利用机器视觉进行制造缺陷检测和预防
随着工业 4.0 的兴起,制造商面临着提高生产线速度和准确性的越来越大的压力。
制造缺陷可能会成为沉重的经济负担。 根据美国质量协会的数据,许多组织将 15-20% 的销售收入用于与质量相关的成本,其中一些组织将 支出高达总运营的 40%。 在产品出厂前检测缺陷,并进一步在缺陷发生之前加以预防,可以减少废品和返工,从而节省时间并提高制造商的利润。
制造商不再仅仅依靠人眼,而是转向由软件和硬件元件组成的机器视觉解决方案来对产品进行视觉检查。 机器视觉 消除了检查过程中的主观性,提供了更一致的结果,并消除了人为错误的风险。
应用领域
机器视觉如何执行缺陷检测以进行质量控制
机器视觉允许软件接收来自摄像机的视觉输入,分析所看到的内容,并根据该信息采取行动。在用于缺陷检测的机器视觉解决方案中,工业相机在产品下线时捕获图像。缺陷检测软件扫描图像中的产品缺陷,标记异常,触发拒绝机制将其踢下线,并向现场经理发送警报。与人类检查员不同, 机器视觉相机 捕获并保留数据,随着时间的推移,这些数据可以告知制造商生产过程中导致缺陷的问题,从而使他们能够采取预防技术。
图1: 机器视觉相机可以帮助识别缺陷并确保电子电路板的正确组装。
尽管技术发展迅速,但仍有一些因素使机器视觉成为某些质量控制应用的绝佳选择,而对于其他应用则不然。 机器视觉解决方案用于 高速摄像机 如果要查找特定细节,每秒可以检查许多零件,但该软件可能会遇到意外异常,例如由于污染、方向或遮挡而导致零件外观发生变化。 例如,在半导体制造厂中,机器视觉缺陷检测解决方案可能会对每个硅晶圆的质量进行分级,如果有裂纹或有缺陷,则将其从生产线上剔除。
虽然市场上的解决方案之间存在差异,但大多数都遵循一种模式来启动和运行并随着时间的推移改进结果。
- 特征提取: 首先,制造商向软件提供一个模板来检查缺陷。 它通常以图像的形式出现,并突出显示特定因素,以便当出现异常时,它们将被标记为缺陷。 例如,如果汽车阀门弹簧弯曲,机器视觉解决方案会发出警报,机械臂会将其从生产线上移除。
- 训练模型: 随着实施的开始,管理者将标记的图像输入到软件中,以加深其对模板的了解。 根据是否出现特定缺陷,将图像分类为好部分或坏部分。
- 测试: 经过严格的试验和频繁的修正以确保缺陷检测准确后,该解决方案即可在无需持续人工监督的情况下运行。
由于机器视觉能够快速对缺陷模式进行分类,这比人类检查员具有优势,因此该系统可以帮助确定缺陷的根本原因。 通过实时应用制造分析,该软件可以准确标记哪个变量不正确(例如未对齐的产品标签),还可以记录缺陷发生的时间和频率,从而使管理人员能够识别根本原因。
识别制造缺陷的机器视觉用例
机器视觉缺陷检测和预防在制造设施中存在广泛的潜在应用。 一些例子包括:
- 制造工厂: 高分辨率机器视觉相机甚至可以检测产品中最小的异常情况。 当产品是医疗设备或汽车发动机部件时,这种程度的详细检查尤其重要,其中任何缺陷都可能是危险的。
- 食品生产: 在食品生产过程中,机器视觉可以发现贴错标签的包装,读取标签上的文本和条形码,并监控添加成分的数量,例如薯片上的调味料。 通过提供有关标签、成分和安全密封等详细信息的文档和数据,机器视觉解决方案可帮助食品制造商满足严格的行业标准和法规。
- 运输: 使用机器视觉技术,汽车制造商可以监控装配过程并实时发现缺陷。 例如,软件可能会标记汽车轮胎表面的缺陷,并通知人类或机器人将其从生产线上取下。 使用自动化系统来识别和去除有缺陷的零件有助于遵守法规,因为它提供了记录数据流。
医疗行业: 为医院、医生和患者生产的产品需要经过仔细检查,以确保它们正确密封和贴标签。 用药错误影响 美国每年有超过七百万患者, 机器视觉解决方案可以通过发现人类检查员无法看到的缺陷来减少这一数字。
GPUDIRECT:零数据丢失成像
Emergent 利用了以下功能的强大功能和可靠性 GigE视觉 以及广泛访问的以太网基础设施,以确保稳健可靠的数据采集和传输,提供卓越的性能。通过利用优化的 GigE Vision 设置并支持 NVIDIA 等技术 GPU直连 为了将图像直接传输到 GPU 内存,Emergent 在处理大量数据传输时消除了系统 CPU 和内存的负担。 相反,它利用 GPU 的强大功能来执行数据处理任务,同时保持与 GigE Vision 标准的兼容性以及与兼容软件和外围设备的互操作性。
模式匹配
下面的视频展示了如何轻松地创建和原型化一种算法来执行高质量的模式匹配,而只需编写自定义 GPU Cuda 代码。
推理
下面的视频展示了如何轻松地添加和测试自己训练的推理模型来执行任意对象的检测和分类。 只需使用 PyTorch 或 TensorFlow 训练您的模型,并将其添加到您自己的 eCapture Pro 插件中。 然后实例化插件,连接到所需的相机并单击运行 - 没有比这更容易的了。
借助训练有素的模型,可以使用 Emergent 的 GPU Direct 功能在一台具有多个 GPU 的 PC 上使用许多 Emergent 相机来开发和部署‘判断(Inference)“等应用程序 – 这种开发高性能应用程序的方式为Emergent独创。
图2: 神经网络以人脑为模型,是机器学习的一个子集,是深度学习算法的核心,允许计算机根据训练示例学习执行特定任务。
偏振
图3: 在 Sony PolarSens CMOS 偏振传感器中,每个镜头上的微型线栅偏振器在四像素组中具有 0°、45°、90° 和 135° 偏振角。
用于缺陷检测应用的紧急 GIGE 视觉相机
型号 | 相机类型 | 分辨率 | 帧率 | 接口 | 传感器型号 | 像素大小 | |
---|---|---|---|---|---|---|---|
HR-5000-SM | 黑白 | 5MP | 163fps | 10GigE SFP+ | Sony IMX250LLR | 3.45 × 3.45 µm | |
HR-5000-SC | 彩色 | 5MP | 163fps | 10GigE SFP+ | Sony IMX250LLR | 3.45 × 3.45 µm | |
HB-12000-SB-M | 黑白 | 12.4MP | 100fps | 10GigE SFP+ | Sony IMX535 | 2.74 ×2.74 μm | |
HB-12000-SB-C | 彩色 | 12.4MP | 100fps | 10GigE SFP+ | Sony IMX535 | 2.74 ×2.74 μm | |
HB-25000-SB-M | 黑白 | 24.47MP | 98fps | 25GigE SFP28 | Sony S IMX530 | 2.74 ×2.74 μm | |
HB-25000-SB-C | 彩色 | 24.47MP | 98fps | 25GigE SFP28 | Sony S IMX530 | 2.74 ×2.74 μm | |
HZ-10000-GM | 黑白 | 10MP | 1000fps | 100GigE QSFP28 | Gpixel GSPRINT4510 | 4.5 ×4.5 μm | |
HZ-10000-GC | 彩色 | 10MP | 1000fps | 100GigE QSFP28 | Gpixel GSPRINT4510 | 4.5 ×4.5 μm |
如需其他相机选项,请查看我们的 交互式系统设计工具。