使用深度学习装配验证工具识别各种组件或部分配置
机器愿景中已经制造了令人难以置信的脚步，使得先进的算法可以通过最多的特征或德国必威标记来区分视觉上类似的部分。在编程和培训方面的检查和前期投资之间存在自然权衡和准确性。为了开发线性规则，以教导计算机以区分单个部分中可能的数百或数千个变化，不成熟，非常令人难以置信的时间。
然而，这种方法并不一定是万无一失的。
表现出对比模式和镜面眩光的非结构化和/或高度复杂的场景可以简单地变得过于笨重，特别是对于需要识别可能改变部分的大量组件并以多种配置出现的大量组件的组装验证应用程序。即使零件是一致且制造良好的，装配验证检查仍然是一个最艰巨的自动化。这是因为，尽管由于机器视觉系统能够在部分外观上容忍某德国必威些可变性，但由于刻度，旋转或姿态畸变，较为像复杂的条件，令人困惑的表面纹理和差的照明造成非常严重的挑战。德国必威机器视觉系统努力考虑在非常有视觉上类似的部件之间的可变性和偏差。
当组件或子组件包含许多偏差和变化时，系统上的负担将加剧直到对所有这些差异的升值变得太难编制或解释。将这些检查削减到人类检查员效率低下，不可提供，并且由于疲劳和从检查员到检查员的偏差而导致错误仍然导致错误。
基于深度学习的图像分析工具是自动化最棘手的装配验证检查的替代方案。
汽车工业装配验证
在汽车制造行业中，许多物体和场景都是不可预测的，在组装的不同阶段呈现给摄像机的是不同的。对于成品车来说，总装是一个非常棘手的验证过程。这是因为它挑战了定义传统机器视觉发展的逐步过滤和基于规则的算法。德国必威
随着缺陷库的增长和配置更改的扩展，维护这些算法变得太笨重了。最终装配验证测试了编程的局限性，因为它涉及多个变化变量，如光照、颜色、曲率和视野，这对于计算机和相机来说是很难分离的。这就是为什么传统上，在汽车组装的最后阶段，人类检查员会继续进行外部检查。尽管他们可能擅长识别不同车型在不断变化的照明条件下移动时的各种部件和特征，但人类检查人员可能仍然不一致。
相反，深度学习软件可以可靠地建立一个参考特征库——从上述颜色和部件——在一张完整组装的汽车照片中定位和识别它们。从这里开始，通过添加一个附加功能，可以很容易地自动化最终组装验证检查:一旦组件被定位和识别，软件可以提供“通过”或“失败”的结果。
电子行业的装配验证
电子制造商正在为其装配验证申请提供深入的学习，以获得高度判断的决策。培训检查系统以发现并验证多个组件的存在和正确放置是太耗时的。涉及具有许多彼此接近或接触或接触或接触的图像的图像可能几乎不可能或过于复杂，无法使用传统的机器视觉解决。德国必威
必须检查一块电子硬件，如保险丝盒，可以检查可能阻碍性能或损害安全性的任何缺陷，污染物，功能漏洞或其他不规则性。在将保险丝盒组装成设备或运送给客户之前，需要将这些错误夹住。值得庆幸的是，基于深度学习的软件在这些令人困惑的条件下进行了优化，包括当图像低对比度或捕获不良时。
最终验证保险丝盒的完整组装，深度学习工具首先学习基于标有每个零件类型的位置的图像来识别许多电子元件。根据此输入，该工具的神经网络构建了每个组件的参考模型：这包括它们的正常尺寸，形状和曲面特征以及盒子上的常规位置。在运行时期间，工具段包含包含组件的框的所有区域，以正确识别组件是否存在，并且是正确的类型。
包装工业的装配验证
考虑验证包装的冷冻膳食的正确装配的任务。几个食物托盘的包装在外面看起来类似，但在内部含有不同的货物混合。相反，所有包装中可能存在相同的食物组分，但它们的布局或部分尺寸可以改变。
食物组件和各种配置和布局的数量难以使用传统机器视觉难以耗时，特别是因为很难只使用单个工具自动定位和识别单个图像内的多个功能。德国必威任何最终包装组件验证应用程序所涉及的高度复杂的场景可能太难以控制为生长的例外和缺陷库。
基于深度学习的图像分析使得验证食物托盘是通过学习正确组装的，不仅是每种食物组分的略微可变的外观，而且是可接受的布局。一旦接受了各个组件的正常外观，软件构建了各种食品的完整数据库以定位。在运行期间，检查图像可以分成不同的区域，以便软件可以检查食物的存在并验证它们是正确的类型。
对于打包布局不同的情况，软件足够灵活，允许用户训练多种配置。随着配置的变化，深度学习软件可以进行调整，以继续识别每个单独的组件，并确认它是正确的类型。通过这种方式，用户只需使用一个工具就可以自动验证包装食品托盘或冷冻食品。
消费电子工业的装配验证
在组装移动设备面板或模块的过程中，经常会有松动的螺丝等异物掉入相邻模块的外壳中。检测任何夹杂物是至关重要的，以免在最终装配过程中造成阻塞或损坏。碎片通常很小，外观上的微小变化——无论是由于微弱的光照反差、方向变化还是金属眩光——都会使自动检测系统感到困惑。
同时，这些类型的条件也会使检测系统难以判断预期的组件是否在正确的外壳中。最后，移动设备面板包含许多紧密相连的部件，检测系统很难将它们区分为独立的部件。
将所有这些变量编程到基于规则的算法中是耗时的，容易出错，并且在现场维护具有挑战性。幸运的是，基于深度学习的图像分析软件可以学习面板或模块的许多组件的正确成品外观，以便识别安装不当的部件，如螺钉。通过对存在碎片或部件缺失的模块的“坏”图像以及模块正确组装的已知“好”图像进行训练，像Cognex深度学习这样的工具可以创建一个移动设备面板的参考模型，在具有挑战性的条件下，它可以像人工检查员一样可靠地识别任何有缺陷的面板，但具有自动化系统的速度和可靠性。
传统上，组装验证的应用已经降级到人类检查员。然而，在每分钟需要对数百个或数千个零件进行可靠重复检查的生产线上，人力的检查能力是不够的。基于深度学习的工具现在能够填补这一空白。
康康克斯深度学习受标记图像的培训 - 无需软件开发 - 正确地定位和识别各种尺寸，形状和表面特征的部件。一旦克服了这种障碍，确认在正确的布局或配置中是否存在正确的组件，并且与传统视觉不同，不需要额外的逻辑建筑物。
