#insightvisionsystems #deeplearning #cognexvisionsystems
Les systèmes de vision Cognex facilitent la configuration et le déploiement d'applications d'apprentissage profond, en particulier avec notre In-Sight ViDi. Apprenez étape par étape à développer une application robuste de détection de défauts en utilisant un système de vision In-Sight D900.
--
À PROPOS DE NOUS :
Depuis plus de 40 ans, Cognex rend la vision industrielle avancée accessible, ouvrant la voie aux entreprises de fabrication et de distribution pour devenir plus rapides, plus intelligentes et plus efficaces grâce à l'automatisation.
La technologie innovante de nos systèmes de vision 2D et 3D et de nos scanners de codes-barres industriels résout des défis critiques en matière de fabrication et de distribution, offrant des performances inégalées pour des secteurs allant de l'automobile à la logistique en passant par les biens emballés.
Cognex rend ces outils plus performants et plus faciles à déployer et, grâce à un accent constant sur l'IA, aide les usines et les entrepôts à améliorer la qualité et à maximiser l'efficacité sans nécessiter une expertise technique élevée.
Nous avons notre siège près de Boston, aux États-Unis, avec des implantations dans plus de 30 pays et plus de 30 000 clients dans le monde entier.
CONTACTEZ-NOUS :
LinkedIn : / cognex-corporation
--
RÉSUMÉ :
La vidéo montre comment configurer un système de détection de défauts par apprentissage profond pour l'inspection textile. Le processus consiste à collecter des images de pièces bonnes et défectueuses, à les étiqueter dans un éditeur spécialisé et à entraîner un modèle pour les distinguer. Les étapes clés incluent la définition de la région d'inspection, la définition des tailles de caractéristiques et l'application de perturbations de rotation pour gérer les orientations variées. Après l'entraînement, le système génère des scores et met en évidence les défauts. Les outils d'extraction de données remplissent les cellules du tableau avec des métriques telles que la surface et l'emplacement. Enfin, la solution est déployée via une interface homme-machine (IHM) basée sur le web, permettant aux utilisateurs de visualiser les résultats en direct, d'ajuster les seuils et d'intégrer les sorties avec des contrôleurs externes comme les PLC.
POINTS CLÉS À RETENIR :
-La configuration comprend une caméra, un ordinateur avec GPU et un dongle de sécurité pour exécuter les outils d'apprentissage profond.
-Collectez 15 à 20 images de bonnes pièces et de plusieurs types de défauts, en tournant pour couvrir tous les angles.
-Renommez les images en préfixant "bon" ou "mauvais" pour simplifier le processus d'étiquetage dans l'éditeur.
-Faites glisser l'outil Vidi Detect dans le tableau, définissez la région d'inspection et importez les images étiquetées.
-Ajustez la taille des caractéristiques à l'aide d'un outil à bulles sur le plus petit défaut et définissez une répartition de 50 % pour l'entraînement/test.
-Activez la perturbation de rotation pour générer synthétiquement des images tournées pour un entraînement robuste du modèle.
-Entraînez le modèle ; il apprend à évaluer les images, séparant les bonnes (score bas) des mauvaises (score élevé).
-Utilisez "Insérer des récupérateurs" pour extraire les données de défaut (surface, périmètre, emplacement) de l'outil vers les cellules du tableau.
-Publiez les scores et les balises graphiques sur une IHM web par défaut pour un suivi en temps réel et une interaction utilisateur.
-Affectez une cellule de surveillance à la bande film en direct et personnalisez l'IHM pour le déploiement en production.