下载PDF
COGNEX > 实例探究 > 康耐视 VIDI 套件:汽车行业的深度学习
COGNEX Logo

Cognex VIDI Kit: Deep Learning for the Automotive Industry

 Cognex VIDI Kit: Deep Learning for the Automotive Industry - IoT ONE Case Study
技术
  • 分析与建模 - 计算机视觉软件
  • 分析与建模 - 机器学习
适用行业
  • 汽车
适用功能
  • 离散制造
  • 质量保证
用例
  • 计算机视觉
  • 视觉质量检测
服务
  • 软件设计与工程服务
挑战

活塞的压缩环在往复式发动机中具有多种功能,包括密封燃烧室和调节油耗。由于活塞的反射金属表面,压缩环上的缺陷很难检测到。活塞的圆柱形状有时会在图像中模糊和失焦。金属表面纹理的正常变化是制造过程的一部分,其中一些变化是可以接受的,包括锈斑、白色区域以及表面裂纹和裂缝。但是一些影响活塞性能并威胁气缸压缩水平的长划痕是真正的缺陷。检测系统必须能够忽略压缩环表面上的正常变化和微不足道的异常,同时识别较长的划痕缺陷。

将这种复杂的检查编程为基于规则的算法将需要复杂的缺陷数据库。虽然手动检测更灵活,但速度太慢。

解决方案

康耐视 ViDi 套件提供了一种有效的检测解决方案,将人类识别微小变化的能力与自动化系统的可靠性、一致性和速度相结合。在监督模式下使用 Cognex ViDi Red-Check 工具时,工程师会在一组具有代表性的已知“通过”和“失败”压缩环的样本图像上训练基于深度学习的软件。技术人员对具有较长划痕的已知“不合格”样品和具有正常变化和可接受缺陷(包括锈斑和小裂纹)的“良好”样品的图像进行注释。基于这些图像,康耐视 ViDi 套件将了解活塞的自然形态和表面纹理以及划痕的正常外观。在验证测试期间,可以将其他图像添加到训练图像组合中,以反映其他示例并帮助优化系统。在训练阶段和验证阶段,可以不断调整参数,直到训练好的模型正确检测并分割出所有包含长划痕的图像。

运营影响
  • [Efficiency Improvement - Quality Assurance]

    The software will only characterize images containing longer scratches as defects, as it has learned to recognize and ignore insignificant changes.

相关案例.

联系我们

欢迎与我们交流!

* Required
* Required
* Required
* Invalid email address
提交此表单,即表示您同意 IoT ONE 可以与您联系并分享洞察和营销信息。
不,谢谢,我不想收到来自 IoT ONE 的任何营销电子邮件。
提交

Thank you for your message!
We will contact you soon.