Inteligência Artificial Fácil de Usar Resolve Ampla Variedade de aplicações de Classificação

Sistema de visão In-Sight 2800 sobreposto à aplicação de inspeção de frascos

Sistema de visão In-Sight 2800 sobreposto a um cérebro cinzaEm todos os setores, os engenheiros de linha e de automação estão cientes dos benefícios de usar sistemas de visão sofisticados para substituir inspetores humanos, aumentar a velocidade da inspeção e melhorar a precisão enquanto gerenciam as mudanças em produtos e materiais. Além disso, têm ouvido bastante sobre aprendizado de máquina, deep learning, inteligência artificial (IA) e outros conceitos que parecem um pouco distantes das responsabilidades cotidianas de seus trabalhos.

Embora rápidos e precisos, os sistemas de visão tradicionais requerem muita programação e a capacidade de manipular ferramentas de imagem para fazer coisas como usar a saída de uma ferramenta como entrada para outra para obter a saída final desejada, em um processo chamado encadeamento. 

O sistema de visão In-Sight 2800, com tecnologia edge learning, elimina esses processos complicados e traz o poder da IA e de sistemas de visão sofisticados para o chão de fábrica, tudo sem exigir conhecimento de ferramentas de IA ou sistemas de visão.

O poder da IA sem complexidade

O edge learning é um subconjunto da IA no qual o processamento ocorre diretamente no dispositivo, ou “na borda”, usando um conjunto de algoritmos testados previamente. O edge learning é útil em várias aplicações industriais que atualmente usam câmeras de visão tradicionais ou ainda dependem de inspeção humana. O In-Sight 2800 implementa essa tecnologia para identificar e classificar defeitos sutis, mas significativos, que já provaram estar além das capacidades das ferramentas tradicionais de sistemas de visão sofisticados.

Essa maneira de categorizar tem um benefício adicional e mais duradouro para a melhoria dos processos. Como as ferramentas de edge learning podem ser treinadas para classificar defeitos de produtos em qualquer categoria, elas podem fornecer informações sobre quais tipos de erros estão se tornando mais comuns e indicar que uma máquina da linha está se desviando lentamente das especificações. Essa máquina pode ser ajustada ou retirada da linha muito antes de começar a criar erros graves ou parar de funcionar completamente.

Aplicações automotivas

Conectores elétricos moldados por injeção estão em toda parte em veículos motorizados modernos, transportando energia e sinais para vários componentes. Os conectores simplificam a fiação e facilitam a separação e a remoção de componentes durante a manutenção e os reparos.

Os conectores devem ser encaixados completamente e com precisão para garantir uma conexão elétrica duradoura. A conexão também deve ser confirmada antes que a peça ou o veículo passe para a próxima etapa da produção. Este processo é mais difícil do que parece. Os conectores têm uma ampla variedade de grampos, encaixes e outras formas de junção. Além disso, são compostos de plástico preto ou escuro, o que dificulta a visualização de detalhes e, muitas vezes, são apresentados à câmera de inspeção em vários ângulos.

O sistema de visão In-Sight 2800, com tecnologia edge learning, pode ser treinado em pequenos conjuntos de imagens rotuladas de conexões boas e ruins, após o que classificará rapidamente os conectores como OK ou NG. Se um novo design de conector for introduzido, é fácil treinar novamente as ferramentas de edge learning com alguns exemplos do novo design, diretamente na linha.



Aplicações para produtos eletrônicos

Muitas placas de circuito impresso (printed circuit boards, PCBs) incluem luzes indicadoras de LED para mostrar o status. Em um exemplo de aplicação, pode ser necessário identificar quais indicadores mostram uma condição de energia ligada (PWR), uma condição de transmissão (TX) ou uma condição desligada. Por causa do pequeno brilho dos LEDs, do seu posicionamento próximo e do ambiente visual confuso no qual eles aparecem, os sistemas de visão tradicionais às vezes têm problemas para distinguir entre os estados dos indicadores.

Com um sistemas de visão tradicional, a maneira típica de fazer essas determinações é com uma ferramenta de contagem de pixels. Isso requer a definição de limites de brilho em locais específicos para cada condição, um processo elaborado que requer experiência avançada em programação de sistemas de visão.

As ferramentas de edge learning, como as incorporadas ao In-Sight 2800, podem ser treinadas em pequenos conjuntos de imagens rotuladas nas condições OFF, PWR e TX, ou diretamente pela câmera, se desejado. Após este breve treinamento, as ferramentas classificarão e ordenarão os PCBs, de forma confiável, nos três estados diferentes.

Aplicações médicas/farmacêuticas

Em algumas aplicações médicas e farmacêuticas, os frascos de vidro são preenchidos automaticamente com medicamentos até um nível predeterminado. Antes de serem tampados, deve-se confirmar se o nível de preenchimento está dentro das tolerâncias adequadas. A natureza transparente e refletiva do frasco de vidro e de seu conteúdo dificulta a detecção consistente do nível por um sistema de visão tradicional.

O edge learning pode discernir as peças principais da imagem que indicam o nível de preenchimento, ignorando a confusão causada por reflexos, refração ou outras variações de distração na imagem. Preenchimentos muito altos ou muito baixos são rejeitados, sendo aprovados apenas aqueles dentro da tolerância.

Aplicações em embalagens

Na linha de produção, as garrafas de refrigerantes e sucos são preenchidas e vedadas com tampa de rosca ou lacre. Se o tampador giratório enroscar incorretamente a tampa ou for danificado durante a tamponamento, pode-se criar uma abertura que gerará contaminação ou vazamento.

As linhas de preenchimento e tamponamento de garrafas se movem em alta velocidade. As tampas corretamente vedadas são fáceis de confirmar, mas uma tampa pode estar vedada de forma inadequada de muitas maneiras sutis. Tanto a velocidade quanto a ampla variedade de maneiras pelas quais uma tampa pode ser quase, mas não totalmente, vedada, tornam essa aplicação desafiadora para sistemas de visão tradicionais.

As ferramentas de edge learning do In-Sight 2800 podem exibir um conjunto de imagens rotuladas como boas e um conjunto de imagens que mostram tampas com pequenas aberturas que são quase imperceptíveis ao olho humano. As ferramentas podem então categorizar tampas totalmente vedadas como OK e todas as outras tampas como NG, nas velocidades da linha. Essa tecnologia diminui significativamente a taxa de defeitos que passam despercebidos, além de ser barata e fácil de usar.

Sistema de visão In-Sight 2800 montado na lateral inspecionando a vedação das tampas de garrafas de água

Uma solução fácil para problemas difíceis de automação de fábrica

O sistema de visão In-Sight 2800 com edge learning foi projetado pensando em problemas desafiadores de automação de fábrica. Arrojado e fácil de usar, ele se torna rapidamente uma ferramenta essencial em qualquer linha.

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex