瑕疵、尺寸检测二合一的测量软件,通过深度学习算法,高级图像处理。模式识别等提高了检测的准确度高达95% 解决客户在产品表面瑕疵检测环节遇到的各种问题.
在产品质量外观检测的世界里,人眼只能辨别那些大于 0.5 毫米大小的瑕疵还伴着巨大的误判风险。随着工作时间的延长,眼睛的疲劳和衰老更加增加了误判的风险。而传统的机器视觉检测在图像处理和瑕疵定位等方面有所欠缺,导致瑕疵检测的准确率低,性能不稳定,而且对于流水线实现智能自动检测非常有难度。由此可见,无论是传统的机器视觉检测,还是“肉眼”检测产品外观质量的能力和效率以及准确率和范围都是非常有限的。
深度学习的思想源自于“人工神经网络”,从大脑中汲取灵感,模拟人脑分析问题机制并建立分析学习的神经网络。神经网络的基本构建模块是人工神经元-模仿人类大脑神经元。正如大脑数十亿个神经元神经元分布在神经网络的几个层中,之间有数万个连接,深度学习模型涉及大量的计算单元,它们彼此交互时对所建模数据潜在分布的多层表征进行自主学习。
为了契合日趋严苛的高效高标准瑕疵检测需求,思瑞测量推出基于深度学习的HxGN Visual Detection瑕疵检测软件系统,解决客户在产品表面瑕疵检测环节遇到的各种问题。
划痕 刀痕 崩缺 气泡 凸起 凹痕 擦伤 杂质 变形 崩边 白点 条纹 黑点 皱缩 波纹 裂纹。
HxGN Visual Detection 在训练的过程中,通过多层神经网络层比如卷积神经网络,循环神经网络,深度神经网络,长短期记忆网络等高效地对学习模型进行训练并且将训练速度进行优化。因此,Proxima 的智能瑕疵检测率高达95% 以上并具有灵活的的多功能扩展性。
HxGN Visual Detection在学习的过程中,通过评估提取目标,特征分析以及分类模型的迭代来优化检测的稳定和效率。HxGN Visual Detection 集图像处理,特征识别,多种深度学习建模以及其他高科技于一身,这使得HxGN Visual Detection 在图像特征的识别能力和稳定性是其他机器视觉检测系统无可媲美的。
HxGN Visual Detection 可根据训练集评估,生成最佳可应用的高效学习模型。HxGN Visual Detection 通过切换多种自主研发的机器学习模型,使得训练高效并且结果输出稳定。目前HxGN Visual Detection 已广泛投入到3C 行业(电子,通讯和消费品)瑕疵检测中。汽车行业,航空航天零部件和装配件上也是Proxima 驰骋的领域。
HxGN Visual Detection 的结果报告输出非常迅速,结果报告不仅含瑕疵的定位,形状,尺寸以及分类等,还包含了统计信息等。用户可直接打开报告并快速预览报告。
HxGN Visual Detection研发团队无论是在软件的操作还是界面的设计,都遵循简单易上手的设计理念,以便大部分的用户无需进行复杂的培训就可上手。HxGN Visual Detection 的软件界面遵循微软办公的标准设计。操作流程上只需“标注,训练,检测,”三步即可出结果。
HxGN Visual Detection 支持多种图片预处理的高级算法,卷积神经模型等机器学习模型和结果的统计分析。HxGN Visual Detection 可通过标准的网线传输TCP/IP 协议与其他厂商的测量设备比如X-Ray 所拍摄的照片进行瑕疵检测。
区别于其他传统的缺陷检测方式,思瑞的的HxGN Visual Detection瑕疵检测系统只需要少量的瑕疵图片就可在短时间内进行大规模的训练。而且采用GPU专用处理算法,大幅提升检测效率,以及通过基于深度学习的检测算法,可以提高准确度,降低漏检率和过杀率。
HxGN Visual Detection将软件瑕疵检测与尺寸检测合二为一,解决用户瑕疵需求的同时也解决用户尺寸的检测需求。这项功能可谓是一举两得,减少了大量的时间和投资成本,提升了产品质量的同时也驱动产量的提升。
HxGN Visual Detection 聚焦于产品外观瑕疵的神经网络模型训练,融合尺寸检测,相比于人工视觉检测和传统的机器视觉检测,这双慧眼具有以下不可比拟的优势:
人工检测/传统机器视觉:无法分析无规律的图像
HxGN Visual Detection:利用深度学习的算法对瑕疵进行学习, 提取,分析,无规律图像变成可分析
人工检测/传统机器视觉: 准确率无论是人工和传统机器都偏低,易出现误判
HxGN Visual Detection:通过深度学习算法,高级图像处理, 模式识别等提高了检测的精准度高达95%
人工检测/传统机器视觉:实现流水线上的检测自动化围墙高
HxGN Visual Detection:检测瑕疵的同时,可在线实现尺寸检测,实现瑕疵 + 尺寸检测的自动化