详细信息：
技术原理：在生产线体上架设工业相机、工业光源，机械臂按照设计路径带动工业相机对检测区域表面采集图像，检测软件调用相对应模型分析检测图像，综合判断结果显示在大屏上，并将检测信息上传至现场 MES 系统。MES 系统同时接收到 AI检测信息及现场人员目检信息，将差异信息回传至检测软件，检测系统根据差异信息将对应的图像及检测信息传输至标注训练服务器，标注人员标注图像并训练模型，将模型下发部署在检测推理服务器上。针对产品缺陷的特殊情况，采用深度学习进行缺陷检测，利用先进的深度学习网络进行的识别流程以及运行实时情况。
技术方案：采用多相机的相机矩阵，加上光源组成的光场进行对来料的产品进行拍照。
（2）实现AI智能视觉检测，实现检测精度提升，减少人员检测工时；
（3）减少目检人员2人*2班次；
（4）设备整体检出率达99%，生产效率提升15%，生产成本可节约10%。
技术原理：在生产线体上架设工业相机、工业光源，机械臂按照设计路径带动工业相机对检测区域表面采集图像，检测软件调用相对应模型分析检测图像，综合判断结果显示在大屏上，并将检测信息上传至现场 MES 系统。MES 系统同时接收到 AI检测信息及现场人员目检信息，将差异信息回传至检测软件，检测系统根据差异信息将对应的图像及检测信息传输至标注训练服务器，标注人员标注图像并训练模型，将模型下发部署在检测推理服务器上。针对产品缺陷的特殊情况，采用深度学习进行缺陷检测，利用先进的深度学习网络进行的识别流程以及运行实时情况。
技术方案：采用多相机的相机矩阵，加上光源组成的光场进行对来料的产品进行拍照。
深度学习缺陷检测方案：建立基础缺陷图片数据训练集，随机从训练集中抽取80%缺陷图片，使用中等尺度进行基础训练（另外20%图片作为测试集）。在基础训练之上，随机从处理后的训练集中抽取80%，使用较大尺度进行微调，并进行迭代训练。迭代完成后，使用所有训练集的数据进行微调。最后使用swa离线平均权重，提高模型的收敛性、稳定性和准确性。
技术成果：
（2）实现AI智能视觉检测，实现检测精度提升，减少人员检测工时；
（3）减少目检人员2人*2班次；
（4）设备整体检出率达99%，生产效率提升15%，生产成本可节约10%。
联系我们
张女士
更多推荐
