技术介绍

工业技术发展迅猛,深度学习算法不断突破

技术背景

图像采集技术发展迅猛

随着固件不断成熟,尺寸不断缩小,软件参数上不断优化,以及光源、镜头和相机的品种增多,组合方式多样之后,很多成像难点得以突破。

图像处理和模式识别发展迅速

图像处理:图边缘信息提取,功能不断完善。
模式识别:新算法不断出现,模型匹配不断延展。

深度学习算法不断突破

深度学习通过多层感知机模拟大脑工作,构建深度神经网络来学习建立复杂特征、学习映射并输出,实现训练中识别功能不断优化的目的。


项目 人类视觉 机器视觉
色彩识别能力不能量化 可量化
灰度分辨力

强 (一般使用256灰度级)
空间分辨率

分辨率较差

分辨率高,可观测微米级目标
速度

快 (快门时间可达10微秒左右)
感光范围

宽 (从紫外到红外较宽光谱范围)

环境适应性

强 (另外可加防护装置)

观测精度

高 (可到微米级.易量化)

其他

主观性,受心理影响易疲劳

客现性,可连续工作

深度学习技术在工业检测部分领域具备优势


传统算法存在的问题

  • l 无法处理完全无规律的复杂图像(缺陷)
  • l 未出现过的缺陷无法识别,需上异法补丁
  • l 由于抗干扰能力差造成漏检误检率高
  • l 项目周期普遍很长导致验证速度慢
  • l 对硬件环境要求较高

  传统算法 深度学习
扩展性当图像不规则、无规律时,缺陷特征很难通过手动设定,无法对图像进行分析识别.
通过深度学习算法,软件可以自动学习瑕疵的特征,使得无 规律图像的分析变得可能.
精确度若缺陷部分和之前 设定的缺陷特征有差别, 则无法检测,导致精度下降
精确度高.通过深度学习其法和 制造业特有的数据可以大幅提高 检测的造确度.
使用壁垒生产环境发生变化时,需要工程师进行手动设定缺陷特征。
即使普通工程师,通过便利的GUI界面,也可轻松进作业。

核心技术

  • AI算法
  • 小样本自动生成
  • 实时性优化
  • 快速目标检测

    解决人工智能技术大规模应用的核心痛点:敏捷开发落户客户需求。

    极短的时间内精确框出缺陷的位置,给出缺陷种类的概率,而且支持时时视频流探测。

解决方案

 精密机械和金属加工件外观 缺陷检测

机加工件

黑皮锻件

表面粗糙度超标
开裂
机加毛刺工装压痕

机加接刀痕

飞边

线切割过切

零件断裂

零件碰伤

内外径均不圆

折叠

内径塌角

机加后殘余黑皮

外径塌角

开裂

打磨凹坑

机加工崩刀痕

凹槽

 精密机械和金属加工件外观缺陷检测:螺栓、焊接、打孔

安装孔数量是否对应设计原稿



横梁上所有的螺母、螺栓防漏检测



重点部位焊接检测

 平面产品线上质检:布料、玻璃、薄膜、造纸、金属壳体

金属壳体 激光精度检测系统:精度可达0.01mm,速度可达1m/min

一个旋转滚筒将待检测条带条以一定倾斜角度匀速前进,摄像头架设一定高度对 产品进行缺陷项目检测。