Inspeção do Conector USB
Certifique-se de que as conexões USB-C estejam funcionando
Produtos Relacionados
Baseado na Tecnologia de Software de Visão In-Sight ViDi Deep Learning
Ambiente de programação gráfica para análise de imagem industrial baseada em deep learning
Os conectores USB Tipo C estão substituindo vários tipos de USB existentes, bem como outros conectores para alimentação e transferência de dados. Eles são pequenos e precisam ser fabricados de acordo com especificações rígidas. Os conectores USB-C podem suportar uma potência muito maior do que os modelos USB anteriores, mas também são menores, com paredes mais finas, tornando-os mais fáceis de danificar durante a produção e aumentando o risco de problemas elétricos e até mesmo incêndio, se houver defeitos.
Antes de o conector ser fixado ao cabo por um suporte moldado, todos os lados dele precisam ser examinados quanto a defeitos, em um total de sete lados, incluindo o interior. Os possíveis defeitos incluem arranhões, amassados, deformação em vários locais, poeira, arranhões internos e excesso de cola. Muitos desses defeitos são difíceis de detectar nas velocidades e volumes necessários para a inspeção. Mesmo pequenos defeitos no conector podem afetar a qualidade da conexão elétrica, a firmeza com que o conector é fixado no soquete e a facilidade de removê-lo novamente. Esses conectores USB devem durar toda a vida útil do telefone.
O procedimento atual de detecção de defeitos envolve inspetores humanos usando microscópios ou máquinas de AOI com sistemas de visão baseados em regras tradicionais, nos quais os operadores visualizam as imagens capturadas em um monitor.
Uma combinação das ferramentas de detecção e classificação de defeitos com o Cognex Deep Learning pode melhorar drasticamente a inspeção do conector USB-C. A ferramenta de detecção de defeitos é treinada em um conjunto de imagens rotuladas que fornecem exemplos de conectores bons e ruins. Depois disso, ela detecta e sinaliza quaisquer anomalias ao passar por conectores com pequenas marcas estéticas que não afetam a função.
A ferramenta de classificação é treinada em uma ampla gama de variações funcionalmente significativas na aparência e em variações visuais que não têm um efeito funcional. Ela melhora a precisão da detecção, ao mesmo tempo que fornece informações sobre erros recorrentes que ajudam a identificar problemas de desempenho em potencial nas máquinas a montante e oferece suporte à melhoria contínua do processo.
