物流運輸
化妝品分揀項目
項目背景：
某化妝品生產(chǎn)廠中,出現(xiàn)不同種類的化妝品混合的現(xiàn)象,因為化妝品種類繁多且結(jié)構(gòu)復雜,不易進行歸納整理,人工分揀不僅成本不斷升高,且常會出現(xiàn)分揀錯誤等現(xiàn)象。因此自動對化妝品進行分揀是很有必要的。
實施方案：
分揀機器在接受指令后,通過3D視覺對料框中貨品進行準確識別定位分配給機器人抓取位三維坐標和空間姿態(tài),將貨品抓取后放置于輸送線或搬運機器人上。
項目成果：
- · 24小時工作,節(jié)省人力成本40%-60%；
- · 精準識別并分類化妝品,通過和機械臂的協(xié)同工作,識別錯誤率0.1%。
物流運輸
化妝品分揀項目
在大型家電行業(yè)中，流水線檢查產(chǎn)品配件數(shù)量和種類是否正確，需要人工逐件檢查，不僅人工成本極高，且效率低下、易錯率高。此項目需求也是大多數(shù)工廠流水線作業(yè)的代表。
項目背景：
某化妝品生產(chǎn)廠中,出現(xiàn)不同種類的化妝品混合的現(xiàn)象,因為化妝品種類繁多且結(jié)構(gòu)復雜,不易進行歸納整理,人工分揀不僅成本不斷升高,且常會出現(xiàn)分揀錯誤等現(xiàn)象。因此自動對化妝品進行分揀是很有必要的。
實施方案：
分揀機器在接受指令后,通過3D視覺對料框中貨品進行準確識別定位分配給機器人抓取位三維坐標和空間姿態(tài),將貨品抓取后放置于輸送線或搬運機器人上。
項目成果：
- · 24小時工作,節(jié)省人力成本40%-60%；
- · 精準識別并分類化妝品,通過和機械臂的協(xié)同工作,識別錯誤率0.1%。
家電制造
LOGO防錯漏檢測
風扇裝飾環(huán)LOGO的檢測需要工作人員憑借肉眼識別，工件尺寸差別小、內(nèi)容差異性小，工作人員在工廠環(huán)境中長時間的工作，常常會出現(xiàn)識別錯誤的現(xiàn)象發(fā)生，工作效率低下。
項目難點：
· 現(xiàn)場環(huán)境復雜，對于光照的要求較高
· 工件尺寸、標識種類較多
· 裝置靈活度要求高
· 工件表面有薄膜，對于圖像處理的要求高
項目效果：
· 正確識別LOGO的判斷能力≥99.9%
· 檢測無遺漏，全面性更強，過檢率提升10%
· 生產(chǎn)節(jié)拍≤3s/pcs(穩(wěn)定檢測)
· 代替人工，并保證穩(wěn)定性
技術優(yōu)勢：
· 柔性自定義光源，做到精準光照
· 深度學習技術，快速識別不同缺陷特征數(shù)據(jù)
· 成像速度快、工作流程短
· 識別準確度和效率高
家電制造
視覺引導螺絲鎖付
鎖付產(chǎn)品為空調(diào)外機面罩，前端工序由人工手動完成面罩與蓋板準確貼合螺絲孔位后鎖付螺絲，實際作業(yè)中，由于材料差異以及輸送過程中的振動摩擦，容易出現(xiàn)各式各樣的缺陷，難以被傳統(tǒng)視覺算子檢測出。
項目難點：
· 面罩脫落、錯位、堵孔等各樣缺陷
· 孔位特征差異較大
· 需要進行鎖付前糾偏
項目效果：
· 可高效地計算出多層孔位對齊的偏差姿態(tài)與最佳螺絲鎖付點
· 實現(xiàn)在孔位錯位情況下，動態(tài)調(diào)整螺絲刀位姿進行孔位糾偏著點鎖緊
· 可以滿足各種情況下螺絲孔位安裝狀態(tài)的檢出
技術優(yōu)勢：
· 采用多尺度特征融合學習算法與對抗重建模型
· 抗干擾能力強、穩(wěn)定性高、兼容性廣
· 采用孔位評估策略和手眼協(xié)同動態(tài)糾偏算法
家電制造
OCR錯漏檢測
內(nèi)機外殼的品牌LOGO以及商標絲印生產(chǎn)時會有缺損和錯誤的情況，同時裝配階段也會發(fā)生混料問題。由于生產(chǎn)量巨大，人工質(zhì)檢已經(jīng)不能滿足生產(chǎn)效率。
項目難點：
· 多種不同型號的產(chǎn)品
· 商標絲印各不相同，軟件切換時間短
· 單位檢測時間需要判斷多個圖像特征
· 缺陷類型多樣，產(chǎn)品成像角度不穩(wěn)定
項目效果：
· 實現(xiàn)多種型號產(chǎn)品自動檢測，有效防止混料、錯料情況
· 高效作業(yè)，已能夠完全替代人工質(zhì)檢，提升效率25%
· 識別準確率超99.9%，低延時毫秒響應
技術優(yōu)勢：
· 深度學習視覺平臺，秒級切換不同產(chǎn)品型號生產(chǎn)
· 高性能軟件架構(gòu)提升識別效率
· 自研算法，動態(tài)判斷產(chǎn)品字符內(nèi)容
· 采用并發(fā)與異步等方式提升單位時間處理次數(shù)
家電制造
運動在線噴塑件缺陷檢測
在產(chǎn)品沖壓過程中，由于機床在生產(chǎn)過程中會產(chǎn)生細小的金屬碎屑，以及機床本身出現(xiàn)故障，導致沖壓產(chǎn)品的表面產(chǎn)生多種不規(guī)則的缺陷，人眼觀察難度巨大，人工質(zhì)檢已經(jīng)無法滿足生產(chǎn)效率要求。
項目難點：
· 缺陷類型多樣、分布不規(guī)則
· 對光學要求較高，需一次成像檢測所有缺陷特征
· 產(chǎn)品有五個面需要檢測，對算法要求較高
· 完整的產(chǎn)品檢測流程較長，需要內(nèi)外聯(lián)動機器人
項目效果：
· 已實現(xiàn)多產(chǎn)品型號的自動檢測，實現(xiàn)秒級切換
· 良品率提升10%，節(jié)省生產(chǎn)成本15%
· 識別準確率超99%，提升30%工作效率
· 高效作業(yè)，已能夠完全替代人工質(zhì)檢
技術優(yōu)勢：
· 采用多尺度特征融合學習算法與對抗重建模型
· 自研視覺算法，對缺陷特征進行分類以及二次處理
· 采用自研深度學習視覺平臺，有效聯(lián)動外部設備
· 使用成像自適應算法，適配多種尺寸
3C行業(yè)
PCB板底檢測
PCB板是電子信息產(chǎn)業(yè)不可或缺的基材，在生產(chǎn)制造過程中，短路、焊橋、開路、元器件松動或錯位等缺陷檢測，是對產(chǎn)品質(zhì)量把控的不可或缺一環(huán)。
項目難點：
· 檢測項目較多：連焊、虛焊、空焊、無引腳等
· 檢測目標小，形狀多種、數(shù)量多
· 檢測目標規(guī)格不同，難以控制適配所有產(chǎn)品的光照環(huán)境和拍攝距離
· 產(chǎn)品運動控制系統(tǒng)成本昂貴
項目效果：
· 檢測準確性和一致性明顯優(yōu)于質(zhì)檢員水平
· 識別效果精準度≥99.9%
· 精準實現(xiàn)對小型缺陷的識別，缺陷檢測精度提升20%
· 設備直通率90%以上，大幅度點降低控制系統(tǒng)成本
技術優(yōu)勢：
· 大量樣本數(shù)據(jù)累積，全面覆蓋各類缺陷
· 識別效率高，精確檢測不同類型缺陷
· 隨需構(gòu)建算法模型，快速鎖定小型缺陷
· 智能抓取算法，適配各類機臺軌道結(jié)構(gòu)
3C行業(yè)
電阻焊接缺陷檢測
在焊接生產(chǎn)過程中，由于各種因素的影響，往往會產(chǎn)生各種焊接缺陷。焊接缺陷不僅會影響焊縫的美觀，還有可能減小焊縫的有效承載面積，造成應力集中引起斷裂，直接影響焊接結(jié)構(gòu)使用的可靠性。
項目難點：
· 缺陷的表現(xiàn)特征跨度大，具有無規(guī)則性，無邊界性
· 產(chǎn)品缺陷產(chǎn)生位置受結(jié)構(gòu)影響，無法采用統(tǒng)一的拍照角度
· 不同角度的視角會引入復雜背景的干擾
項目效果：
· 實現(xiàn)局部微小缺陷與全局性大缺陷的同時檢出
· 解決焊接缺陷的規(guī)則性邊界性問題
· 滿足多視角下的缺陷識別，檢測率高達99.9%
技術優(yōu)勢：
· AI視覺技術進行前景背景分割
· 視覺注意力機制對焊接區(qū)域進行強化學習
· 多維度特征提取與多尺度識別
3C行業(yè)
精沖件缺陷檢測
由于精沖件加工工藝特殊、零件形狀復雜，可能存在各式各樣的缺陷。這樣的精沖件外觀缺陷難以高效檢測，檢測準確性和檢測穩(wěn)定性較差、容易誤判。
項目難點：
· 工藝精度較高，缺陷尺寸微小，肉眼難以觀察
· 產(chǎn)品表面殘留大量明顯的銑痕
· 缺陷相近特征，對缺陷分辨有比較大的干擾
項目效果：
· 極大的提高微小缺陷的檢出率，高達98%
· 背景紋理抗干擾識別能力泛化性，提升20%
· 精準實現(xiàn)對缺陷的識別，缺陷檢測精度≥99.9%
· 大幅度提高生產(chǎn)效率，更好地控制生產(chǎn)質(zhì)量
技術優(yōu)勢：
· 多尺度特征融合訓練與小目標缺陷檢測技術
· AI技術學習銑痕特征，增強缺陷識別抗干擾性
· 采用生成對抗神經(jīng)網(wǎng)絡進行銑痕缺陷背景融合
3C行業(yè)
交換機鈑金外觀缺陷檢測
在生產(chǎn)制造的檢測測量環(huán)節(jié)，因為加工環(huán)節(jié)多樣化、鈑金件規(guī)格種類繁多等原因，傳統(tǒng)檢測方法難以全方位檢測出有缺陷的鈑金件，效率低且無法實現(xiàn)同類型缺陷的分揀。
項目難點：
· 缺陷類型多樣化
· 尺寸差異大，單個相機視野無法覆蓋
· 傳統(tǒng)視覺建模板頻繁，標記難度大，換型困難
· 光學不均勻性使局部檢測特征弱
項目效果：
· 降低產(chǎn)品換型建模的頻率，大幅減少用戶操作換型工作量
· 提升微弱特征在感受野的差異化
· 增強目標缺陷的紋理特征
· 提升缺陷的準確識別與反射噪點的抗干擾性
技術優(yōu)勢：
· 多源圖像高精度拼接
· 多尺度圖像目標檢測和增強學習技術
· 采取區(qū)域特征圖提取、微弱特征增強與特征圖像分解等關鍵算法
物流行業(yè)
周轉(zhuǎn)箱拆垛檢測
周轉(zhuǎn)箱是當今工廠中必不可少的物流載體，關于它們的拆垛應用，有不少難題，垛形復雜多變、箱體種類繁多等等，周轉(zhuǎn)箱拆垛的自動化轉(zhuǎn)型是物流行業(yè)快速發(fā)展的重要一環(huán)。
項目難點：
· 周轉(zhuǎn)箱重量大、SKU種類繁多、周轉(zhuǎn)箱表面圖案復雜
· 180秒內(nèi)需要完成整垛周轉(zhuǎn)箱全流程拆跺及安置
· 同步完成視覺測距、定位、探測以及路線規(guī)劃算法
項目效果：
· 24小時工作，節(jié)省人力成本60%
· 精準識別多種箱體
· 通過和機械臂的協(xié)同工作，識別錯誤率0.1%
技術優(yōu)勢：
· 集拍照、點云生成、位置獲取等于一體
· 3D相機+深度學習+機器視覺，多維融合
· 自研上千種算法模型，快速完成應用搭建
物流行業(yè)
化妝品分揀項目
化妝品生產(chǎn)廠中，容易出現(xiàn)不同種類的化妝品混合的現(xiàn)象。但因為化妝品種類繁多且結(jié)構(gòu)復雜，不易進行歸納整理，人工分揀不僅成本不斷升高，且常會出現(xiàn)分揀錯誤等現(xiàn)象。
項目難點：
· 化妝品種類繁多且結(jié)構(gòu)復雜
· 要求處理速度最快、頻率高
· 需要在較小的空間內(nèi)完成產(chǎn)品分揀
項目效果：
· 24小時工作，節(jié)省人力成本40%-60%
· 分揀準確率達99.9%
· 精準識別并分類化妝品，通過和機械臂的協(xié)同工作，識別錯誤率低于0.01%
· 和人工作業(yè)相比，持續(xù)作業(yè)速度可提升1倍
技術優(yōu)勢：
· 自動識別海量混雜抓取方式
· 多視角光場成像
· 深度學習算法，持續(xù)不斷的優(yōu)化抓取結(jié)果
新能源
電池缺陷檢測
隨著新能源大力發(fā)展，電池的市場競爭越來越大，很多的廠商開始著重提電池的出廠質(zhì)量，傳統(tǒng)的檢測方法已經(jīng)不能滿足于現(xiàn)在的發(fā)展，這就需要電池外觀缺陷檢測實現(xiàn)自動化檢測。
項目難點：
· 涉及虛焊、脫焊、極群裝反、極柱變形、匯流排折彎、極耳數(shù)量多種缺陷類型
· 缺陷材質(zhì)多樣
· 沒有統(tǒng)一的行業(yè)標準，缺陷界限模糊，沒有明確的數(shù)據(jù)確定產(chǎn)品是否符合不良品
· 生產(chǎn)過程中不斷增加新的缺陷
· 現(xiàn)場設備限制，待檢測產(chǎn)品位置存在偏移
技術優(yōu)勢：
· 搭配英特爾 OpenVINO? 工具套件，輸出的更優(yōu)級CPU推理性能
· 結(jié)合深度學習技術，靈活應對不同檢測場景的需求
· 融合人工智能分類識別模塊，有效提高缺陷檢測效果
· 全幅面實時動態(tài)視頻監(jiān)控，監(jiān)控和檢測并行工作
· 標準嵌入式工業(yè)設計，標準進口硬件單元，方便隨時升級和擴展
項目效果：
· 0.01%漏檢，不超過5%過檢
· 快速剔除不良品，讓出廠產(chǎn)品達到99%合格率
· 精準實現(xiàn)對虛焊、脫焊、極群裝反、極柱變形等缺陷的識別，檢測精度≥90%
新能源
氫燃料電池極板缺陷檢測
氫燃料電池極板在生產(chǎn)工藝中會產(chǎn)生劃傷、掉膜、凹凸點、臟污等缺陷，依靠人工目測檢查的方式，存在較高的誤檢、漏檢，同時有些細小缺陷，難以被肉眼檢測出，容易造成不良品的流出。
項目難點：
· 缺陷多樣化、分布不規(guī)則
· 局部特征和缺陷特征具有很高的相似度
· 缺陷尺寸在絲米級別，類別差不明顯
· 缺陷規(guī)則的方向性，較難實現(xiàn)全部缺陷檢出
項目效果：
· 增強了對電池極板上的干擾紋理的適應性，誤檢率降低了20%
· 實現(xiàn)在絲米級精度下精確地對不同類型缺陷的對比分類，精準度高達99.9%
· 實現(xiàn)同一產(chǎn)品的不同角度識別的融合處理，準確率高、穩(wěn)定、覆蓋面廣
技術優(yōu)勢：
· 背景感知、強化學習等AI技術
· 多尺度特征融合訓練與小目標缺陷檢測技術
· 多角度圖像采集點智能協(xié)同方案
· 像素級輪廓特征處理算法
木材加工
木材加工高精度線圓測量
木材加工的質(zhì)量決定木材成品的質(zhì)量，木板板材生產(chǎn)中按照設計圖紙對木板進行打孔作業(yè)，容易產(chǎn)生孔徑誤差，孔位偏移等問題。
項目難點：
· 生產(chǎn)中對孔位、孔徑尺寸精度要求高，誤差在絲米級別
· 生產(chǎn)的木板材尺寸差異大，視覺檢測視場覆蓋面不足
· 孔位孔徑規(guī)格多、數(shù)量多，創(chuàng)建模板工作量大，產(chǎn)品換型困難
項目效果：
· 滿足大視場大尺寸產(chǎn)品的全覆蓋高精度測量
· 實現(xiàn)木板材圖紙與打孔規(guī)格全自動識別
· 無需重復手動創(chuàng)建模板和產(chǎn)品換型，提升柔性檢測的兼容性
技術優(yōu)勢：
· 多角度圖像采集點智能協(xié)同方案
· AI技術提取學習木板材孔位加工特征
木材加工
木材缺陷檢測
實木家具生產(chǎn)中，木材的結(jié)節(jié)、蟲蛀、開裂、油漬、邊皮等主要缺陷會影響其出材率，進而提高成本。因此，精準識別缺陷位置和缺陷范圍，才能夠有效實現(xiàn)“木材優(yōu)選切割”，提升出材率。
項目難點：
· 同一種缺陷下的顏色、紋理和形狀都會有很大差異
· 部分活結(jié)節(jié)缺陷從成像上看幾乎與木材本身的花紋無異
· 木材作為一種自然材料，缺陷不一致性極大
項目效果：
· 尺寸兼容性強：寬度30-400mm、長度100-6000mm
· 檢測速度最快可支持4m/s
· 漏檢率≤0.05%
技術優(yōu)勢：
· AI算法對各類缺陷的大量圖像樣本進行學習
· 每類缺陷都建有一個準確的算法模型
· 利用目標識別對木材常見缺陷進行精準定
木材加工
地板花紋分類
地板的花紋是樹木自然生長形成的，花紋都是隨機分布，且切割的方向也會影響花紋的形狀。因此木材在切割成地板后，每一片的紋理都會有差異，傳統(tǒng)的機器視覺識別無法滿足極其不規(guī)則的分類需求。
項目難點：
· 花紋排列極不規(guī)則
· 同一類花紋，各自的花紋排列都差別很大
· 不同樹木的顏色差異很大
· 傳統(tǒng)機器視覺無法很好的兼容不同顏色地板的識別
項目效果：
· 尺寸兼容性強：寬度30-240mm、長度600-2200mm
· 不停線識別，產(chǎn)線生產(chǎn)效率提升30%
· 24小時連續(xù)識別，降低20%的人工成本
技術優(yōu)勢：
· 融合深度學習技術不斷提升識別精度，實現(xiàn)精準快速分類
· 利用目標識別對結(jié)節(jié)、傷疤等木材常見缺陷進行自動定位
木材加工
木碎屑顏色識別
木碎作為木材行業(yè)中具有廣泛用途的副產(chǎn)品，是木漿造紙的重要組成部分。在造紙過程中，需要利用漂白粉對木碎進行顏色調(diào)整，而由于木碎顏色的不統(tǒng)一性，易導致漂白粉劑量偏差，提高生產(chǎn)成本。
項目難點：
· 顏色、紋理和形狀等方面差異性極大
· 深淺2種顏色的木碎相互摻雜，干擾算法判斷
· 木碎來料有干有濕，干濕顏色各不相同
· 木碎來料批量大，顏色復雜且隨機性高
項目效果：
· 可快速完成對大批量復雜且隨機的木碎的顏色識別
· 檢測速度最快可支持4m/s
· 識別準確率≥99.8%
· 識別結(jié)果實時輸出，收料端人員可及時做出相應調(diào)整
技術優(yōu)勢：
· 深度學習算法，不斷提高樣本訓練精準度
· 訓練模型可快速識別深淺木碎摻雜下的顏色
· 學習算法融合高頻細節(jié)，穩(wěn)定判斷復雜顏色
· 算法學習無異物的木屑圖像，快速檢測出污染物
紡織行業(yè)
斷線檢測
在紡織生產(chǎn)工業(yè)中，紡織機在紡紗過程中會出現(xiàn)突然斷線的情況，且難以被肉眼檢測出，而一旦斷線為檢出人容易讓設備受到損壞，直接造成紡織廠的紡紗系統(tǒng)不能有效地運行，進而造成經(jīng)濟損失。
項目難點：
· 梳毛機對應線筒的線圈數(shù)量不同
· 線色多種
· 現(xiàn)場設備結(jié)構(gòu)復雜,無法達到較優(yōu)的光環(huán)境和拍攝視角
· 工作人員頻繁更換線筒,檢測設備無法固定位置
· 為保證線圈品控,斷線后較短時間要續(xù)連
項目效果：
· 0.01%錯漏率
· 較高分辨率和較高檢測速度，提升整體效率20%
· 適用于各種使用場合
技術優(yōu)勢：
· 輕轍平臺搭建業(yè)務流程
· 多相機串聯(lián)接入，對定位、分割算法的場景復用
· 機器視覺融合深度學習，對產(chǎn)品特征大量學習，不斷提升識別效果
其他行業(yè)
電力線路桿號牌分揀
線路桿塔的桿號牌是線路桿塔的“身份證”，擔負著宣傳電力知識、安全警示的作用，桿號牌的字跡模糊、脫落等現(xiàn)象，給線路巡視檢修、故障搶修等工作帶來許多潛在的隱患。
項目難點：
· 桿號牌字符不確定，無法預置字符庫方式建立圖像字符模板
· 字符方向與來料多樣，存在相近字符的干擾
· 字符存在擠壓變形，影響字符檢出
項目效果：
· 實現(xiàn)部分字符缺損，漏檢，小數(shù)點符號干擾的情況下對所有字符聯(lián)想檢出
· 有效提升變形字符的識別率，高達90%
· 有效規(guī)避文本方向帶來的近似字符干擾，檢出率精準度提升20%
技術優(yōu)勢：
· 文本檢測算法與優(yōu)化SVTR文本識別算法
· 采用文本方向分類器算法
· 文本尺度修正算法，規(guī)范字符尺度處理上的統(tǒng)一性
其他行業(yè)
機加工滾子打痕缺陷檢測
滾子兩個端面經(jīng)過內(nèi)外徑精加工與雙端面研磨工藝，來料表面存在研磨劃痕和切削液殘留，在光學成像中與端面亮點缺陷同樣呈現(xiàn)高亮特性，傳統(tǒng)視覺算法無法區(qū)分。
項目難點：
· 缺陷尺寸在絲米級別，肉眼不易觀察
· 端面缺陷存在相近干擾
· 不易區(qū)分檢測目標與其他光學噪點
項目效果：
· 極大的提高微小缺陷的檢出率
· 微小的缺陷尺寸特征完成放大增強處理
· 微小缺陷檢測精度≥0.1mm
· 缺陷檢出率≥99.9%
技術優(yōu)勢：
· 多尺度特征融合訓練與小目標缺陷檢測技術
· AI+視覺技術，解決相近缺陷干擾因素
· 采用分辨率高、抗干擾能力強、受光線影響小的光源方案
其他行業(yè)
豬肉分類、貼標
盒裝豬肉需要在豬肉分類裝盒且封膜后貼標簽，過程中，由于豬肉種類繁多復雜，且常伴隨著來料混雜的情況，依靠人工肉眼分類貼標，不僅易出現(xiàn)錯貼，且工作效率低下，人工成本大。
項目難點：
· 超50多類的產(chǎn)品類別
· 相似類別眾多，不易分辨
· 同一類別的肉在顏色上存在較大差異
· 同一類別的肉在形狀上存在較大差異
項目效果：
· 識別速度≥100盒/分鐘
· 大容量樣本庫，多類肉都能做精準識別
· 識別結(jié)果實時輸出到貼標機，標簽貼錯率降低至1%；
· 24小時連續(xù)識別，人工成本降低25%
技術優(yōu)勢：
· 深度學習圖像樣本，建立準確算法模型，穩(wěn)定精準分類
· 不受來料的隨機混料影響，實時檢測且快速輸出對應標簽
· 新增品類只需簡單的訓練操作，耗時少，不耽誤新品上線
其他行業(yè)
氣墊梳梳齒外觀檢測
氣墊梳的齒針缺陷檢測以人工全檢為主，但隨著市場體量進一步擴大、產(chǎn)量持續(xù)增加，人工檢測效率已無法滿足生產(chǎn)需求，此外人工檢測還伴有漏檢率高、錯檢率高等問題，難以適應市場發(fā)展。
項目難點：
· 產(chǎn)品顏色多樣化，顏色不同反光效果差異大
· 產(chǎn)品顏色的不確定性，導致打光難度高
· 不同顏色的齒針頂端成像效果差異大
· 一套算法兼容多種顏色，難度很大
項目效果：
· 實現(xiàn)秒級檢測，檢測效率提升35%
· 檢測精度0.5mm，肉眼不易觀察到的缺陷也能輕易檢出
· 兼容性高，適配常規(guī)的所有尺寸和顏色
技術優(yōu)勢：
· 利用輪廓儀掃描出產(chǎn)品整體的3D成像方案
· 采用405nm的短波長激光，大大降低顏色對成像影響
· 檢測精度高，齒針短針超過0.5mm可被檢測出來
其他行業(yè)
缸體內(nèi)遺漏鋼珠檢測
“鋼珠流研磨”是發(fā)動機缸體去毛刺的重要手段。缸體內(nèi)部孔道分布十分復雜，研磨完成后難免會有鋼珠遺留在缸體內(nèi)部，因此需要進行檢測。傳統(tǒng)的人工全檢，會出現(xiàn)漏檢、誤檢等問題，且效率低下。
項目難點：
· 缸體孔道分布復雜
· 孔道內(nèi)壁成像與鋼珠成像類似
· 圖像背景對鋼珠檢測有較大干擾
· 小孔、深孔內(nèi)鋼珠成像不明顯
項目效果：
· 檢測單個產(chǎn)品耗時≤5s
· 100%檢出
· 鋼珠遮擋70%也能準確識別
· 不停線檢測，不耽誤生產(chǎn)
技術優(yōu)勢：
· 采用深度學習與傳統(tǒng)算法相結(jié)合，缺陷檢出率高
· 經(jīng)過適當訓練的神經(jīng)網(wǎng)絡可以很好地識別出變量環(huán)境
· 可以通過訓練，快速適應新產(chǎn)品的檢測
· 高運行速度下的高精度檢測
其他行業(yè)
密封圈缺陷檢測
空調(diào)制冷管道的密封是制冷系統(tǒng)正常工作的基礎，因此密封圈是空調(diào)制冷系統(tǒng)是否穩(wěn)定的重要零部件，其性能直接影響制冷效果。密封圈缺陷檢測是空調(diào)生產(chǎn)線不可或缺的環(huán)節(jié)，需要進行長期穩(wěn)定且精準檢測。
項目難點：
· 產(chǎn)品外形復雜，成像背景也復雜
· 缺陷種類多，同類缺陷形狀各異、顏色深淺不一
· 起皮缺陷細小成像不明顯，存在檢測難度
項目效果：
· 外臺階+側(cè)壁全檢，檢測速度≥10個/s
· 檢測精度0.2mm
· 檢出率≥99.8%
技術優(yōu)勢：
· 采用深度學習算法，對各類缺陷進行細節(jié)信息學習
· 訓練完成后即可從復雜背景中快速識別出缺陷。
· 穩(wěn)定檢出成像不明顯的細小裂紋和起皮
其他行業(yè)
雪糕盒檢測
餐飲行業(yè)中，塑膠勺、塑料餐盒等塑料制品的衛(wèi)生檢測極其重要。這些塑料制品異物內(nèi)容通常表現(xiàn)為黑點、臟污、毛發(fā)等，靠人工檢測不僅有漏檢、誤檢等問題，且工作效率低、人工成本高。
項目難點：
· 檢測速度要求極高
· 產(chǎn)線速度1.5m/s，每秒檢測50個產(chǎn)品
· 盒底有凹凸字符，字符邊緣暗角部分成像干擾檢測
技術優(yōu)勢：
· 高幀率面陣相機結(jié)合高效算法，實現(xiàn)高效檢測
· 非接觸式檢測，不會對產(chǎn)品造成二次污染
項目效果：
· 檢測精度：0.2mm
· 檢測速度≥50個/s
· 漏檢率≤0.01%
· 檢測到NG時，實時報警并提示NG產(chǎn)品的位置，同時將缺陷區(qū) 域顯示在屏幕上
· 24小時連續(xù)識別，降低人工成本
上一篇：
一站式AI視覺解決方案和豐富的軟硬件產(chǎn)品，為企業(yè)高效賦能
下一篇：