Mit einer Trainiertes neuronales Netz, Die KI-Tools zur Erkennung von Oberflächenfehlern erkennen ein Merkmal oder einen Fehler, der mit herkömmlichen Techniken nicht erkannt werden kann.
PERFORMANT
Schnelle Ausbildung
Weniger Falschrückweisungen
als mit herkömmlichen Werkzeugen
BEREIT ZUR
VERBESSERUNGEN
Schnellste Hardware
Aktualisierbare Software
EASY TO USE
Benutzerfreundliches Einrichten
für Oberflächensteuerungen
Der Algorithmus der AI-Tools kann mit den folgenden Kontrollstationen kombiniert werden, die auf Dimac MCV-Inspektionsmaschinen.
Für die Steuerung von erhabenen oder vertieften Elementen auf ebenen Flächen. Die SFS-Technologie ermöglicht es Ihnen die dreidimensionale Oberfläche rekonstruieren einer flachen Oberfläche, wobei erhabene und vertiefte Elemente hervorgehoben werden. Die Kontrolle wird nicht durch Flecken, Inhomogenitäten in der Farbe des Werkstücks, die Art oder das Aussehen der Oberflächenbeschichtung beeinflusst.
Die interessantesten Anwendungen sind Unterlegscheiben, flache Schraubenköpfe, Münzen, Ober- und Unterseiten von Muttern und Feinschneidplatten.
Die kombinierte Analyse der Bilder mehrerer Kameras ist so gestaltet um die gesamte äußere Seitenfläche des Stücks zu sehen zur Erkennung von Gewindebeulen, Kratzern auf glatten Oberflächen, offenen Rissen und radialen Löchern.
Die Zeilenkamera, combined with an encoded 360° rotation Station, können Sie rekonstruieren das vollständige Bild der seitlichen Entwicklung der Stücke mit zylindrischer oder ähnlicher Geometrie.
Die Analyse der Entwicklung der seitlichen Oberfläche des Stücks kann Informationen oberflächlicher und maßlicher Art liefern: das Vorhandensein von Oberflächeninhomogenitäten (Linien, Kratzer), die maßliche Kontrolle der richtigen Phase zwischen zwei asymmetrischen Elementen des Stücks (z. B. zwei radiale Löcher), das Vorhandensein offener Risse (wie auf dem Bild oben).
KI-Tools zur Erkennung von Oberflächenfehlern unterscheiden sich von herkömmlicher Bildverarbeitungssoftware dadurch, dass sie sich nicht auf vorgegebene Regeln stützen. Stattdessen berechnet der KI-Algorithmus Variablen und bildet ein neuronales Netzwerk, das die Bildähnlichkeit für Kategorien wie konforme und nicht konforme Teile bewertet. Dieses Netzwerk bestimmt die prozentuale Ähnlichkeit eines neuen Bildes mit bestimmten Kategorien.
AI goes beyond analytical image interpretation, autonomously generating search criteria with logic not directly understandable by humans. While highly versatile and powerful, its results aren’t entirely predictable beforehand, necessitating careful field validation.
Es ist von entscheidender Bedeutung, effektive und recheneffiziente Lösungen zu finden. Der KI-Prozess erfordert erhebliche Rechenzeit für die Trainings- und Validierungsphasen. Um lange Ausfallzeiten der Sortieranlage zu vermeiden, wird das Training nicht an der Maschine durchgeführt. Sortiermaschine.
Um den Benutzern die Arbeit zu erleichtern, bietet Dimac einen Remote-Trainingsdienst für neuronale Netze an.
Die Maschinensoftware enthält ein einfaches Verfahren, das die Bediener bei der Erfassung ausreichender Bilder von konformen und fehlerhaften Proben unterstützt.
Die sichere 100%-Kontrolle eines bestimmten Fehlers ist oft eine Herausforderung, die mit herkömmlichen Techniken nicht gelöst werden kann. Neben der menschlichen Sichtprüfung ist die KI derzeit die einzige praktikable Lösung. Das menschliche Auge bleibt bei der Definition und Optimierung des KI-Workflows heute und möglicherweise auch in Zukunft unverzichtbar.
