HxGN Visual Detection: Maskininlärning

AI-driven ytkontroll

Produktförfrågan

HxGN Visual Detection använder djupinlärningsmodeller från CNN (convolutional neural network) för att lära in, identifiera och kategorisera ytdefekter. Den behöver en relativt liten mängd defektprover (ett par hundra) för att komma igång. När den identifierar oupptäckta defekter kan modellen tränas för att förbättra sin förmåga att identifiera sanna positiver.

Algoritmerna i HxGN Visual Detection använder mönsterigenkänning, statistik, djupinlärning och andra bildbehandlingstekniker för att snabbt lära sig om ytavvikelser.

Maskininlärningsprocessen i HxGN Visual Detection

HxGN Visual Detection på stationär bildskärm – Etikett

1. Etikett

Ladda upp ett urval av utbildningsbilder från ert visionssystem och kommentera defekterna med en klassificering som repa eller buckla. Skapa så många feltyper som ni sannolikt kommer att stöta på under en produktionskörning.

HxGN Visual Detection på stationär bildskärm – träning

2. Träning

Modeller för djupinlärning optimerar de beslutsvägar som skapas med en datauppsättning att träna på, som kallas övervakat lärande. Utbildningarna tar bara några minuter eller timmar och sedan är ni redo.

HxGN Visual Detection på bordsskärm – Inspect

3. Inspect

Identifiera defekter i bilder från visionssystem, röntgenmaskiner eller lokala mappar. Avancerade GPU-algoritmer optimerar inspektionshastigheten. HxGN Visual Detection tillhandahåller en fullständig inspektionsrapport och kan även skicka meddelanden via PC-DMIS.

Djupinlärning ökar noggrannheten

Framgångsrik djupinlärning bygger på djupet och känsligheten hos inlärningsmodellen och dess miljö. HxGN Visual Detection omfattar en uppsättning modeller (X-CNN, X-CNN-Tiny, X-CNN-Plus och Segmentation) som är optimerade för prestanda och noggrannhet.

Upprättandet av ett avancerat neuralt nätverk ökar HxGN Visual Detections förmåga att snabbt och korrekt identifiera defekter, även kallade sant positiva. Kraftfulla algoritmer inklusive förstärkning av syntetiska bilddata, bildmorfning, normalisering och dimensionsminskning bidrar alla till denna process.

Grunden för dessa modeller baseras på erkända industriramverk som GAN, YOLO och RCNN.

HxGN Visual Detection har en öppen arkitekturdesign som enkelt kan integreras med anpassade CNN-modeller. Applikationen är utbyggbar via ett API och kan integreras i automatiserade tillverkningsceller från tredje part.

Avancerade neurala nätverk
Syntetiska bilddataförstärkningar, bildmorfning och normaliseringsalgoritmer.

Lättanvända hyperparametrar
Finjusterad bildanalys utan kodning.

Bygger på CNN-principerna YOLO (you only look once)
Ledande neuralt nätverk för snabb objektdetektering.

Välj mellan flera olika CNN-modeller
Välj den mest användbara maskininlärningsmodellen för er tillämpning.

Automatisera med system från tredje part
Lägg till i arbetsflöden för vision och metrologi via Bridge-applikationen.

Vad är HxGN Visual Detection?

HxGN Visual Detection är en automatiserad applikation för ytinspektion som kan upptäcka defekter som repor, sprickor och smuts på material som glas, metall...

Mer info