伴随着元器件的微型化、细间距化等密度特征越来越明显,生产品质以及产能的需求不断扩增,致使产品外观缺陷检测的难度相应提升,传统的人工目视检测法将逐步被淘汰,其整体速度慢而且效率低下,且具有明显的主观性。加上产品的微小外观缺是无法用肉眼直接判别的,直观目视被测区域容易导致误差,在这种追求优良品质、高效率的需求下,传统目视检测逐渐凸显出许多的不...
查看详细 >>科技进程的加速,产品的品质化与智能化要求在日益扩增。生产制造商对于产品的质检体系需要不断地更新升级,跨越了从人工检测到传统的视觉检测再到具有深度学习算法的智能检测这一整条进化链,深度学习算法弥补了传统算法无法检测复杂特征的漏缺,免去了人工提取特征这一耗时耗力的步骤,更大程度为生产企业提升制造效率。然而凡事都有两面性,深度学习算法也不例外,...
查看详细 >>局部检测:支持器件局部检测; SPC功能与数据输出:不良分类统计柏拉图,趋势图多维度展示;可实时追溯导出生产数据; 画面显示:1、主图画面动态与静态结合,便于员工观察;2、根据底板颜色可以自由选择器件框颜色,适应各种颜色底板; 条码识别:支持识别一维码(128码),二维码(QR/DM码); 追溯:可实时输出。支...
查看详细 >>易用性体现在:1、无需设置参数;上手快;2、在线抓拍首件板系统辅助做程序,自动框图比例高,支持持续补充学习,学习后自动建模比例更高(80%+);3、根据客户需要,支持自定义器件名称;4、支持快速更改工单号;5、支持批量复制、粘贴、剪切、删除等快捷键操作。具备持续学习的特性,支持各种器件补充学习,学习之后可以自动框图(同时减少误报---真正...
查看详细 >>伴随着元器件的微型化、细间距化等密度特征越来越明显,生产品质以及产能的需求不断扩增,致使产品外观缺陷检测的难度相应提升,传统的人工目视检测法将逐步被淘汰,其整体速度慢而且效率低下,且具有明显的主观性。加上产品的微小外观缺是无法用肉眼直接判别的,直观目视被测区域容易导致误差,在这种追求优良品质、高效率的需求下,传统目视检测逐渐凸显出许多的不...
查看详细 >>图像处理上,随着图像高精度的边缘信息的提取,很多原本混合在背景噪声中难以直接检测的低对比度瑕疵开始得到分辨。模式识别上,本身可以看作一个标记过程,在一定量度或观测的基础上,把待识模式划分到各自的模式中去。图像识别中运用得较多的主要是决策理论和结构方法。决策理论方法的基础是决策函数,利用它对模式向量进行分类识别,是以定时描述(如统计纹理)为...
查看详细 >>取而代之的是自动检测技术,其在生产中承担着重要的角色。运用自动光学检测进一步减少产品外观缺陷,对于装配过程中错误的前期查找、消除起关键作用。AOI采用视觉系统、和新型给光方式、更高的放大倍数以及更为综合、复杂的处理技术,实现高速、高精度检测,AOI能够检验大量元器件,如矩形片式元件、电解电容器、晶体管SOP等等,实现对被检元件的漏贴、焊料...
查看详细 >>炉后皮带线模式:支持,且可以多机种共线生产; 支持NG buffer对接; 支持多工位语音播报、自定义语音播报内容; 通讯方式:支持标准接口、定制接口; 追溯:可实时输出。支持按条码、二维码、机型、时间等维度追溯; 条码识别:支持识别一维码(128码),二维码(QR/DM码); 画面显示:1、主图画...
查看详细 >>一般而言,通过算法产生的数据集几乎含括每个缺陷类型100个以上图像,利用网络建立对应模型,从而实现对所输入图像的对象进行识别和分类。简单举例,现代的食品制造公司所采用的视觉检测设备通常有深度学习算法,这一功能便能直接辅助检测包装上是否存在某些特定图像、字符等。 深度学习更善于解决复杂外观表面及缺陷。比如旋转时扫查零件表面的突出特征如划痕、...
查看详细 >>经过波峰焊后,焊点所有的参数会有很大的变化,这主要是由于焊炉内锡的老化导致焊盘反射特性从光亮到灰暗,因此,在检查时算法上必须要包含这些变化。在波峰焊中,典型的缺陷是短路和焊珠。当检测到短路时,假如印刷的图案或者无反射印刷这两种情况的减少以及应用阻焊层,就可以消除这些误报。如果基准点没有被阻焊膜盖住而过波峰焊,可能会导致一个圆形基准点上锡成...
查看详细 >>基于图像检查的基本原理是:每个具有明显对比度的图像都是可以被检查的。存在的主要问题是,当一些检查对象是不可见的,或是在PCB上存在一些干扰使得图像变得模糊或隐藏起来了。然而,实际经验和系统化测试都表明,这些影响是可以通过PCB的设计来预防甚至减少的。为了推动这种优化设计,可以运用一些看上去很古老的附加手段(这些方法仍在很多领域被推崇),它...
查看详细 >>视觉世界,是无限变化的,系统设计者有无数种方法使用视觉数据。其中,有一些应用案例,例如目标识别以及定位,都是可以通过深度学习技术,来得到很好的解决的。因此,如果你的应用,需要一种算法来识别家具,那么你很幸运:你可以选择一种深度神经网络算法,并且使用自己的数据集,对其进行重新编译。我们要先看看这个数据集。训练数据,对有效的深度学习算法是至关...
查看详细 >>