您的位置 首页 电子技术

借助VisionPro Deep Learning 开启外观瑕疵检测的无人化之路

借助VisionPro Deep Learning 开启外观瑕疵检测的无人化之路-FIT已在自动化瑕疵检测设备中成功部署了60多套VisionPro Deep Learning。在实际运行中,其性能表现出色。整体检测能力,如漏检率控制在《 0.1%、过杀率《1~2%,检测准确率大大提升。

行业:电子制造

解决方案:VisionPro Deep Learning

挑战:

传统检测方法是用电子显微镜放大和人工目视检测外观瑕疵的方式,长期下来作业员识别率降低,无法保证精密连接器缺陷检测的质量和效率;

由于人工检测的方法导致标准不一致,易发生质量问题,给企业带来不利影响;

传统检测方法没有实现检测自动化,产生了大量人工成本。

效果:

实现外观瑕疵检测的自动化,减少企业成本;

整体检测能力大大提升,机台判定标准一致,完全避免了人为因素导致的检验问题;

实现了无人化智能工厂,有力支持了企业智能制造战略的实施。

作为全球化的领先解决方案提供商,鸿腾精密(Foxconn Interconnect Technology,FIT)旨在构建互联互通,实现更美好的世界。FIT关键产品包含缆线组件、连接器、主动式光纤电缆、嵌入式光学模块、可插拔的收发器模块、天线、无线充电产品与组件、音频、电力与缆线配件等。 FIT是富士康科技集团最早成立的事业群。凭借在消费者洞察、行业趋势、设计、开发、研究、制造工程、生产、供应链方面出类拔萃的能力,服务横跨B2C与B2B的各种世界级品牌与自有品牌产品,是全世界技术趋势的先驱者,为消费者提供富有吸引力的用户体验。公司拥有7万多员工,2018年度销售额达40亿余美元。

老方法难以解决复杂的外观瑕疵问题

目前,随着应用领域的飞速发展和市场规模扩大,对精密连接器的要求越来越高,逐步向微型化、高频率高速度无线传输、智能化等方向发展,需要精密连接器更小巧,更精密、趋于完美。因此,精密连接器对生产质量和精度的要求逐步提升,产品质量检测在精密连接器生产步骤中成为至关重要的环节。

精密连接器的生产过程工序比较复杂,原材料的选用、设备的精度、设备的参数、操作人员的手法、车间的温度、湿度等都有可能影响精密连接器的某一质量特性。

“精密连接器的缺陷遍布于本体的内外表面,缺陷种类多、形态多变、检测区域背景复杂,材质多样,而且检测涉及多个表面。”FIT的吴柏翰课长介绍说,“所以,管控参数较多,检测要求复杂繁琐。”

http://news.vvfanli.com/wp-content/uploads/2022/01/20220121072605-61ea600da0fb5.png

人工外观瑕疵检验

传统的精密连接器外观瑕疵检测主要靠线上品检员进行目检或半自动检验,这种检验方法存在效率低、成本高、人员重复性、漏检等问题,严重影响了产品的生产效率和质量。检测方式不到位易发生质量问题,不但会影响产品功能性,伤害客户对产品的购买信心。同时,也会造成客户投诉,返工甚至退单,给企业带来损失。

FIT凭借先进的研发和制造技术及自动化和分析、检测能力的优势,已成为众多国际知名客户的紧密合作伙伴。在产品质量管控上,FIT一直致力于三不政策:不接受不良、不制造不良、不流出不良。传统视觉检测虽然可以应对不那么复杂的外观检测,但是对于非常复杂的外观检测需求,技术有所欠缺,已经难以满足FIT的质量管控要求。

VisionPro Deep Learning化繁为简,实现缺陷检 测自动化

为彻底解决检测难题,提升工厂自动化生产水平,FIT在与多家视觉检测解决方案供货商了解沟通后,决定引进基于深度学习算法的AI检测技术。康耐视作为全球知名的机器视觉解决方案供货商,与FIT合作已久。经过调研,FIT发现,康耐视基于深度学习算法的VisionPro Deep Learning,在其综合检测能力、开发周期等各方面性能上,非常贴合FIT自动化生产线的检测要求。

http://news.vvfanli.com/wp-content/uploads/2022/01/20220121072606-61ea600e9a633.png

检测画面

在瑕疵检测应用中,缺陷往往是没有规律的,传统视觉产品用代码难以去明确判断或分类不同种类瑕疵或对比度较低的瑕疵。而VisionPro Deep Learning的深度学习算法针对工业图像分析进行了优化,只需较少的瑕疵图像样本和较短的标注训练时间即可完成验证。

耳朵发黄NG图片,塑料损伤NG图片

http://news.vvfanli.com/wp-content/uploads/2022/01/20220121072608-61ea60102fe3b.png

脏污NG图片

VisionPro Deep Learning不但顺利解决了对于传统机器视觉过于繁重、复杂或者昂贵的应用,而且其灵活的图形化程序设计环境,使FIT的工程师们能够构建灵活自定义的深度学习解决方案。

“选择一个优秀的解决方案供货商,不仅仅要衡量其产品、技术的高质量高性能,而是否能够提供高质量的快捷服务保障,也是一项重要的考虑因素。在首次导入VisionPro Deep Learning过程中,康耐视为FIT提供了极大的帮助。”FIT的吴柏翰课长为康耐视所展现的优质技术支持服务点赞,“从面对面的技术教学、协助项目开发,一直到设备使用等全流程,康耐视都积极解决遇到的各种技术问题,并共同与我们一起来完善项目程序,确保了本次项目的成功实施!”

解决应用痛点,全面提升生产效能

目前,FIT已在自动化瑕疵检测设备中成功部署了60多套VisionPro Deep Learning。在实际运行中,其性能表现出色。整体检测能力,如漏检率控制在《 0.1%、过杀率《1~2%,检测准确率大大提升。

实施VisionPro Deep Learning后,FIT节省了100多位现场作业人员,且漏检率、人员判定差异等问题大大降低,完全避免了人为因素导致的检验问题。检测结果不但更客观稳定,而且大大降低了企业生产成本。

http://news.vvfanli.com/wp-content/uploads/2022/01/20220121072609-61ea60115c07e.png

自动线外观检测设备

现在,全球精密连接器行业正在经历快速的技术发展,产品功能更好、兼容性更高,这使得连接器产品可应用于更多的情况及情景。而正是在康耐视VisionPro Deep Learning的帮助下,FIT的精密连接器可以轻松应对未来的各种复杂应用挑战,并为FIT抓住不同连接器终端市场的多样化发展趋势,提供了持续的创新技术支持。

“康耐视作为全球最早涉足机器视觉领域的企业,拥有丰富的深度学习部署经验,而且深刻理解客户需求,擅长解决应用痛点,是理想的机器视觉合作伙伴。”吴柏翰课长指出,“希望今后康耐视能打造出更加贴合自动化生产线的设备,帮助客户降低成本,实现共赢。未来双方将持续紧密合作,FIT将继续导入VisionPro Deep Learning,全面实现外观瑕疵检测的无人化!”

免责声明:文章内容不代表本站立场,本站不对其内容的真实性、完整性、准确性给予任何担保、暗示和承诺,仅供读者参考,文章版权归原作者所有。如本文内容影响到您的合法权益(内容、图片等),请及时联系本站,我们会及时删除处理。

作者: 厂商供稿

为您推荐

智慧路灯照明系统的应用为智慧城市的发展建设添砖加瓦

智慧路灯照明系统的应用为智慧城市的发展建设添砖加瓦

智慧路灯照明系统的应用为智慧城市的发展建设添砖加瓦-夜间的路灯不仅照亮了黑暗的街道,而且照亮了回家的道路。从街上望去,闪烁的路灯发出暖光,指引着我们家的方向。城市里的路灯就像“守护者”,给长途旅行回来的游客带来了极大的安全感。 当今,路灯智能控制时代的到来,极大地促进了传统路灯的人工机械化运行。虽然对此感到兴奋,但我们不禁要问:随着路灯智能控制的早期到来,除了改善路灯的运行模式,还能带来什么? 为城市交通提供安全保障 城市公共照明系统中的智能路灯在每个路

晶振在五种不同行业中的应用说明

晶振在五种不同行业中的应用说明-晶振在五种不同行业的应用-由TST嘉硕代理KOYU光与电子

几种不同的物联网控制APP模式

本文就简单介绍当前几种物联网控制APP模式,让大家了解几种不同的技术路线。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

苹果稳坐全球可穿戴设备数量首位,占据日本市场超7成份额

苹果稳坐全球可穿戴设备数量首位,占据日本市场超7成份额

苹果公司占据2021年日本第四季度可穿戴设备71.5%份额,占据全球可穿戴设备市场34.9%份额。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

如何用GPUDirect存储器如何缓解CPU I / O瓶颈

除了使用 GPUs 而不是 CPU 加快计算的好处外,一旦整个数据处理管道转移到 GPU 执行,直接存储就起到了一个力倍增器的作用。这一点变得尤为重要,因为数据集大小不再适合系统内存,而且 GPUs 的数据 I / O 增长成为处理时间的瓶颈。当人工智能和数据科学继续重新定义可能的艺术时,启用直接路径可以减少甚至完全缓解这个瓶颈。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

返回顶部