搜尋結果
深度學習如何將包裝解決方案的檢測自動化. 包裝產品越來越需要有自己的自訂檢測系統，以使品質完美、避免發生過檢、改善產量，以及降低召回風險。. 包裝生產線沿線的部分基本機器視覺應用，包括驗證包裝上的標籤存在、正確、整齊黏貼並可讀取。. 其他 ...
如果液滴過大或過小、放在貼片上的位置錯誤，或形狀奇特，都會讓劑量不正確，導致發生合規問題並可能需要召回產品。 傳統機器視覺難以針對貼片背景分析這些液滴是否存在，還有其確切大小。人類的肉眼並不擅長靠觀察來判斷數量，因此人工檢測容易出錯。
注射器凸緣檢測適合採用康耐視深度學習，原因是其以一系列不同角度的凸緣進行訓練；儘管其變化繁多、透明，而且幾何形狀複雜，甚至是以人工檢測都會疏漏的極細微缺陷，都能夠區分出可接受與不可接受的凸緣。. 康耐視深度學習缺陷探測工具可輕鬆適應 ...
許多消費性包裝商品 (CPG) 製造廠商都會列印和掃描品項上的一維條碼與二維碼或文字，確保所貼的標籤正確無誤且內容正如標示所宣稱。. 這些條碼或英數值是用來確認多組件的包裝組件相符，例如上蓋與底部容器。. 康耐視 In-Sight 視覺系統與深度學習 OCR 解決 ...
第一，天然織品紋理複雜，而且外觀會隨拉伸情況和拍攝當時的光線而有所變化。 第二，也最有問題的是縫製或接縫缺陷數量相當龐大；若要明確搜尋，不僅費時冗長，而且幾乎不可能以基於規則的演算法一一找出。 因此，以非監督方式訓練安全氣囊織品的正常外觀，讓檢測系統識別潛在缺陷，比較有用。 使用神經網路，深度學習工具可概念化和歸納織品的多變特性，識別所有異常呈現方式，同時穩健運作，適應編織圖案、紗線特性、顏色的自然變化，以及其他可容許的缺陷。 偏離這些自然變化的任何異常，系統都會標示為有缺陷，例如未如預期般縫製、編織跳紗、經紗或緯紗中有線圈、鉤紗或孔洞等。 如此一來，不需要預先定義缺陷資料庫，即可檢測織品。 這種新的深度學習方法將肉眼視覺檢測性能帶入汽車業織品的自動化品質控制。 電子業缺陷探測.
settings 要求產品示範. cgnx_pdf 下載藥瓶與疫苗解決方案指南. 康耐視深度學習的設計能夠區分真正的缺陷與可接受的塗裝異常，因此可解決這些複雜的檢測類型。 缺陷探測工具以種類廣泛的玻璃藥瓶、各種不同角度來進行訓練，完整學習正常組件的變化，包括可接受的塗裝缺陷範圍。 接著，對藥瓶進行掃描，分析並標示可接受範圍之外的任何特徵，同時減少由塗裝缺陷造成的誤報情況。 除了有強大的深度學習工具組之外，康耐視深度學習還支援 高動態範圍 Plus (HDR+) 技術。 HDR+ 是康耐視專利申請中的高級成像機制技術。 其可克服玻璃明亮又不斷變化的反光，產生更一致的圖像，顯露隱藏的缺陷並改善檢測結果。
裝瓶製造廠商可在產品沿著高速生產線移動時，飛快地裝填、加蓋及密封產品。檢測過液體液位均一度後，物必要判斷瓶蓋的放置位置是否正確，以及安全密封環是否適當旋緊。未正確密封的瓶蓋會損及安全與品質，並傷害品牌忠誠度。
