快速聯絡窗口：+886 2-8809-3200
網站地圖
Previous Next
部落格
威視康電子報
點擊數: 2504

AI 智能學習案例分享_EDM

 

 
過去做不到的原因：
  1. 織物的圖案可能相當複雜，且位置變化會干擾外觀檢查的分析。
  2. 面料的延展性而產生的變形，難以判對是否為瑕疵。
  3. 織物缺陷具有無數類型，搜尋所有缺陷並非一個可行的方式。
康耐視ViDi紅色檢查工具，提供一組具有代表性的合格元件圖像樣本，供系統在完全無監督的模式下自行學習紡織圖案、紗線特性、顏色和可接受的缺陷。
 
過去做不到的原因：
  1. 焊縫具有許多不同的形狀和特徵，傳統機器視覺難以定義。
  2. 需要忽略焊接流程和材料中的正常變化。
  3. 高度反光、不規則的金屬表面，圖像會呈現複雜的紋理。
康耐視ViDi紅色檢查工具，對可接受焊接元件的外觀進行訓練，檢測流程能夠可靠識別焊縫缺失、焊接過度、焊接不充分、焊縫中孔洞等缺陷。
過去做不到的原因：
  1. 多步驟的移印，機器視覺無法判斷這些可接受的相對變化。
  2. 當油墨用量不同，視覺無法判斷字體、線條厚度產生的變化。
  3. 基材紋理存在隨機性，如拉絲或以其他方式裝飾的金屬。
ViDi針對旋轉的柱形元件進行訓練，可接受表面紋理變化及複雜的頂端和自鑽式底切，辨別刀口處破裂、頂端破裂、刮痕、凹陷或污漬。
過去做不到的原因：
  1. 表面裝飾有許多不同的款式，手錶元件的料也具有眾多類型。
  2. 生產流程經過專門設計，每個元件都有獨特性。
  3. 缺陷種類很多，紋理變化也具有眾多類型。
只有在相機位置、元件方向和照明角度進行一些特定組合時，刮痕或凹痕等典型缺陷才會變得可見。為了找到這些組合，將齒輪置於電機的軸上，並在低角度聚光照明條件下不斷旋轉齒輪，將會揭示局部紋理變化並顯現缺陷。
過去做不到的原因：
  1. 電池板或模組之間存有發光變化，但這些變化是可接受的。
  2. 微裂紋或接觸形成的誤差非常微妙，難以與背景紋理區分開來。
  3. 大量完全不同類型的缺陷，無法以一種演算法來檢測所有缺陷。
演算法可以基於一組標註具有代表性的不同類型缺陷，以及已知合格元件樣本的圖像自行進行訓練。學習系統能夠自動組合各種背景資訊，以創建可靠的缺陷模型。
 
過去做不到的原因：
  1. 元件表面具有明顯的紋理，難以識別缺陷、碰撞、刮痕或污漬。
  2. 必需忽略材料中的正常變化和不明顯的異常。
康耐視ViDi紅色檢查和綠色分類工具，可以自動組合各種背景資訊，以創建元件形狀和紋理的可靠模型。碰撞和刮痕有別於局部表面正常變化，視為異常。
 
過去做不到的原因：
  1. 多步驟的移印，機器視覺無法判斷這些可接受的相對變化。
  2. 當油墨用量不同，視覺無法判斷字體、線條厚度產生的變化。
  3. 基材紋理存在隨機性，如拉絲或以其他方式裝飾的金屬。
ViDi訓練階段完成後，檢測流程能夠可靠地識別印刷錯誤、油墨轉印不正確。
ViDi藍色–定位工具可以從標注的圖像中學習，輕鬆定位複雜的特徵和物體。自學習演算法能定位組件，計數貨盤上的半透明玻璃醫療小瓶，並對試劑盒和工具包執行裝配驗證檢查。訓練藍色–定位工具時，您只需提供標記有目標特徵的圖像即可
學習演算法能定位組件，計數貨盤上的半透明玻璃醫療小瓶，並對試劑盒和工具包執行裝配驗證檢查。
 
 
 
 
© Copyright 威視康有限公司 2019. All rights reserved.
 

威視康有限公司

地址：新北市淡水區中正東路二段27-3號28樓

電話：+886-2-8809-3200

傳真：+886-2-8809-3390

E-MAIL：info@vsk.com.tw

Search