Álláshirdetések
Events / Courses
Legfrissebb híreink
A Honda megduplázza e-mobilitási beruházásait
2024.05.17 15:20
Megbízható Munkaadó címet kapott az Audi Hungaria
2024.05.17 13:23
Világszínvonalú robotsebészet a Debreceni Egyetemen
2024.05.17 12:17
A Peugeot nyolc év garanciát vezet be az elektromos autókra
2024.05.17 10:21
Autopro Blog
Autopro a Facebookon
Galériáink
Új megoldás teszi olcsóbbá a Deep Learning vizuális ellenőrzésben való alkalmazását
Fotó: Youtube
A Sick gyártásautomatizálási szenzorokat készítő vállalat piacra dobta az első Deep Learninggel ellátott kameráját, ami megkönnyíti a komplex, szokatlan alakú termékek nagy kihívást jelentő automatikus minőségügyi ellenőrzését.
A Deep Learning program, a Sick nemrég piacra dobott Inspector P621 2D programozható kamerájához választható. A kombinált csomag lehetővé teszi a mesterséges intelligenciával támogatott gépi látást hasznosító kamerák, korábbi idő- és költségigény töredékével való beszerelését.
A mesterséges intelligenciát gyárilag integráló új megoldás lehetségessé teszi a minőség-ellenőrzés automatizálását olyan alkalmazásoknál is, ahol a tradicionális módszerekkel nehéz jó eredményt elérni. Ilyen applikációk például a gyümölcsök és zöldségek válogatása, az autók bőrüléseinek vizsgálata, valamint a forrasztások minőségének ellenőrzése.
Nincs szükség állandó felhőkapcsolatra
A rendszer egy felhőalapú neurális hálót használ a rossz és jó termékek megkülönböztetésére. A felhasználók egy intuitívként leírt beállítási folyamaton keresztül taníthatják meg a kamerának, hogy milyenek a hibás termékek.
A rendszer betanításakor a termékekről valós gyártási környezetben készítenek képeket, amiket aztán a felhasználóknak kell megfelelő minőségi csoportokba sorolniuk. A szétválogatott képeket feltöltik a felhőbe, ahol a neurális hálót használva megtörténik a jó és a rossz termékjellemzők rögzítése.
A betanítási folyamat végén, a betanított Deep Learning rendszer letöltődik a kamerára, ahol az a továbbiakban felhőkapcsolat nélkül, önállóan működik. A rendszer felismerőképessége tovább finomodhat a működés során gyűjtött képek elemzésével.
Új számítási kapacitások sem kellenek
Mivel a képek vizsgálata a kamerában történik, nincs szükség külön számítógépek beszerzésére. Ugyanez igaz a rendszer betanítására is, hiszen az felhőkapcsolattal valósul meg. Mindezzel csökkenthető az implementálási idő és költség.
A vállalat szerint a rendszer implementálási időigénye rendkívül alacsony. Sok vállalatnál képesek lesznek a folyamatot külső segítség nélkül végigvinni, szükség szerint azonban támogatást nyújthatnak a Sick saját szakértői.
A Drives & Controls cikke szerint a Sick kamerájának funkcióit a vásárlók tovább bővíthetik az előre telepített tradicionális gépi látási eszközök alkalmazásával, a Sick AppSpace szoftverfejlesztési platformmal pedig még jobban egyedi igényeikhez szabhatják a kamera szoftverét.
