搜尋結果
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。
部落格. 機器視覺. 如何輕鬆將機器學習部署到工廠自動化中. 銷售. 如何輕鬆將人工智慧部署到工廠自動化中. 通常，生產線和自動化工程師希望使用機器視覺和人工智慧 (AI) 來改善其檢測率和準確度、加快生產線速度，並消除手動檢查的需求。 然而，市面上有一個普遍的誤解，就是要加入此技術非常複雜，需要特定的技術知識或機器視覺專家的協助。 其實情況並非如此。 現在，隨著「邊緣學習 (edge learning)」等新技術的引進，AI 的使用比以往更加容易。 邊緣學習屬於 AI 範疇的一部分，會使用一組預先訓練的演算法直接在設備上或在一旁處理。 In-Sight 2800 視覺系統已根據工廠自動化的需求最佳化，可透過邊緣學習技術快速且輕鬆解決各種應用需求。
康耐視是智慧工廠革命的先驅。 康耐視視覺系統每天用於製造超過 20 億種產品，每分鐘擷取和分析數百萬張影像。 合作夥伴和客戶可以整合這些大數據來使用工業 IOT 平臺，並制定關鍵的業務決策，以改善品質，最佳化人力分配，減少廢料，並改善整體設備 ...
實行深度學習專案的五個步驟. 銷售. 價格. 如何以五個步驟開始深度學習工廠自動化專案. 深度學習圖像分析在各行各業開啟工廠自動化的機會。 從檢測表面缺陷到將多變的組件分類、 檢查最終裝配 、將產品的品質分級，或讀取難讀的文字，具備深度學習能力的視覺系統能夠處理無數的新應用。 「基於規則」的傳統 機器視覺 能可靠地處理一致且製造良好的組件，並在高精準度應用有優異表現。 包括引導、識別、測量以及檢測在內，全部能以極快的速度與絕佳的精準度執行。 這類機器視覺處理已知變化的能力出色：組件存在與否？ 此物件實際上與另一物件相距多遠？ 此機器人需要在何處固定此組件？ 在受控環境中的裝配生產線上，可以輕鬆部署這些工作。 但當情況並非如此明確時，該怎麼辦呢？ 進入 深度學習之於機器視覺的應用 。
工廠或製造業環境下導入技術(AI/Deep Learning),不再是可有可無,而是企業不可或缺。 根據近期的 Forbes Insights 研究報告，93% 的汽車業與製造業界受訪者將 AI 分類為「相當重要」或「對成功至關重要」。
大數據. 工業 4.0 能將原始資料轉換成可據以行動的訊息和洞見，進而推動可衡量的實際績效改善。 而實現的方法是，分析在製程期間所取得的「大數據」，並利用雲端運算和深度學習方法進行分析，來找出可以改善流程的趨勢。 當今的許多情形是，資料是可以收集，但卻處於不連貫且封閉的狀態。 在未來，藉由機器視覺之類的資料豐富技術，通常可以主動共享及使用這些資料。 傳遞生產資料. 製造系統的通訊網路將會掃瞄來自市場的輸入，然後使用該訊息來微調生產參數。 例如，製藥公司的系統（接獲警報，得知特定地區回報的過敏案例超出預期）會觸發生產線來增加生產，並下訂單追加購買原料。 雲端運算.
首頁. 產業. 食品與飲料業. 玻璃瓶頸口檢測. 探測玻璃容器螺紋頸口中的缺陷. 相關產品. VisionPro Deep Learning. 深度學習工業圖像分析的圖形化程式設計環境. In-Sight D900. 採用 In-Sight ViDi 深度學習視覺軟體. 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，務必要檢測每一瓶是否有上述缺陷。 即使是食品容器中的小缺陷，也會導致客戶滿意度下降，特別是玻璃包裝通常用於銷售數量較少的昂貴奢侈品。
