Avec l'avancement continu de la fabrication intelligente, comment obtenir un contrôle efficace de la qualité des produits est devenu un facteur clé pour améliorer la compétitivité de base des entreprises manufacturières. Bien que traditionnelSystèmes de vision industrielont été largement utilisés dans l'inspection industrielle, il existe encore de nombreuses limites qui ne peuvent pas être résolues dans des scénarios de défaut complexes. Maintenant, avec les recherches importantes sur les algorithmes visuels d'apprentissage en profondeur pourCaméras 3DEt des caméras intelligentes, avec de puissantes capacités de reconnaissance d'image et d'apprentissage, le problème de la détection des défauts est progressivement résolu.
Ce qui suit analysera de manière approfondie la valeur d'application des algorithmes visuels d'apprentissage en profondeur dans la détection des défauts à partir de plusieurs aspects tels que les limites de la détection traditionnelle, les avantages techniques de l'apprentissage en profondeur, les cas d'application de l'industrie et les tendances de développement futures.
1. Limites des algorithmes visuels traditionnels
Dans les systèmes traditionnels de vision industrielle, la plupart des algorithmes de détection sont des paramètres de code manuel et des règles fixes, telles que la détection des bords, la segmentation des couleurs, etc. Bien que ces algorithmes puissent obtenir de bons effets de reconnaissance dans les images avec des structures claires et un contraste évident, ils sont évidemment insuffisants dans les scénarios suivants:
La morphologie des défauts est complexe, les bords sont flous et la position est aléatoire;
L'éclairage inégal ou les réflexions environnementales entraînent des changements de contraste d'image;
La texture de surface du produit est diversifiée et il est facile d'identifier mal les processus normaux en tant que défauts;
Les nouveaux produits sont fréquemment remplacés et les règles de détection et les modèles doivent être constamment ajustés.
Dans les situations ci-dessus, les algorithmes traditionnels ne peuvent souvent pas atteindre la «reconnaissance universelle» et doivent compter constamment sur l'optimisation manuelle de l'équipement, qui a des coûts de développement élevés et une maintenance difficile. La cohérence de détection est mauvaise et il est difficile de répondre aux besoins des lignes de production automatisées à grande échelle.
2. Le Deep Learning permet une détection intelligente des défauts
Les algorithmes visuels en profondeur, en particulier ceux développés sur la base de plates-formes intégrées, avec des algorithmes VM intégrés et des accessoires flexibles et divers, ont complètement changé le mode de détection traditionnel. Contrairement aux algorithmes traditionnels, l'apprentissage en profondeur peut extraire automatiquement les caractéristiques clés en formant une grande quantité de données d'image pour obtenir une reconnaissance de défaut plus précise et stable.
Ses avantages importants comprennent:
Pas besoin de conception de fonctionnalités manuelles: le système peut extraire automatiquement les fonctionnalités de défaut les plus représentatives de l'image pour améliorer la précision de reconnaissance.
Tolérance élevée aux défauts et robustesse: il a une forte adaptabilité aux changements d'éclairage, des interférences de fond, des angles de placement des produits, etc.
Capacité de généralisation forte: il peut faire face à plusieurs types de produits et défauts divers, et peut être déployé par lots après une seule formation.
Résultats clairs de visualisation: À l'aide de technologies telles que les cartes thermiques et les cartes de segmentation, les résultats de détection sont intuitivement visibles, ce qui est pratique pour la traçabilité et l'optimisation.
De plus, l'apprentissage en profondeur peut également coopérer avec des modèles de tâches tels que la classification de l'image, la détection des cibles et la segmentation sémantique pour obtenir des capacités de détection plus riches, telles que la localisation des zones de défaut, la détermination des types de défauts et même la prévision des tendances des défauts.
3. Cas de demande de l'industrie: Détection des articles de soudure dans la fabrication électronique
Prenez une entreprise de fabrication électronique que nous avons récemment servi d'exemple: ce client effectue principalement des inspections complètes sur les joints de soudure des planches de PCB sur la ligne de production, y compris plusieurs types de défauts tels que les joints de soudure qui fuisent, les courtes circuits et les composants manquants.
Au début, la solution visuelle traditionnelle a été utilisée. En raison de la petite taille des joints de soudure et de la forte réflexion, la précision de détection n'a pas pu répondre aux exigences de l'expédition et le taux de faux détection était relativement élevé. Les techniciens ont utilisé la technologie de classification et de segmentation des images en profondeur pour concevoir et déployer un ensemble de modèles de détection personnalisés:
Utilisez des caméras industrielles haute résolution avec des sources lumineuses multi-angles pour collecter des images;
Construire une base de données de défauts de conjoint à la soudure à plusieurs échantillons;
Avec des accessoires flexibles et divers et des composants modulaires, il peut s'adapter à l'évolution des besoins d'application.
Enfin, la précision de production de la ligne de production est améliorée, le taux de faux détection est réduit et les exigences du client pour la qualité de la production sont satisfaites. Plus tard, le projet a mis en œuvre avec succès le déploiement de l'informatique Edge et la vitesse de détection a également été améliorée, répondant pleinement aux exigences d'efficacité de la production du client.
4. Industries largement applicables, promouvant la mise à niveau de la fabrication intelligente
L'inspection visuelle de l'apprentissage en profondeur ne s'applique pas seulement à la fabrication électronique, mais aussi dans les industries suivantes:
Fabrication automobile: phares, soudures, rayures de surface et défauts des pièces;
Traitement des métaux: plaque en aluminium, inspection de la surface de la bobine en acier, fissures, identification du corps étrangère;
Verre et céramique: Identification des défauts de matériaux transparents tels que les fissures, les bulles, les taches noires;
Emballage et impression: détection de problèmes tels que l'impression manquante, les codes de bar flou et les joints cassés;
Nouvelles batteries d'énergie: détection de défauts mineurs tels que les rayures sur les poteaux, les bords cassés, les corps étrangers court-circuits.
Qu'il s'agisse de production de lots standardisée ou de mode de production diversifiée par lots, le deep Learning peut fournir des solutions hautement adaptables, réduire la dépendance manuelle et améliorer le taux de rendement et la compétitivité de la marque.
En tant que fournisseur de solutions professionnelles dans le domaine de la vision industrielle, Zhixiang Shijue a accumulé une riche expérience dans l'inspection visuelle d'apprentissage en profondeur. Nous continuerons d'étendre la plate-forme d'algorithme, d'optimiser la compatibilité matérielle, de créer plus de scénarios d'atterrissage autour des industries de base telles que l'électronique, les automobiles, les soins médicaux et les semi-conducteurs, et fournir aux clients des systèmes d'inspection intelligents personnalisés.
Si votre entreprise est également confrontée au défi de la détection des défauts, bienvenue àContacter Zhixiang Shijue. Nous vous fournirons des solutions de vision intelligente professionnelles, efficaces et réalisables!
