3c電子
手機相機模組缺陷檢測
項目背景：
手機模組部件制造行業(yè)嚴格按照3C制造要求,對于零件缺陷檢測較為嚴格,因此使用機器視覺圖像分割算法來檢測零件中存在的各類缺陷,保證缺陷產(chǎn)品被剔除,只有合格品才能流入市場。
項目難點：
- · 缺陷種類復雜多樣(壓傷、開裂、粘料、缺料等);
- · 缺陷程度不同;
- · 表面臟污干擾; 背景環(huán)境干擾多。
3c電子
手機相機模組缺陷檢測
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：
手機模組部件制造行業(yè)嚴格按照3C制造要求,對于零件缺陷檢測較為嚴格,因此使用機器視覺圖像分割算法來檢測零件中存在的各類缺陷,保證缺陷產(chǎn)品被剔除,只有合格品才能流入市場。
項目難點：
- · 缺陷種類復雜多樣(壓傷、開裂、粘料、缺料等);
- · 缺陷程度不同;
- · 表面臟污干擾; 背景環(huán)境干擾多。
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構
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，直接影響焊接結構使用的可靠性。
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)生位置受結構影響，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)
周轉箱拆垛檢測
周轉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，周轉箱拆垛的自動化轉型是物流行業(yè)快速發(fā)展的重要一環(huán)。
項目難點：
· 周轉箱重量大、SKU種類繁多、周轉箱表面圖案復雜
· 180秒內(nèi)需要完成整垛周轉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構復雜，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構復雜
· 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
木材加工的質量決定木材成品的質量，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)場設備結構復雜,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
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
上一篇： 
下一篇：