深度学习扩展机器视觉应用助推工业自动化发展新道路
深度学习作为人工智能领域的关键核心技术,近几年来,成为机器视觉行业研究的热点。深度学习技术凭借着其强大的卷积神经网络算法优势以及对视觉行业和AI领域的巨大影响,大幅度提升机器视觉系统在工业自动化领域的生产效率。
深度学习作为人工智能领域的关键核心技术,近几年来,成为机器视觉行业研究的热点。深度学习技术凭借着其强大的卷积神经网络算法优势以及对视觉行业和AI领域的巨大影响,大幅度提升机器视觉系统在工业自动化领域的生产效率。
在工业制造领域中,一些产品元件或组件在出厂前都会进行一系列的测量和识别工作,检验合格后才能出厂。比如在测量方面,就有长度测量、圆测量、角度测量、弧线测量等等。但是关于工业产品的尺寸测量,一直是测量中的一个难题。
“机器视觉”就是利用机器代替人眼来作各种测量和判断。精质视觉综合了光、机、电、算、软等方面技术,涉及到人工智能、计算机科学、图像处理、模式识别等诸多领域。设备以照明成像系统为基础,通过获取产品图像,传送给专用的图像处理系统,根据像素分布,颜色等信息转变成数字化信号,对图像进行分析处理,提取目标的特征,根据判别的结果来控制设备动作。
机器视觉为锂电制造装上“慧眼”软包锂离子电池生产工艺中,电池封装是非常重要的环节,使用高阻隔性的软包装材料将电芯内部与外部完全隔绝,使内部处于真空、无氧、无水的环境。机器视觉在封装技术中发挥着不可或缺的重要作用,机器视觉的导入提高了产品的封装质量、提高了产能和效率。
机器视觉经过长时间的发展,技术不断取得重大突破并被广泛应用,当前已遍布工业生产的各个环节。而且机器视觉易于实现自动化集成,软件集成,是实现智能制造的基础技术。据统计,中国的机器视觉市场需求近几年处于持续高速增长阶段,年复合增长率保持在23%。截至2021年,国内机器视觉市场规模达163.8亿元。
光学透镜在加工过程中容易产生破裂、刮伤、脏污等缺陷,同时透镜类产品,工艺精度高、产量大、质检要求极为严格。使用自动化视觉检测,可以提升效率,提高检测精度,确保产品品质。
数据集介绍:在铝型材的实际生产过程中,由于各方面因素的影响,铝型材表面会产生裂纹、起皮、划伤等瑕疵,这些瑕疵会严重影响铝型材的质量。
检测金属卷材(如带钢、铜带、铝箔等)表面的异常缺陷并不容易。一种方法是指派专门的检查员检查线圈表面的不均匀性、划痕、锈蚀和其他缺陷。另一种方法是将线路运行速度降低到正常速度的1/4,以便对表面质量进行目视检查。
当把铝箔放在眼前,你会发现,肉眼不能透过铝箔上的针孔看到铝箔另一面的景物。如果把镀铝膜放在眼前,你能够朦胧地甚至清楚地看到镀铝膜另侧的景物。
传统的新能源锂电池外壳外观缺陷检测方法依靠人眼来判断电池表面的各种问题,并且有很大的局限性。由于生产的人工成本越来越高,人工检测的准确率和效率不高,比如人眼对小缺陷不敏感,存在误检漏检风险;人眼无法持续稳定地完成高强度重复性检查工作,会造成疲劳、速度慢、效率低;主观判断受情绪、思维、光线影响,具有很大的不稳定性和不规范性。