搜尋結果
使用康耐視機器視覺和 AI 技術，改善食品安全並降低異物引起的食物污染風險。
資源. 找到教育訓練，視訊，研討會以及座談會的聯結結。. 閱讀白皮書，部落格以及其他資源，以尋求專家建議。. 瞭解光學濾鏡，鏡頭以及影像前置處理工具，如何改善視覺應用的控制能力。. 探索互動式工具，進行鏡頭選擇，照明建議以及成本節省分析。.
- 包裝缺陷探測
- 包裝光學字元辨識
- 包裝裝配驗證
- 包裝分類
對於瓶、罐類的包裝檢測，機器視覺的價值無法衡量。事實上，在大部分工廠中，機器視覺不僅可在製造期間檢測標籤的位置和包裝，還能放料並對準。 傳統機器視覺擅長處理標籤缺陷，巧妙地探測起皺、裂縫、撕裂、翹折、氣泡及印刷錯誤。高對比影像與表面擷取技術能夠擷取缺陷，即使位於曲面或光線條件不佳，也不是問題。不過，一般鋁質金屬表面的眩光，還有其缺陷難以預知又多變，並非全都需要剔除，而可能會干擾傳統機器視覺判別。表面檢測難題之中，還包括像是長條掛擦與淺凹痕等無數的缺陷形態與類型，使得明確搜尋所有類型的潛在缺陷並不可行。 使用新的深度學習方法，能夠精準並反覆地檢測各種不同的棘手金屬包裝表面。使用康耐視深度學習，不會明確撰寫程式和檢測，深度學習演算法會以一組已知「合格」的樣本來訓練自己，建立其參考模型。在此訓練階...
無論是何種材料或類型，都有日期/批代碼隱身在絕大多數消費性包裝上。使用者和消費者在購物時，還有製造廠商在驗證階段期間，能有清楚印出並可讀取的這些代碼相當重要。例如，瓶身或餅乾包裝上的標籤所印的日期/批代碼有誤印、髒污或變形情況，就會對兩者造成問題。 一般而言，傳統機器視覺能在條碼離開工廠之前，輕鬆辨識和/或驗證其是否可讀和正確，但某些表面很棘手而過於難以達成。印在金屬汽水罐之類鏡面材料的條碼有髒污或傾斜的這類情況下，使用機器視覺檢測系統並不是相當可靠，而需要交由人類檢測員讀取。因此，包裝業者需要檢測系統能以人類標準判斷可讀性，但要具備電腦化系統的速度，同時堅固耐用。邁進深度學習。 康耐視的深度學習 OCR 工具能探測和讀取純文字的日期/批代碼，驗證一連串數字與字母正確與否，甚至嚴重變形、歪斜...
多重包裝產品可能會有像是假日主題或季節限定之類有目的性的包裝變化，對於須仰賴視覺功能進行的裝配驗證而言很棘手。這些包裝在相同的盒子或箱上，展示不同的品項與配置。 為了進行這類檢測，製造廠商需要相當彈性靈活的檢測系統，找到並驗證個別的品項是否存在與正確、依適當配置排列，以及符合其外部包裝。為此，檢測系統要能在單一圖像內能逐行檢測以說明包裝變化的多項配置中，找到和分割數個興趣區。 若要依其獨特且多變的可識別特徵，找到個別的品項，深度學習系統是理想選擇，原因是其可依據尺寸、形狀、色彩及表面特徵，歸納出每種品項的可辨別特徵。康耐視深度學習軟體可迅速完成訓練，構建整個品項資料庫。接著，逐區進行檢測 (依象限或逐行)，以驗證已正確地裝配該包裝。
裝配成套檢測需要用到其自動化檢測系統的多項功能。消費者產品多重包裝出貨之前，必須檢測其數量與內含物類型正確。計數和識別就是傳統機器視覺廣受歡迎的能力。但為了確保多組件裝置包含正確的品項，需要依類別將所含的產品分類，例如多重包裝防曬產品是否包含兩種類型的防曬乳，或是否包含一支額外的防曬潤唇膏？ 這是傳統機器視覺所未具備的重要分類能力。幸好，如果裝配成套檢測要處理多變的產品類型，並需要人工智慧來區分這些類型的概略特徵，康耐視深度學習分類工具可以輕鬆與傳統定位與計數機器視覺工具，或與深度學習定位與計數工具結合使用。 深度學習分類的運作方法是，依據一系列標籤圖像分成不同類別，然後依照這些包裝的差異來識別產品。如果訓練將任何類別視為包含異常，則系統可以學習將其分類為可接受或不可接受。 和傳統機器視覺不...
In-Sight D900. 採用旋式上蓋的玻璃瓶與其他食品容器。. 可能會在螺紋頸口遭受許多種衝擊損傷。. 有廣泛多樣的缺口、裂縫、內含物及其他缺陷，指出瓶內可能會有玻璃碎片、裝上瓶蓋時可能會密封不良，或對終端消費者造成危險。. 在繼續填充和密封之前，務必 ...
In-Sight SnAPP 視覺感測器讓每個人享受機器視覺的強大功能。In-Sight SnAPP 透過引導式設定和預先訓練的人工智慧，讓製造商可以快速輕鬆地將檢查作業自動化，無需任何經驗。這些簡單易用的感測器利用創新的視覺技術，解決各種防錯任務來改善品質控
全球各地的製造廠商每天使用康耐視視覺生產超過10億件產品。. 康耐視擁有40年的從業經驗，迄今已銷售超過100萬套系統，是全球領先的視覺系統，軟體，感測器和工業讀碼器提供廠商，產品廣泛應用於製造自動化。. 在製造和物流流程中使用康耐視視覺，ID和AI ...
流程包括： 檢測瑕疵. 識別糕餅、杯子蛋糕、糖果及餅乾. 確認糖霜高度. 確保體積適當. 檢查平面度. 驗證表面. 食品與飲料業檢測解決方案必須要能探測邊線與斑點 (Blob)，並判定體積。 不過，通常設定解決方案相關程式的時間與困難度，才是最大的難題。 生產線需要容易設定、操作和變更的軟體視窗。 對於這些應用，和使用平面圖像以色彩代表不同高度的二維系統相比，使用真正三維圖像的系統在使用上更輕鬆，也更直覺。 輕鬆得知三維體積量測值. 像是 In-Sight 軟體等的視覺軟體，可提供真正的三維斑點 (Blob) 工具與三維邊線採集器，來確認長度、寬度、高度、體積等等。
