深度學習

機器視覺面臨的挑戰

Rules-based algorithm

基於規則的演算法苦於無法將涉及誤差和難以預知的缺陷的複雜檢測程式化

傳統的機器視覺系統能穩定可靠地應用在一致且製造良好的零件上。這類系統透過逐步篩檢和基於規則的演算法來運作,比人工檢測更具成本效率。但隨著例外與缺陷資料庫不斷增長,演算法變得具有挑戰性,難以程式化。

機器視覺系統可以容許零件外觀性因以下列原因而產生的某些變化:
  • 比例
  • 轉位
  • 變形

但是複雜的表面特徵和圖像品質問題卻引發艱鉅的檢測挑戰。機器視覺系統難以鑒別外表極為相似零件之間的變化與誤差。「功能性」異常會影響零件的效用,向來是剔除主因,而依照製造廠商的需求和偏好,外觀異常卻可能不是。最大的問題是,傳統機器視覺系統根本難以分辨這些缺陷。

汽車飾板線路裝配 

有些傳統機器視覺檢測,像是最後裝配驗證等,因為有许多不易讓機器難以隔離變數,所以無法順利進行程式設計,這點大家都知道。
  • 光源
  • 顏色改變
  • 曲面
  • 視野

若複雜檢測涉及誤差和難以預知的缺陷,而複雜到無法程式化及維護時,基於深度學習型軟體 可說是取而帶之的理想選擇。

相關產品

欲知悉關於康耐視產品的詳細訊息:

康耐視特色產品

取得產品支援與訓練等等

加入 MyCognex

是否有任何疑问?

世界各地的康耐视代表可以随时为您提供支持,满足您的视觉和工业读码需求。

聯絡我們
Loading...