Deep Learning erweitert in vielen Branchen die Möglichkeiten zur Automatisierung der industriellen Produktion und kann zahlreiche neue Anwendungen lösen, welche vorher nicht automatisierbar waren. Hierzu zählen das Lesen anspruchsvoller Texte, die Überprüfung von Oberflächenfehlern, das Prüfen von verschiedenen Montageschritten, die Einstufung der Produktqualität und auch das Sortieren variabler Teile.
Die Deep-Learning-Technologie wird verwendet, um Muster vorherzusagen und auf Entscheidungen beruhende Anwendungen durchzuführen. Diese fortschrittliche Technologie setzt Algorithmen mit künstlicher Intelligenz (KI) ein, um Roboter und Maschinen das zu lehren, was sonst von Menschen ausgeführt wird: Lernen am Beispiel. Cognex Deep Learning wurde für die automatische Fertigung entwickelt. Ihre industrieerprobten Algorithmen wurden besonders für die industrielle Bildverarbeitung optimiert.
Edge Learning mit In-Sight 2800
Die In-Sight 2800 Serie kombiniert künstliche Intelligenz (KI) mit herkömmlichen regelbasierten Bildverarbeitungstools, um eine breite Palette an Anwendungen zu bewältigen. Von der Prüfung auf Vorhandensein/Fehlen bis hin zur Sortierung und dem Lesen von Text und Zeichen bietet In-Sight 2800 eine einfach zu implementierende Lösung zur Fehlervermeidung.
Edge Learning mit In-Sight 3800
Die In-Sight 3800 ist ein All-in-One-Bildverarbeitungssystem, das alle Ihre Bildverarbeitungsaufgaben löst. Mit einem vollständigen Satz robuster regelbasierter Tools und innovativer Edge-Learning-Technologie bewältigt das In-Sight 3800 eine Vielzahl von Fertigungsanwendungen, von der Defekterkennung und Montage- und Bestückungsüberprüfung bis hin zum Zeichenlesen und mehr.
Deep Learning mit D900 Serie
Die In-Sight D900 ist eine intelligente Kamera mit In-Sight ViDi-Software, die speziell für Deep-Learning-Anwendungen entwickelt wurde. Diese integrierte Lösung hilft Kunden in der Fabrikautomation beim Lösen anspruchsvoller industrieller OCR-, Montageüberprüfungs- und Defekterkennungsanwendungen an der Produktionslinie, die mit herkömmlichen regelbasierten Bildverarbeitungstools quasi unmöglich zu lösen waren.
Im Gegensatz zu herkömmlicher Bildverarbeitung, welche hervorragend für Produkte mit gleichem Aussehen verwendbar ist, ist Deep Learning ein neuer Ansatz für die industrielle Bildverarbeitung. Deep Learning verwendet neuronale Netze für das Lesen von Markierungen bzw. Texten, der Fehleranalyse und um Objekte zu lokalisieren und zu klassifizieren. Hierzu werden Bilder von einwandfreien und wenn erforderlich oder gewünscht auch fehlerhaften Produkten dem System zum Lernen präsentiert. Ein neuronales Netzwerk lernt also anhand von Beispielen wie ein Produkt aussehen muss und kann im Prüfprozess unter Berücksichtigung von erwarteten Abweichungen den Unterschied zwischen einem guten und einem fehlerhaften Teil erkennen.
Lesung von schwierigen industriellen OCR Anwendungen
Deep Learning nutzt die künstliche Intelligenz und erkennt mithilfe optischer Zeichenerkennung (OCR) zum Beispiel stark verformte, schiefe und schlecht lasergeätzte Zeichen auf elektronischen Bauteilen, nadelgeprägte Zeichen auf Metallteilen, geprägte Zeichen auf Spritzgussprodukten, schwach lesbare Texte auf Verpackungen und Produkten oder Zeichen mit wenig Kontrast die herkömmliche OCR-Tools nicht dekodieren können.
Schnelle und präzise Montageüberprüfungen
Durch die künstliche Intelligenz ist eine zuverlässige automatisierte Montageüberprüfung möglich, weil selbst komplexe Merkmale und Objekte erkennbar sind. Das System kann so trainiert werden, dass es eine umfassende Bibliothek der Komponenten erstellt, die im Bild lokalisiert werden können, selbst wenn sie in verschiedenen Winkeln sichtbar sind oder unterschiedliche Größen besitzen.
Identifiziert unvorhersehbare Fehler
Das Deep Learning System eignet sich für das Auffinden von Anomalien auf komplexen Teilen und Oberflächen, selbst in Situationen, in denen das Aussehen der Defekte unvorhersehbar sein kann. Das System wird mit Bildern von fehlerfreien Teilen trainiert um im Prüfprozess Bildbereiche zu identifizieren, die von dem normalen Erscheinungsbild abweichen, wodurch defekte Teile erkannt werden können.
