深度学习
> 项目技术性分析
> 零部件缺陷种类较多;
> 表面干扰因素较多 ,部分瑕疵品与良品区分不明显
> 电感表面缺陷复杂 ,容易误判
> 产品型号变化多 ,传统方式下 ,新缺陷和新型号需要学习数据量巨大 ,效率低下
解决方案:
> 采用多相机 ,专用视觉光源 ,多工位分时拍照方式;
> 运用AI深度学习算法 ,对常见的缺陷样板进行学习 ,对生产过程中出现的类似缺陷进行准确判 断 , 随着检测数量的增加 ,检
> 项目技术性分析
> 零部件缺陷种类较多;
> 表面干扰因素较多 ,部分瑕疵品与良品区分不明显
> 电感表面缺陷复杂 ,容易误判
> 产品型号变化多 ,传统方式下 ,新缺陷和新型号需要学习数据量巨大 ,效率低下
解决方案:
> 采用多相机 ,专用视觉光源 ,多工位分时拍照方式;
> 运用AI深度学习算法 ,对常见的缺陷样板进行学习 ,对生产过程中出现的类似缺陷进行准确判 断 , 随着检测数量的增加 ,检出率将不断提高 ,并降低新产品和新缺陷学习数量。


联系人:17715518125
-
邮箱:Sales@hb-gmose.com
传真:0512-65308125
地址:苏州市吴中区木渎镇下李塔路3号1栋303室
扫一扫 关注我们