COGNEX > 实例探究 > 康耐视 VIDI 套件:汽车行业的深度学习

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 - 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.

Case Study missing?

Start adding your own!

Register with your work email and create a new case study profile for your business.

Add New Record

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

感谢您的信息!
我们会很快与你取得联系。