#insightvisionsystems #deeplearning #cognexvisionsystems
Die Vision-Systeme von Cognex ermöglichen eine schnelle und einfache Einrichtung sowie Bereitstellung von Deep-Learning-Anwendungen, insbesondere mit unserem In-Sight ViDi. Erfahren Sie Schritt für Schritt, wie Sie eine robuste Anwendung zur Fehlererkennung mit einem In-Sight D900 Vision System entwickeln.
--
ÜBER UNS:
Seit über 40 Jahren macht Cognex fortschrittliche Maschinenvision einfach und ebnet den Weg für Produktions- und Vertriebsunternehmen, schneller, intelligenter und effizienter durch Automatisierung zu werden.
Innovative Technologien in unseren 2D- und 3D-Vision-Systemen sowie industriellen Barcode-Scannern lösen kritische Herausforderungen in der Produktion und im Vertrieb und bieten unvergleichliche Leistung für Branchen von der Automobilindustrie bis zur Logistik und zu verpackten Waren.
Cognex macht diese Werkzeuge leistungsfähiger und einfacher einsetzbar, und dank eines langjährigen Fokus auf KI helfen wir Fabriken und Lagern, die Qualität zu verbessern und die Effizienz zu maximieren, ohne dass hochgradige technische Expertise erforderlich ist.
Unser Hauptsitz befindet sich in der Nähe von Boston, USA, mit Standorten in über 30 Ländern und mehr als 30.000 Kunden weltweit.
KONTAKTIEREN SIE UNS:
LinkedIn: / cognex-corporation
--
ZUSAMMENFASSUNG:
Das Video zeigt die Konfiguration eines Deep-Learning-Fehlererkennungssystems zur Textilinspektion. Der Prozess umfasst das Sammeln von Bildern guter und defekter Teile, das Labeln dieser in einem spezialisierten Editor und das Trainieren eines Modells, um zwischen ihnen zu unterscheiden. Wichtige Schritte sind das Festlegen des Inspektionsbereichs, das Definieren der Merkmalsgrößen und das Anwenden von Rotationsstörungen, um unterschiedliche Ausrichtungen zu berücksichtigen. Nach dem Training generiert das System Punktzahlen und hebt Fehler hervor. Datenextraktionswerkzeuge füllen die Zellen der Tabelle mit Metriken wie Fläche und Standort. Schließlich wird die Lösung über eine webbasierte Mensch-Maschine-Schnittstelle (HMI) bereitgestellt, die es den Benutzern ermöglicht, Live-Ergebnisse zu sehen, Schwellenwerte anzupassen und Ausgaben mit externen Steuerungen wie SPS zu integrieren.
WICHTIGE ERKENNTNISSE:
- Die Einrichtung umfasst eine Kamera, einen GPU-fähigen Computer und einen Sicherheitsschlüssel zum Ausführen von Deep-Learning-Tools.
- Sammeln Sie 15–20 Bilder guter Teile und mehrerer Fehlertypen, wobei Sie rotieren, um alle Winkel abzudecken.
- Benennen Sie die Frames um, indem Sie „gut“ oder „schlecht“ voranstellen, um den Labeling-Prozess im Editor zu optimieren.
- Ziehen Sie das Vidi Detect-Tool in die Tabelle, legen Sie den Inspektionsbereich fest und importieren Sie die gelabelten Bilder.
- Passen Sie die Merkmalsgröße mit einem Blasentool am kleinsten Defekt an und setzen Sie eine 50%-Teilung für Training/Test.
- Aktivieren Sie die Rotationsstörung, um synthetisch rotierte Bilder für ein robustes Modelltraining zu generieren.
- Trainieren Sie das Modell; es lernt, Bilder zu bewerten und gute (niedrige Punktzahl) von schlechten (hohe Punktzahl) Teilen zu trennen.
- Verwenden Sie „Insert Getters“, um Fehlermetriken (Fläche, Umfang, Standort) aus dem Tool in die Zellen der Tabelle zu ziehen.
- Veröffentlichen Sie Punktzahlen und Grafik-Tags auf einer standardmäßigen Web-HMI für die Echtzeitüberwachung und Benutzerinteraktion.
- Weisen Sie eine Überwachungszelle dem Live-Filmstreifen zu und passen Sie die HMI für den Produktionseinsatz an.