Diese Webseite nutzt Cookies

Diese Webseite nutzt Cookies zur Verbesserung des Erlebnisses unserer Besucher. Indem Sie weiterhin auf dieser Webseite navigieren, erklären Sie sich mit unserer Verwendung von Cookies einverstanden.

Mail | BHV-Automation
Newsletter | BHV-Automation
Smart Kameras High Resolution mit Deep LearningLösung für schwierige OCR-, Montageüberprüfungs- und Defekterkennungsanwendungen
Smart Kameras High Resolution mit Deep Learning
Lösung für schwierige OCR-, Montageüberprüfungs- und Defekterkennungsanwendungen

Smart Kameras High Resolution mit Deep Learning

Lösung für schwierige OCR-, Montageüberprüfungs- und Defekterkennungsanwendungen

In- Sight D900 ist eine intelligente Kamera mit In-Sight ViDi-Software, die speziell für Deep-Learning-Anwendungen entwickelt wurde. Diese integrierte Lösung hilft Kunden in der Fabrikautomation beim Lösen anspruchsvoller industrieller OCR-, Montageüberprüfungs- und Defekterkennungsanwendungen an der Produktionslinie, die mit herkömmlichen regelbasierten Bildverarbeitungstools quasi unmöglich zu lösen waren.

In-Sight ViDi-Anwendungen werden mit der In-Sight D900 Smartkamera ohne PC entwickelt. Dadurch wird die Deep-Learning-Technologie auch für Nicht-Programmierer zugänglich. Sie verwendet die vertraute, benutzerfreundliche In-Sight Spreadsheet-Plattform, welche die Anwendungsentwicklung und Integration in Werksnetze vereinfacht.

In-Sight Spreadsheet führt durch die Anwendungsentwicklung

In-Sight ViDi nutzt die intuitive Benutzeroberfläche der In-Sight Spreadsheet-Oberfläche, um Deep-Learning-Anwendungen ohne Programmierung schnell einrichten und ausführen zu können. In-Sight Spreadsheet vereinfacht die Anwendungsentwicklung und rationalisiert die Integration in Werksnetze mit einem vollständigen I/O- und Kommunikationsfunktionsset. Es ermöglicht es auch die Kombination herkömmlicher regelbasierter Bildverarbeitungstools von Cognex (wie PatMax Redline) mit Deep-Learning-Tools im selben Projekt, was zu einer schnelleren Durchführung und kürzeren Zykluszeiten führt. Da In-Sight ViDi weit kleinere Bildsätze und kürzere Zeiten für das Trainieren und die Validierung erfordert, lassen sich Deep-Learning-Anwendungen schnell und einfach einrichten, trainieren und durchführen.

Sprechen Sie uns an, gerne beraten wir Sie in der Anwendung und Schulung.

Bewältigt schwierige OCR-Anwendungen in Minutenschnelle

Bewältigt schwierige OCR-Anwendungen in Minutenschnelle

In-Sight D900 erkennt mithilfe optischer Zeichenerkennung (OCR) stark verformte, schiefe und schlecht geätzte Codes. Das In-Sight ViDi Read-Tool kann sofort eingesetzt werden und verkürzt die Entwicklungszeit dank der vorab trainierten Deep-Learning-Schriftenbibliothek drastisch. Legen Sie einfach den Zielbereich fest und stellen Sie die Zeichengröße ein. In Situationen, in denen neue Zeichen eingeführt werden, kann dieses robuste Tool ohne Vision-Kenntnisse neu trainiert werden, um anwendungsspezifische Codes zu lesen, die herkömmliche OCR-Tools nicht dekodieren können.

Durchführung schneller und präziser Montageüberprüfungen

Durchführung schneller und präziser Montageüberprüfungen

Das In-Sight D900 nützt künstliche Intelligenz, um zuverlässig komplexe Merkmale und Objekte zu erkennen und anhand ihrer Lokalisierung in einem benutzerdefinierten Layout zu überprüfen, ob Teile und Sets richtig montiert wurden. Das In-Sight ViDi Check-Tool kann so trainiert werden, dass es eine umfassende Bibliothek der Komponenten erstellt, die im Bild lokalisiert werden können, selbst wenn sie in verschiedenen Winkeln erscheinen oder unterschiedliche Größen haben.

Meistert komplexe Defekterkennungsaufgaben

Meistert komplexe Defekterkennungsaufgaben

Das In-Sight ViDi Detect-Tool lernt von Bildern fehlerfreier Teile, um defekte Teile zu erkennen. ViDi Detect eignet sich ideal für das Auffinden von Anomalien auf komplexen Teilen und Oberflächen, selbst in Situationen, in denen das Aussehen der Defekte unvorhersehbar sein kann.

[top]

Unsere Projekte im Sondermaschinenbau | Our projects in special machine construction

  • Home