我們都知道，目前視覺檢測技術(shù)在工業(yè)領(lǐng)域的應(yīng)用已經(jīng)非常成熟，但是否代表著可以完完全全替代人眼了呢?答案是否定的。因為在部分的產(chǎn)品外觀檢測中，依然需要熟練技術(shù)人員的感性和經(jīng)驗來判斷，例如判斷各種顏色和尺寸的劃痕、產(chǎn)品本身有很大差異時如何判定缺陷產(chǎn)品等。
在如今熟練技術(shù)人員短缺和人工成本急劇上升的背景下，要全部依賴人工來做判斷，明顯是不現(xiàn)實的，因此各大自動化廠商紛紛加入了AI檢測的研究中，但要使其投入實際應(yīng)用，必須準(zhǔn)備大量的圖像數(shù)據(jù)供AI學(xué)習(xí)，還有AI工程師的保障、需要在現(xiàn)場安裝特殊的AI硬件等課題，導(dǎo)致至今都未能成功將AI真正地引入生產(chǎn)現(xiàn)場。
歐姆龍敢于“先人一步”，率先將這項突破性的技術(shù)，搭載于自己的圖像處理系統(tǒng)中，并使其運用于實際的生產(chǎn)過程，讓我們共同目睹一下，究竟AI檢測，是否能夠再現(xiàn)人類的經(jīng)驗判斷吧~
-- 應(yīng)用效果實測 --
金屬沖壓零件的劃痕檢測
以金屬沖壓零件的劃痕檢測為例，例如我們拍攝到的圖像為下圖所示。
以往，需通過指定工件表面的顏色信息，或需要檢出的劃痕尺寸來對劃痕做出定義。但在有大量背景干擾的情況下，對于劃痕的定義是非常困難的，經(jīng)常會出現(xiàn)將刻印誤判為劃痕的案例。
-- 無法區(qū)分劃痕或干擾--
歐姆龍搭載AI的圖像處理系統(tǒng)，能夠自動抽取出被推測為劃痕的部位，不通過顏色、亮度來定義，而是利用AI來抽取劃痕本身，使得穩(wěn)定檢測變?yōu)榭赡?，不再依賴于熟練技術(shù)人員的經(jīng)驗判斷。
神奇的
AI劃痕抽取過濾
歐姆龍的圖像處理過濾器，預(yù)先學(xué)習(xí)了“人感覺是劃痕的圖像特征”。即使沒有定義劃痕，例如用傳統(tǒng)方法很難自動化檢測的“不可預(yù)測的尺寸、形狀、顏色”等，AI也能判斷并抽取劃痕的特征。
學(xué)習(xí)數(shù)據(jù)包括歐姆龍迄今為止積累的圖像，可以檢測不確定背景中的缺陷，例如加工面上的缺陷，這是傳統(tǒng)方法難以實現(xiàn)的。
在實際生產(chǎn)現(xiàn)場，最令人頭疼的，就是明明有劃痕等產(chǎn)品缺陷，卻被圖像處理系統(tǒng)漏判，認(rèn)定是良品。
明明沒有劃痕等缺陷，卻被圖像處理系統(tǒng)將刻印誤判為劃痕，認(rèn)定不良品。
如此不僅增加了不良品的流出幾率，而且最終仍然要回歸至人工檢測，材料浪費與人員作業(yè)工時雙重的成本疊加，是任何一家生產(chǎn)廠商都無法承受的。
無需定義和學(xué)習(xí)，可自動檢測各種劃痕
通過AI技術(shù)，擺脫了對于人類“感性和經(jīng)驗”的依賴，實實在在為生產(chǎn)現(xiàn)場帶去價值，目前包括金屬沖壓零件的劃痕檢測在內(nèi)，我們還在各行業(yè)的多工藝中進(jìn)行了實測，效果顯著!
一、磨砂(噴砂)金屬表面刮擦
二、樹脂類制品表面劃痕
三、拉絲面上的暗色劃痕
四、拉絲面上/存在陰影的淺色劃痕
可以穩(wěn)定地抽取以上各種材質(zhì)、顏色和尺寸的劃痕(以前需要先定義劃痕)，且無需進(jìn)行調(diào)整。如果您已經(jīng)心動了，趕緊向聯(lián)絡(luò)當(dāng)?shù)氐氖聞?wù)所，自己親自來感受下吧~
（轉(zhuǎn)載）
