落地案例   塑AI视觉新生态
LANDING CASE
一站式AI视觉解决方案和丰富的软硬件产品,为企业高效赋能
家电制造
灶具外观缺陷检测
项目背景:
  • 1、外观:
  • · 整机要求无手印、水印、灰尘;
  • · 底壳表面是否有刮花、碰凹、脱层翘皮、脱漆漏底、弯曲変形、氧化腐蚀生锈、毛刺、针孔等 不良现象;
  • · 炉架是否安装到位,无松动;
  • · 水盆凸点指向旋钮,水盆与玻璃间隙小于1mm。
  • 2、检查贴标:查机身条码是否与说明书序列号一致,检查外观无漏贴/贴错安规能等贴纸,不能有皱痕或歪斜等现象;
  • 3、检査是否漏打螺丝:检査确认底壳螺丝是否齐全,不能有漏打、滑牙、锁付不到位等现象。
项目难点:
  • · 工件情况复杂且种类数量繁多;
  • · 检测精度要求高,检测类型多;
  • · 检测节拍短;
  • · 工件尺寸过大。
家电制造
灶具外观缺陷检测
在大型家电行业中,流水线检查产品配件数量和种类是否正确,需要人工逐件检查,不仅人工成本极高,且效率低下、易错率高。此项目需求也是大多数工厂流水线作业的代表。
项目背景:
  • 1、外观:
  • · 整机要求无手印、水印、灰尘;
  • · 底壳表面是否有刮花、碰凹、脱层翘皮、脱漆漏底、弯曲変形、氧化腐蚀生锈、毛刺、针孔等 不良现象;
  • · 炉架是否安装到位,无松动;
  • · 水盆凸点指向旋钮,水盆与玻璃间隙小于1mm。
  • 2、检查贴标:查机身条码是否与说明书序列号一致,检查外观无漏贴/贴错安规能等贴纸,不能有皱痕或歪斜等现象;
  • 3、检査是否漏打螺丝:检査确认底壳螺丝是否齐全,不能有漏打、滑牙、锁付不到位等现象。
项目难点:
  • · 工件情况复杂且种类数量繁多;
  • · 检测精度要求高,检测类型多;
  • · 检测节拍短;
  • · 工件尺寸过大。
家电制造
LOGO防错漏检测
风扇装饰环LOGO的检測需要工作人员凭借肉眼识别,工件尺寸差别小、内容差异性小,工作人员在工厂环境中长时间的工作,常常会出现识别错误的现象发生,工作效率低下。
项目难点:
· 现场环境复杂,对于光照的要求较高
· 工件尺寸、标识种类较多
· 装置灵活度要求高
· 工件表面有薄膜,对于图像处理的要求高
项目效果:
· 正确识别LOGO的判断能力≥99.9%
· 检测无遗漏,全面性更强,过检率提升10%
· 生产节拍≤3s/pcs(稳定检测)
· 代替人工,并保证稳定性
技术优势:
· 柔性自定义光源,做到精准光照
· 深度学习技术,快速识别不同缺陷特征数据
· 成像速度快、工作流程短
· 识别准确度和效率高
≥99.9%
正确识别LOGO的判断能力
10%
过检率提升
家电制造
视觉引导螺丝锁付
锁付产品为空调外机面罩,前端工序由人工手动完成面罩与盖板准确贴合螺丝孔位后锁付螺丝,实际作业中,由于材料差异以及输送过程中的振动摩擦,容易出现各式各样的缺陷,难以被传统视觉算子检测出。
项目难点:
· 面罩脱落、错位、堵孔等各样缺陷
· 孔位特征差异较大
· 需要进行锁付前纠偏
项目效果:
· 可高效地计算出多层孔位对齐的偏差姿态与最佳螺丝锁付点
· 实现在孔位错位情况下,动态调整螺丝刀位姿进行孔位纠偏着点锁紧
· 可以满足各种情况下螺丝孔位安装状态的检出
技术优势:
· 采用多尺度特征融合学习算法与对抗重建模型
· 抗干扰能力强、稳定性高、兼容性广
· 采用孔位评估策略和手眼协同动态纠偏算法
家电制造
OCR错漏检测
内机外壳的品牌LOGO以及商标丝印生产时会有缺损和错误的情况,同时装配阶段也会发生混料问题。由于生产量巨大,人工质检已经不能满足生产效率。
项目难点:
· 多种不同型号的产品
· 商标丝印各不相同,软件切换时间短
· 单位检测时间需要判断多个图像特征
· 缺陷类型多样,产品成像角度不稳定
项目效果:
· 实现多种型号产品自动检测,有效防止混料、错料情况
· 高效作业,已能够完全替代人工质检,提升效率25%
· 识别准确率超99.9%,低延时毫秒响应
技术优势:
· 深度学习视觉平台,秒级切换不同产品型号生产
· 高性能软件架构提升识别效率
· 自研算法,动态判断产品字符内容
· 采用并发与异步等方式提升单位时间处理次数
25%
提升效率
>99.9%
识别准确率
家电制造
运动在线喷塑件缺陷检测
在产品冲压过程中,由于机床在生产过程中会产生细小的金属碎屑,以及机床本身出现故障,导致冲压产品的表面产生多种不规则的缺陷,人眼观察难度巨大,人工质检已经无法满足生产效率要求。
项目难点:
· 缺陷类型多样、分布不规则
· 对光学要求较高,需一次成像检测所有缺陷特征
· 产品有五个面需要检测,对算法要求较高
· 完整的产品检测流程较长,需要内外联动机器人
项目效果:
· 已实现多产品型号的自动检测,实现秒级切换
· 良品率提升10%,节省生产成本15%
· 识别准确率超99%,提升30%工作效率
· 高效作业,已能够完全替代人工质检
技术优势:
· 采用多尺度特征融合学习算法与对抗重建模型
· 自研视觉算法,对缺陷特征进行分类以及二次处理
· 采用自研深度学习视觉平台,有效联动外部设备
· 使用成像自适应算法,适配多种尺寸
10%
良品率提升
15%
节省生产成本
>99.9%
识别准确率
30%
提升工作效率
3C行业
PCB板底检测
PCB板是电子信息产业不可或缺的基材,在生产制造过程中,短路、焊桥、开路、元器件松动或错位等缺陷检测,是对产品质量把控的不可或缺一环。
项目难点:
· 检测项目较多:连焊、虚焊、空焊、无引脚等
· 检测目标小,形状多种、数量多
· 检测目标规格不同,难以控制适配所有产品的光照环境和拍摄距离
· 产品运动控制系统成本昂贵
项目效果:
· 检测准确性和一致性明显优于质检员水平
· 识别效果精准度≥99.9%
· 精准实现对小型缺陷的识别,缺陷检测精度提升20%
· 设备直通率90%以上,大幅度点降低控制系统成本
技术优势:
· 大量样本数据累积,全面覆盖各类缺陷
· 识别效率高,精确检测不同类型缺陷
· 随需构建算法模型,快速锁定小型缺陷
· 智能抓取算法,适配各类机台轨道结构
≥99.9%
识别效果精准度
20%
缺陷检测精度提升
>90%
设备直通率
3C行业
电阻焊接缺陷检测
在焊接生产过程中,由于各种因素的影响,往往会产生各种焊接缺陷。焊接缺陷不仅会影响焊缝的美观,还有可能减小焊缝的有效承载面积,造成应力集中引起断裂,直接影响焊接结构使用的可靠性。
项目难点:
· 缺陷的表现特征跨度大,具有无规则性,无边界性
· 产品缺陷产生位置受结构影响,无法采用统一的拍照角度
· 不同角度的视角会引入复杂背景的干扰
项目效果:
· 实现局部微小缺陷与全局性大缺陷的同时检出
· 解决焊接缺陷的规则性边界性问题
· 满足多视角下的缺陷识别,检测率高达99.9%
技术优势:
· AI视觉技术进行前景背景分割
· 视觉注意力机制对焊接区域进行强化学习
· 多维度特征提取与多尺度识别
99.9%
检测率高达
3C行业
精冲件缺陷检测
由于精冲件加工工艺特殊、零件形状复杂,可能存在各式各样的缺陷。这样的精冲件外观缺陷难以高效检测,检测准确性和检测稳定性较差、容易误判。
项目难点:
· 工艺精度较高,缺陷尺寸微小,肉眼难以观察
· 产品表面残留大量明显的铣痕
· 缺陷相近特征,对缺陷分辨有比较大的干扰
项目效果:
· 极大的提高微小缺陷的检出率,高达98%
· 背景纹理抗干扰识别能力泛化性,提升20%
· 精准实现对缺陷的识别,缺陷检测精度≥99.9%
· 大幅度提高生产效率,更好地控制生产质量
技术优势:
· 多尺度特征融合训练与小目标缺陷检测技术
· AI技术学习铣痕特征,增强缺陷识别抗干扰性
· 采用生成对抗神经网络进行铣痕缺陷背景融合
99.9%
微小缺陷的检出率高达
20%
抗干扰识别能力提升
≥99.9%
缺陷检测精度
3C行业
交换机钣金外观缺陷检测
在生产制造的检测测量环节,因为加工环节多样化、钣金件规格种类繁多等原因,传统检测方法难以全方位检测出有缺陷的钣金件,效率低且无法实现同类型缺陷的分拣。
项目难点:
· 缺陷类型多样化
· 尺寸差异大,单个相机视野无法覆盖
· 传统视觉建模板频繁,标记难度大,换型困难
· 光学不均匀性使局部检测特征弱
项目效果:
· 降低产品换型建模的频率,大幅减少用户操作换型工作量
· 提升微弱特征在感受野的差异化
· 增强目标缺陷的纹理特征
· 提升缺陷的准确识别与反射噪点的抗干扰性
技术优势:
· 多源图像高精度拼接
· 多尺度图像目标检测和增强学习技术
· 采取区域特征图提取、微弱特征增强与特征图像分解等关键算法
物流行业
周转箱拆垛检测
周转箱是当今工厂中必不可少的物流载体,关于它们的拆垛应用,有不少难题,垛形复杂多变、箱体种类繁多等等,周转箱拆垛的自动化转型是物流行业快速发展的重要一环。
项目难点:
· 周转箱重量大、SKU种类繁多、周转箱表面图案复杂
· 180秒内需要完成整垛周转箱全流程拆跺及安置
· 同步完成视觉测距、定位、探测以及路线规划算法
项目效果:
· 24小时工作,节省人力成本60%
· 精准识别多种箱体
· 通过和机械臂的协同工作,识别错误率0.1%
技术优势:
· 集拍照、点云生成、位置获取等于一体
· 3D相机+深度学习+机器视觉,多维融合
· 自研上千种算法模型,快速完成应用搭建
60%
节省人力成本
0.1%
识别错误率
物流行业
化妆品分拣项目
化妆品生产厂中,容易出现不同种类的化妆品混合的现象。但因为化妆品种类繁多且结构复杂,不易进行归纳整理,人工分拣不仅成本不断升高,且常会出现分拣错误等现象。
项目难点:
· 化妆品种类繁多且结构复杂
· 要求处理速度最快、频率高
· 需要在较小的空间内完成产品分拣
项目效果:
· 24小时工作,节省人力成本40%-60%
· 分拣准确率达99.9%
· 精准识别并分类化妆品,通过和机械臂的协同工作,识别错误率低于0.01%
· 和人工作业相比,持续作业速度可提升1倍
技术优势:
· 自动识别海量混杂抓取方式
· 多视角光场成像
· 深度学习算法,持续不断的优化抓取结果
40%-60%
节省人力成本
99.9%
分拣准确率
<0.01%
识别错误率
新能源
电池缺陷检测
随着新能源大力发展,电池的市场竞争越来越大,很多的厂商开始着重提电池的出厂质量,传统的检测方法已经不能满足于现在的发展,这就需要电池外观缺陷检测实现自动化检测。
项目难点:
· 涉及虚焊、脱焊、极群装反、极柱变形、汇流排折弯、极耳数量多种缺陷类型
· 缺陷材质多样
· 没有统一的行业标准,缺陷界限模糊,没有明确的数据确定产品是否符合不良品
· 生产过程中不断增加新的缺陷
· 现场设备限制,待检测产品位置存在偏移
技术优势:
· 搭配英特尔 OpenVINO™ 工具套件,输出的更优级CPU推理性能
· 结合深度学习技术,灵活应对不同检测场景的需求
· 融合人工智能分类识别模块,有效提高缺陷检测效果
· 全幅面实时动态视频监控,监控和检测并行工作
· 标准嵌入式工业设计,标准进口硬件单元,方便随时升级和扩展
项目效果:
· 0.01%漏检,不超过5%过检
· 快速剔除不良品,让出厂产品达到99%合格率
· 精准实现对虚焊、脱焊、极群装反、极柱变形等缺陷的识别,检测精度≥90%
0.01%
漏检
99%
产品合格率
≥90%
检测精度
新能源
氢燃料电池极板缺陷检测
氢燃料电池极板在生产工艺中会产生划伤、掉膜、凹凸点、脏污等缺陷,依靠人工目测检查的方式,存在较高的误检、漏检,同时有些细小缺陷,难以被肉眼检测出,容易造成不良品的流出。
项目难点:
· 缺陷多样化、分布不规则
· 局部特征和缺陷特征具有很高的相似度
· 缺陷尺寸在丝米级别,类别差不明显
· 缺陷规则的方向性,较难实现全部缺陷检出
项目效果:
· 增强了对电池极板上的干扰纹理的适应性,误检率降低了20%
· 实现在丝米级精度下精确地对不同类型缺陷的对比分类,精准度高达99.9%
· 实现同一产品的不同角度识别的融合处理,准确率高、稳定、覆盖面广
技术优势:
· 背景感知、强化学习等AI技术
· 多尺度特征融合训练与小目标缺陷检测技术
· 多角度图像采集点智能协同方案
· 像素级轮廓特征处理算法
20%
误检率降低
99.9%
精准度
木材加工
木材加工高精度线圆测量
木材加工的质量决定木材成品的质量,木板板材生产中按照设计图纸对木板进行打孔作业,容易产生孔径误差,孔位偏移等问题。
项目难点:
· 生产中对孔位、孔径尺寸精度要求高,误差在丝米级别
· 生产的木板材尺寸差异大,视觉检测视场覆盖面不足
· 孔位孔径规格多、数量多,创建模板工作量大,产品换型困难
项目效果:
· 满足大视场大尺寸产品的全覆盖高精度测量
· 实现木板材图纸与打孔规格全自动识别
· 无需重复手动创建模板和产品换型,提升柔性检测的兼容性
技术优势:
· 多角度图像采集点智能协同方案
· AI技术提取学习木板材孔位加工特征
木材加工
木材缺陷检测
实木家具生产中,木材的结节、虫蛀、开裂、油渍、边皮等主要缺陷会影响其出材率,进而提高成本。因此,精准识别缺陷位置和缺陷范围,才能够有效实现“木材优选切割”,提升出材率。
项目难点:
· 同一种缺陷下的颜色、纹理和形状都会有很大差异
· 部分活结节缺陷从成像上看几乎与木材本身的花纹无异
· 木材作为一种自然材料,缺陷不一致性极大
项目效果:
· 尺寸兼容性强:宽度30-400mm、长度100-6000mm
· 检测速度最快可支持4m/s
· 漏检率≤0.05%
技术优势:
· AI算法对各类缺陷的大量图像样本进行学习
· 每类缺陷都建有一个准确的算法模型
· 利用目标识别对木材常见缺陷进行精准定
≤0.05%
漏检率
4m/s
检测速度最快支持
木材加工
地板花纹分类
地板的花纹是树木自然生长形成的,花纹都是随机分布,且切割的方向也会影响花纹的形状。因此木材在切割成地板后,每一片的纹理都会有差异,传统的机器视觉识别无法满足极其不规则的分类需求。
项目难点:
· 花纹排列极不规则
· 同一类花纹,各自的花纹排列都差别很大
· 不同树木的颜色差异很大
· 传统机器视觉无法很好的兼容不同颜色地板的识别
项目效果:
· 尺寸兼容性强:宽度30-240mm、长度600-2200mm
· 不停线识别,产线生产效率提升30%
· 24小时连续识别,降低20%的人工成本
技术优势:
· 融合深度学习技术不断提升识别精度,实现精准快速分类
· 利用目标识别对结节、伤疤等木材常见缺陷进行自动定位
30%
产线生产效率提升
20%
降低人工成本
木材加工
木碎屑颜色识别
木碎作为木材行业中具有广泛用途的副产品,是木浆造纸的重要组成部分。在造纸过程中,需要利用漂白粉对木碎进行颜色调整,而由于木碎颜色的不统一性,易导致漂白粉剂量偏差,提高生产成本。
项目难点:
· 颜色、纹理和形状等方面差异性极大
· 深浅2种颜色的木碎相互掺杂,干扰算法判断
· 木碎来料有干有湿,干湿颜色各不相同
· 木碎来料批量大,颜色复杂且随机性高
项目效果:
· 可快速完成对大批量复杂且随机的木碎的颜色识别
· 检测速度最快可支持4m/s
· 识别准确率≥99.8%
· 识别结果实时输出,收料端人员可及时做出相应调整
技术优势:
· 深度学习算法,不断提高样本训练精准度
· 训练模型可快速识别深浅木碎掺杂下的颜色
· 学习算法融合高频细节,稳定判断复杂颜色
· 算法学习无异物的木屑图像,快速检测出污染物
4m/s
检测速度最快支持
≥99.8%
识别准确率
纺织行业
断线检测
在纺织生产工业中,纺织机在纺纱过程中会出现突然断线的情况,且难以被肉眼检测出,而一旦断线为检出人容易让设备受到损坏,直接造成纺织厂的纺纱系统不能有效地运行,进而造成经济损失。
项目难点:
· 梳毛机对应线筒的线圈数量不同
· 线色多种
· 现场设备结构复杂,无法达到较优的光环境和拍摄视角
· 工作人员频繁更换线筒,检测设备无法固定位置
· 为保证线圈品控,断线后较短时间要续连
项目效果:
· 0.01%错漏率
· 较高分辨率和较高检测速度,提升整体效率20%
· 适用于各种使用场合
技术优势:
· 轻辙平台搭建业务流程
· 多相机串联接入,对定位、分割算法的场景复用
· 机器视觉融合深度学习,对产品特征大量学习,不断提升识别效果
0.01%
错漏率
20%
提升整体效率
其他行业
电力线路杆号牌分拣
线路杆塔的杆号牌是线路杆塔的“身份证”,担负着宣传电力知识、安全警示的作用,杆号牌的字迹模糊、脱落等现象,给线路巡视检修、故障抢修等工作带来许多潜在的隐患。
项目难点:
· 杆号牌字符不确定,无法预置字符库方式建立图像字符模板
· 字符方向与来料多样,存在相近字符的干扰
· 字符存在挤压变形,影响字符检出
项目效果:
· 实现部分字符缺损,漏检,小数点符号干扰的情况下对所有字符联想检出
· 有效提升变形字符的识别率,高达90%
· 有效规避文本方向带来的近似字符干扰,检出率精准度提升20%
技术优势:
· 文本检测算法与优化SVTR文本识别算法
· 采用文本方向分类器算法
· 文本尺度修正算法,规范字符尺度处理上的统一性
90%
变形字符识别率
20%
检出率精准度提升
其他行业
机加工滚子打痕缺陷检测
滚子两个端面经过内外径精加工与双端面研磨工艺,来料表面存在研磨划痕和切削液残留,在光学成像中与端面亮点缺陷同样呈现高亮特性,传统视觉算法无法区分。
项目难点:
· 缺陷尺寸在丝米级别,肉眼不易观察
· 端面缺陷存在相近干扰
· 不易区分检测目标与其他光学噪点
项目效果:
· 极大的提高微小缺陷的检出率
· 微小的缺陷尺寸特征完成放大增强处理
· 微小缺陷检测精度≥0.1mm
· 缺陷检出率≥99.9%
技术优势:
· 多尺度特征融合训练与小目标缺陷检测技术
· AI+视觉技术,解决相近缺陷干扰因素
· 采用分辨率高、抗干扰能力强、受光线影响小的光源方案
≥0.1mm
微小缺陷检测精度
≥99.9%
缺陷检出率
其他行业
猪肉分类、贴标
盒装猪肉需要在猪肉分类装盒且封膜后贴标签,过程中,由于猪肉种类繁多复杂,且常伴随着来料混杂的情况,依靠人工肉眼分类贴标,不仅易出现错贴,且工作效率低下,人工成本大。
项目难点:
· 超50多类的产品类别
· 相似类别众多,不易分辨
· 同一类别的肉在颜色上存在较大差异
· 同一类别的肉在形状上存在较大差异
项目效果:
· 识别速度≥100盒/分钟
· 大容量样本库,多类肉都能做精准识别
· 识别结果实时输出到贴标机,标签贴错率降低至1%;
· 24小时连续识别,人工成本降低25%
技术优势:
· 深度学习图像样本,建立准确算法模型,稳定精准分类
· 不受来料的随机混料影响,实时检测且快速输出对应标签
· 新增品类只需简单的训练操作,耗时少,不耽误新品上线
1%
标签贴错率降低至
25%
人工成本降低
其他行业
气垫梳梳齿外观检测
气垫梳的齿针缺陷检测以人工全检为主,但随着市场体量进一步扩大、产量持续增加,人工检测效率已无法满足生产需求,此外人工检测还伴有漏检率高、错检率高等问题,难以适应市场发展。
项目难点:
· 产品颜色多样化,颜色不同反光效果差异大
· 产品颜色的不确定性,导致打光难度高
· 不同颜色的齿针顶端成像效果差异大
· 一套算法兼容多种颜色,难度很大
项目效果:
· 实现秒级检测,检测效率提升35%
· 检测精度0.5mm,肉眼不易观察到的缺陷也能轻易检出
· 兼容性高,适配常规的所有尺寸和颜色
技术优势:
· 利用轮廓仪扫描出产品整体的3D成像方案
· 采用405nm的短波长激光,大大降低颜色对成像影响
· 检测精度高,齿针短针超过0.5mm可被检测出来
35%
检测效率提升
0.5mm
检测精度
其他行业
缸体内遗漏钢珠检测
“钢珠流研磨”是发动机缸体去毛刺的重要手段。缸体内部孔道分布十分复杂,研磨完成后难免会有钢珠遗留在缸体内部,因此需要进行检测。传统的人工全检,会出现漏检、误检等问题,且效率低下。
项目难点:
· 缸体孔道分布复杂
· 孔道内壁成像与钢珠成像类似
· 图像背景对钢珠检测有较大干扰
· 小孔、深孔内钢珠成像不明显
项目效果:
· 检测单个产品耗时≤5s
· 100%检出
· 钢珠遮挡70%也能准确识别
· 不停线检测,不耽误生产
技术优势:
· 采用深度学习与传统算法相结合,缺陷检出率高
· 经过适当训练的神经网络可以很好地识别出变量环境
· 可以通过训练,快速适应新产品的检测
· 高运行速度下的高精度检测
≤5s
检测单个产品耗时
100%
检出
其他行业
密封圈缺陷检测
空调制冷管道的密封是制冷系统正常工作的基础,因此密封圈是空调制冷系统是否稳定的重要零部件,其性能直接影响制冷效果。密封圈缺陷检测是空调生产线不可或缺的环节,需要进行长期稳定且精准检测。
项目难点:
· 产品外形复杂,成像背景也复杂
· 缺陷种类多,同类缺陷形状各异、颜色深浅不一
· 起皮缺陷细小成像不明显,存在检测难度
项目效果:
· 外台阶+侧壁全检,检测速度≥10个/s
· 检测精度0.2mm
· 检出率≥99.8%
技术优势:
· 采用深度学习算法,对各类缺陷进行细节信息学习
· 训练完成后即可从复杂背景中快速识别出缺陷。
· 稳定检出成像不明显的细小裂纹和起皮
≥10个/s
检测速度
0.2mm
检测精度
≥99.8%
检出率
其他行业
雪糕盒检测
餐饮行业中,塑胶勺、塑料餐盒等塑料制品的卫生检测极其重要。这些塑料制品异物内容通常表现为黑点、脏污、毛发等,靠人工检测不仅有漏检、误检等问题,且工作效率低、人工成本高。
项目难点:
· 检测速度要求极高
· 产线速度1.5m/s,每秒检测50个产品
· 盒底有凹凸字符,字符边缘暗角部分成像干扰检测
技术优势:
· 高帧率面阵相机结合高效算法,实现高效检测
· 非接触式检测,不会对产品造成二次污染
项目效果:
· 检测精度:0.2mm
· 检测速度≥50个/s
· 漏检率≤0.01%
· 检测到NG时,实时报警并提示NG产品的位置,同时将缺陷区 域显示在屏幕上
· 24小时连续识别,降低人工成本
0.2mm
检测精度
≥50个/s
检测速度
≤0.01%
漏检率
上一篇:
下一篇: LOGO防错漏检测