Inspeção de cilindro

A ferramenta de detecção de defeitos do Cognex Deep Learning detecta de forma confiável os poros do metal

Cylinder block inspection pass

Produtos Relacionados

In-Sight D900

In-Sight D900

Baseado na Tecnologia de Software de Visão In-Sight ViDi Deep Learning

ViDi software with all defect detection tools

VisionPro Deep Learning

A breakthrough in complex inspection, part location, classification, and OCR

O bloco de cilindros é a base de um motor automotivo. Seus grandes cilindros são as principais peças que trabalham em um motor alternativo, construído para segurar os pistões conforme estes bombeiam para cima e para baixo sob compressão. Os cilindros são normalmente feitos de metal fundido e, algumas vezes, estão alinhados, ou “vestidos”, por um revestimento lubrificante. As paredes do cilindro devem ser duráveis, pois elas estabelecem contato com os anéis de compressão do pistão. O cilindro pode tolerar pequenas irregularidades em seus metais, que são suavizadas durante o desgaste mecânico, mas não podem conter bolhas no metal, conhecidas como “poros”. Esses defeitos são especialmente desafiadores, pois a superfície de um cilindro é áspera e as imagens aparecem desfocadas ao redor das bordas devido à profundidade de campo. Iluminação especular, ou brilho, na superfície refletora do cilindro também complicam a inspeção. É difícil programar uma inspeção automatizada que tolere tantos pequenos desvios na forma e localização características, assim como o brilho e falta de definição.

O Cognex Deep Learning identifica rapidamente poros quando outros métodos têm dificuldades de inspecionar sob as mesmas condições de luminosidade. Em minutos, um engenheiro pode treinar o software com um conjunto representativo de imagens “boas” e “ruins” de um cilindro, ajustando a região de interesse com um filtro de máscara para eliminar o disco brilhante de um espaço negativo no eixo. UUsando a ferramenta de detecção de defeitos no modo supervisionado, um técnico anota os poros nas imagens rotuladas como "ruins" e ajusta os parâmetros, incluindo tamanho do recurso, escala, proporção e cisalhamento para ajudar o modelo a explicar as variações na aparência. As imagens “boas”, que retratam os cilindros normais, ajudam o software a aprender quais tipos de anomalias de fundição e variações de fundição menos importantes são toleráveis. O engenheiro pode treinar o sistema novamente, ajustando parâmetros e inserindo imagens adicionais até que o modelo possa generalizar a aparência normal de um cilindro e reconhecer as anormalidades. Durante o tempo de atividade o software com Base na Tecnologia Deep Learning inspeciona cada imagem em milissegundos, caracterizando aquelas com poros como defeituosas e as restantes como normais.

Cylinder_ViDi

 

Faça o download do Guia de aplicações automotivas de Deep Learning
PRODUTOS COGNEX EM DESTAQUE

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex