GIẢI PHÁP DEEP LEARNING CHO XÁC MINH LẮP RÁP
Các thuật toán thị giác máy (machine vision) ngày nay có thể phân biệt các bộ phận bằng cả những điểm khác biệt nhỏ nhất về dấu hiệu hoặc tính năng. Tuy nhiên, những hạn chế vẫn có nên rất cần lập trình để phát triển các quy tắc cho hàng trăm hoặc thậm chí hàng nghìn biến thể mà một phần duy nhất có thể hiện ra trước máy ảnh. Ngay cả với các quy tắc được lập trình tốt nhất, các cảnh rất phức tạp liên quan đến các ứng dụng xác minh lắp ráp có thể quá khó để kiểm soát. Đặc biệt, sự thay đổi từng phần, số lượng lớn các thành phần và thay đổi cấu hình là khó khăn và tốn thời gian để lập trình bằng cách sử dụng thị giác máy truyền thống. Phần mềm thị giác deep learning cung cấp một phương pháp đột phá để tự động hóa lớp kiểm tra này. Cognex Deep Learning Solutions có thể được đào tạo để xử lý phạm vi rộng của sự thay đổi từng phần để xác định và xác nhận xem các thành phần có hiện diện và chính xác hay không. Ứng dụng cũng có thể nhận ra nhiều loại thành phần trong các bố cục và cấu hình khác nhau.
Xác minh lắp ráp ô tô ở giai đoạn cuối
Đảm bảo tất cả các thành phần ô tô đều có mặt và được lắp ráp chính xác bằng phần mềm deep learning
Vấn đề
Thị giác máy được sử dụng trong suốt quá trình sản xuất linh kiện ô tô để theo dõi và phát hiện các lỗi chất lượng một cách nghiêm ngặt. Việc xác minh lắp ráp cuối cùng thường được thực hiện với người vận hành, vì các mảnh ghép khác nhau tham gia vào quá trình lắp ráp cuối cùng tạo ra mức độ phức tạp cao làm khó việc kiểm tra thị giác máy truyền thống. Nhân viên kiểm tra xác minh rằng tất cả các bộ phận, chẳng hạn như các bộ phận nội thất như viền cửa, công tắc cửa sổ và tay nắm cửa, đều có mặt và được lắp ráp chính xác. Việc kiểm tra ngoại thất đối với màu sắc, phù hiệu, đèn pha và các thành phần khác cũng được thực hiện ở giai đoạn cuối cùng của quá trình lắp ráp xe hơi. Nhân viên kiểm tra, mặc dù có kỹ năng xác định các bộ phận khác nhau khi các mô hình khác nhau di chuyển xuống dây chuyền trong điều kiện ánh sáng thay đổi, có thể chậm và không nhất quán.
Giải pháp
Cognex Deep Learning tìm hiểu bề ngoài hoàn thiện của nhiều bộ phận trên xe hơi để xác định các bộ phận được đặt không đúng cách. Ứng dụng có thể làm điều này một cách chính xác như một người kiểm tra, nhưng với tốc độ và độ tin cậy của một hệ thống tự động. Sử dụng công cụ xác minh lắp ráp và vị trí bộ phận, người dùng có thể xây dựng một thư viện thành phần gồm các tính năng được đào tạo.
Thư viện các thành phần này có thể chứa một loạt các bộ phận, từ huy hiệu đến tay nắm cửa, để công cụ định vị và xác định trong hình ảnh. Bằng cách thêm bước xác minh, phần mềm có thể cung cấp kết quả đạt hoặc không đạt dựa trên tất cả các thành phần phải được lắp ráp. Sử dụng cách tiếp cận này, việc xác minh lắp ráp cuối cùng hiện có thể được tự động hóa.
Kiểm tra boa mạch
Xác định và đếm các thành phần PCB để đảm bảo lắp ráp chính xác bằng phần mềm deep learning.
Vấn đề
Trong quá trình xác minh lắp ráp cuối cùng, hệ thống thị giác máy 2D và 3D kiểm tra PCB để tìm sự hiện diện và vị trí chính xác của đèn LED, bộ vi xử lý và các thiết bị gắn trên bề mặt khác. Các thành phần bị thiếu hoặc được định vị sai có thể ảnh hưởng đến hiệu suất và tuổi thọ của PCB. Các nhà sản xuất phải cảnh giác đối với các chốt bị xước, xoắn, cong hoặc thiếu. Một con chip có khả năng chịu lỗi thấp đến mức bất kỳ sai sót nào, dù là bề ngoài nhất, đều là nguyên nhân dẫn đến việc loại bỏ.
Những lỗi này phải được phát hiện trước khi PCB được lắp ráp vào thiết bị hoặc vận chuyển cho khách hàng. Tuy nhiên, những thay đổi nhỏ về ngoại hình — cho dù do sự tương phản ánh sáng tinh vi, thay đổi về góc nhìn và hướng hoặc ánh sáng chói trên bề mặt kim loại — có thể làm nhầm lẫn hệ thống kiểm tra tự động. Các bộ phận gần nhau rất khó để hệ thống thị giác máy phân biệt được như các bộ phận độc lập. Việc lập trình các kiểm tra này thành một thuật toán dựa trên quy tắc tốn nhiều thời gian, dễ xảy ra lỗi và là thách thức đối với một kỹ sư hiện trường trong việc duy trì. Nhân viên kiểm tra, mặc dù có khả năng xác định các thành phần này, không thể đáp ứng nhu cầu xử lý tốc độ cao.
Giải pháp
Cognex Deep Learning cung cấp một giải pháp có thể bảo trì tại hiện trường để kiểm tra lắp ráp PCB. Công cụ xác minh lắp ráp học cách xác định các thành phần từ hình ảnh được gắn nhãn với vị trí của từng loại bộ phận, xây dựng mô hình tham chiếu của từng thành phần trong một công cụ duy nhất. Công cụ này khái quát các đặc điểm phân biệt của các bộ phận dựa trên kích thước, hình dạng và các đặc điểm bề mặt của chúng và tìm hiểu hình dáng bình thường của chúng, cũng như vị trí chung của chúng trên bảng. Hệ thống này cũng được tối ưu hóa để hoạt động với những hình ảnh có độ tương phản thấp hoặc được chụp kém.
Trong sản xuất, tất cả các công cụ ở khu vực liên quan để xác định vị trí và xác định từng thành phần, bất chấp những thay đổi về hình thức. Giải pháp này có thể xác định xem các thành phần hiện diện hoặc chính xác và xác minh rằng thành phần đang được sử dụng. Bằng cách này, công cụ có thể cung cấp một giải pháp đáng tin cậy để tự động hóa việc kiểm tra lắp ráp PCB phức tạp.
Kiểm tra sô cô la
Xác định, đếm và xác minh sôcôla dựa trên bề ngoài của chúng để xác minh đóng gói và lắp ráp bằng phần mềm deep learning
Vấn đề
Đối với các ứng dụng đóng gói thực phẩm nhất định, các nhà sản xuất phải dựa vào việc kiểm tra bằng mắt để đảm bảo chất lượng của khâu ráp cuối cùng. Các biến thể trực quan của các sản phẩm thực phẩm có thể gây ra các biến chứng cho hệ thống kiểm tra thực phẩm và đồ uống tự động. Đây là trường hợp của sôcôla, được đóng gói trong các hộp có cấu hình khác nhau. Hệ thống kiểm tra phải xác minh thành công rằng mỗi chỗ có chứa một miếng sô cô la và nó có đúng loại hay không.
Hộp sô cô la theo chủ đề ngày lễ (tức là Giáng sinh hoặc Ngày lễ tình nhân) đưa ra một khó khăn cụ thể. Các loại sôcôla giống nhau có thể có trong hộp, nhưng vị trí của chúng có thể thay đổi tùy theo chủ đề của hộp. Nhà sản xuất phải xác định vị trí của từng loại sô cô la và xác minh đúng loại đang ở đúng vị trí. Tương tự, hai hộp sô cô la có thể sử dụng cùng một bao bì (tức là hộp 6 viên sô cô la) nhưng có các hương vị khác nhau (ví dụ như lựa chọn sữa và sô cô la đen). Trong trường hợp này, nhà sản xuất cần đếm sôcôla và xác minh lựa chọn sôcôla chính xác.
Giải pháp
Cognex Deep Learning tự động hóa nhiệm vụ định vị và xác định nhiều đối tượng địa lý trong một hình ảnh duy nhất. Công nghệ deep learning có thể khái quát các đặc điểm phân biệt của nhiều loại sô cô la khác nhau dựa trên kích thước, hình dạng và các đặc điểm bề mặt của chúng. Với công cụ xác minh lắp ráp, người dùng có thể đào tạo công cụ để xác định vị trí của từng loại sô cô la sẽ cần được tìm thấy. Người dùng có thể xây dựng cơ sở dữ liệu gồm nhiều loại sôcôla khác nhau để công cụ tìm kiếm, sau đó có thể sử dụng để xác minh đóng gói.
Sau khi được đào tạo, hình ảnh có thể được chia thành các vùng khác nhau, nơi công cụ sẽ kiểm tra sự hiện diện của sô cô la cũng như xác minh rằng nó có đúng loại hay không. Nhiều cấu hình cũng có thể được tạo cho các trường hợp trong đó một dòng đơn lẻ có thể có các biến thể trong cách đóng gói. Bằng cách này, người dùng có thể tự động hóa việc xác minh bao bì sô cô la chỉ bằng một công cụ
Kiểm tra khung kim loại
Công cụ phát hiện khuyết tật xác nhận sự hiện diện và vị trí của các thành phần trên một nền khó hiểu
Vấn đề
Các mảnh cắt khác nhau liên quan đến quá trình xác minh lắp ráp cuối cùng tạo ra mức độ phức tạp cao thách thức việc kiểm tra thị giác máy truyền thống. Nhân viên kiểm tra xác minh rằng tất cả các bộ phận, chẳng hạn như dây đeo và vỏ kim loại, đều có mặt và được lắp ráp chính xác. Các biến thể ánh sáng tinh tế khiến cho việc phân biệt các dải có ở đúng vị trí của chúng hay không. Nhân viên kiểm tra, mặc dù có kỹ năng xác định các dải dây, có thể chậm và không nhất quán. Cognex Deep Learning phân tích hình thức hoàn thiện của một mảnh trang trí và xác định các dải còn thiếu một cách chính xác như người kiểm tra con người, nhưng với tốc độ và độ tin cậy của một hệ thống tự động.
Giải pháp
Sử dụng tính năng phát hiện khuyết tật, một kỹ thuật viên đào tạo hệ thống về hình ảnh “xấu” của phần cắt ở nơi không có dây, cũng như hình ảnh “tốt” đã biết ở nơi có dây, để tạo ra một mô hình tham chiếu cho một phần hoàn chỉnh. Sử dụng mô hình này, deep learning xác định các mảnh cắt có dải dây bị thiếu là bất thường và bị lỗi, làm hỏng chúng trong quá trình kiểm tra cuối cùng
CÁC GIẢI PHÁP DEEP LEARNING
Cognex Deep Learning là bộ giải pháp tầm nhìn dựa trên công nghệ deep learning đầu tiên được thiết kế đặc biệt cho tự động hóa nhà máy. Công nghệ đã được kiểm nghiệm, tối ưu hóa và đã được chứng minh tại hiện trường dựa trên các thuật toán học máy hiện đại.
Thay vì tuân theo cách tiếp cận dựa trên quy tắc để giải quyết các thách thức kiểm tra, giống như các ứng dụng thị giác máy truyền thống, các giải pháp deep learning của Cognex học cách phát hiện các mẫu và điểm bất thường từ các ví dụ hình ảnh tham chiếu. Deep learning tự động hóa và mở rộng quy mô các ứng dụng kiểm tra phức tạp mà cho đến nay vẫn yêu cầu người kiểm tra như phát hiện lỗi và xác minh lắp ráp cuối cùng.
In-Sight ViDi
Ứng dụng deep learning In-Sight® ViDi được triển khai trên máy ảnh thông minh In-Sight D900 mà không cần PC, giúp những người không phải lập trình viên có thể truy cập công nghệ deep learning một cách dễ dàng. Ứng dụng này sử dụng nền tảng phần mềm In-Sight quen thuộc và dễ sử dụng, giúp đơn giản hóa việc phát triển ứng dụng và tích hợp nhà máy.
VisionPro Deep Learning
Phần mềm VisionPro Deep Learning kết hợp thư viện công cụ thị giác máy (Machine Vision) toàn diện với các công cụ deep learning nâng cao bên trong một khuôn khổ triển khai và phát triển chung. Nó đơn giản hóa việc phát triển các ứng dụng vision có thể thay đổi cao và cho phép các kỹ sư xây dựng các giải pháp deep learning linh hoạt, được tùy chỉnh cao phù hợp với nhu cầu cụ thể.
