本期案例深入剖析了Automation NTH如何帮助一个汽车行业客户提升生产效率并加强缺陷检测能力。介绍其如何借助康耐视的深度学习技术,成功克服一系列汽车行业中的自动化挑战。
挑战
在汽车制造瑕疵检测中
克干扰、保精准、降误检
在汽车制造这一精密复杂的工业场景中,表面瑕疵检测面临着油渍、水分、油漆残留、灰尘及反光等多重外部因素的严峻挑战。这些干扰因素不仅增加了误检率,还导致了不必要的非质量成本支出。尤为关键的是,汽车部件对表面瑕疵与功能缺陷的容忍度各异,要求机器视觉系统必须具备高度的灵活性与精准性,以适应多样化的检测标准:
• 精确检测发动机缸体中线夹的位置,同时克服油、水、油漆和反光表面等成像难题
• 避免将新供应商引入的元件几何形状变化误判为缺陷,确保解决方案能够适应未来的变化
解决方案
康耐视深度学习技术
康耐视“In-Sight D900视觉系统+VisionPro深度学习软件”组合方案,成为此次合作的制胜法宝。In-Sight D900以其卓越的图像采集能力为基础,而VisionPro深度学习软件则依托人工智能的强大算力,仅需少量样本即可快速构建并优化检测模型,实现对细微且多变缺陷的精准捕捉。该方案不仅简化了检测流程,降低了对光源与光照条件的严苛要求,更极大地减少了人工复核的需求,提升了检测效率与可靠性。
效果
克服成像干扰 实现精准检测
In-Sight D900与VisionPro深度学习软件的投入使用,不仅成功区分了表面瑕疵与功能缺陷,显著降低了废品率,还通过自动化检测大幅提升了生产效率与成本效益。同时,该方案提供的数据分析与反馈机制,为企业优化生产流程、提升产品质量提供了有力支持。这一解决方案的成效显著:
• 降低废品率:有效区分表面瑕疵与功能缺陷,显著降低了产品报废率
• 提升产量与降低成本:通过机器视觉实现自动化检测,提高了生产效率,并降低了人力和物力成本
• 优化生产过程:康耐视机器视觉系统提供的详细数据分析和反馈,帮助企业优化生产流程,从源头提高产品质量和生产效率