Проверка установки на этапе предварительной сборки

Инструменты Cognex для проверки установки на этапе предварительной сборки позволяют выявить случаи соприкосновения, нарушения положения и несоответствия компонентов, отверстий и креплений.

Сопутствующие изделия

Лазерные 3D-датчики смещения серии DS1000

обеспечивают трехмерную проверку вашей продукции.

2D Machine Vision Systems Insight 7000 and hand holding In-Sight 9000

Системы машинного зрения In-Sight

не имеют равных по возможностям проверки, идентификации и направления деталей.

Инородные объекты часто оказываются рядом с корпусом модуля до начала сборки устройства. Эти инородные объекты, например незатянутые винты, могут попадать в устройство из соседнего модуля. Посторонние предметы, как правило, имеют небольшой размер и различные цвета, что делает их обнаружение чрезвычайно трудным при использовании традиционной камеры с градацией серых оттенков. Кроме того, в процессе формования лишний материал по краям формованных пластиковых деталей (облой) может остаться незамеченным и стать причиной возникновения препятствий во время сборки на этапе производства.

Применение технологии трехмерного зрения (обеспечивающей возможность обработки объектов независимо от их цвета) для проверки установки на этапе предварительной сборки гарантирует, что в область монтажа модуля не попадут посторонние предметы, винты (с резьбой до 1 мм или меньше) и остатки материалов, которые могут привести к сбоям в процессе сборки.

Получить информацию о ценах на продукцию

Cognex Deep Learning allows the manufacturer to check the battery’s integrity before the phone undergoes final assembly, and to differentiate between cosmetic and functional anomalies. Using the defect detection tool in supervised mode, an engineer can train the software on “good” images as well as “bad” images with labeled defects. From these images, the tool learns the battery’s normal appearance, including natural acceptable variations. Parameters can continually be adjusted during the training phase and validation period until the trained model correctly detects and segments all images with functional anomalies. Once deployed, the defect detection tool identifies and rejects batteries with defects.