L'utilizzo di questa tecnologia riduce significativamente il tasso di difetti che vengono fatti passare, oltre ad essere poco costosa e facile da usare.

Sistema di visione In-Sight 2800 fisso che ispeziona la chiusura dei tappi di bottiglie d’acqua

Una soluzione semplice ai difficili problemi nell'automazione di fabbrica

Il sistema di visione In-Sight 2800 con edge learning è stato progettato per risolvere i problemi di automazione di fabbrica. Capace e facile da usare, diventa rapidamente uno strumento essenziale su qualsiasi linea.

Altri post su

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex