본문 바로가기

COGNEX

코그넥스/딥러닝
COGNEX(코그넥스) 커패시터의 분류 내용 부품이 각각 약간의 시각적인 차이가 있는 여러 등급에 속하는 경우 전자 부품을 분류하는 것이 특히 어려울 수 있습니다. 커패시터는 제조업체 및 사양에 따라 유형(세라믹 및 전기)과 크기 및 색상이 다양합니다. 동일한 유형 내에서도 패턴에 혼란스러운 변형이 있을 수 있습니다. 원통형 모양과 조명은 훨씬 더 복잡해질 수 있습니다. VisionPro ViDi는 단일 이미지내에서 여러 분류를 자동화하는 딥러닝 기반 대안을 제공합니다. 엔지니어는 결함 감지 도구를 사용하여 금과 전기 커패시터가 모두 "양호"부품으로 분류되는 주석이 달린 이미지 세트에 대해 감독 모드에서 소프트웨어를 교육합니다. 런타임 동안 모델은 모든 전기 및 금 커패시터를 하나의 유형으로 추출하고 분할합니다. 검사의 두 번째 부분에서 분류..
코그넥스/딥러닝
COGNEX(코그넥스) 용접 이음매 검사 내용 코그넥스 ViDi는 표면 텍스처가 복잡하여 기존 머신 비전 검사를 어렵게 만드는 피스톤 등의 중요 파워트레인 구성품이 온전한지 여부를 검사합니다. 피스톤의 용접 이음매는 변동이 심하므로 비정상 요소를 구별하기가 어렵습니다. 용접의누락, 과도하거나 부족한 용접과 같은 특정 이상 요 선호되지 않는 반면 중첩 이음매등은 선호되며 안전상의 유로도 필요합니다. 어두운 이미지 영역 때문에 검사는 더욱 복잡해집니다. 발생할 수 있는 수많은 결함 및 조명건을 감안했을 때, 딥 러닝 기반 분석은 기존 머신 비전 검사와 비교하여 간단하고 강력한 대안을 제시합니다. 코그넥스 ViDi를 사용하면 금속 피스톤 용접 이음매의 자동 분석이 단순해집니다. 엔지니어는 중첩 이음매를 비롯한 모든 용접 이상현상을 보이는 '불량' 이..
코그넥스/딥러닝
COGNEX(코그넥스) 스팟 용접 검사 내용 견고한 전기 연결을 보장하려면 와이어를 서로 또는 터미널에 스폿 용접해야합니다. 용접은 서로 다른 두 금속을 함께 녹여 견고한 연결을 형성합니다. 용접부터가 적절하게 녹고, 충분하지만 과도하지 않는 체적이 있고, 모양이 좋으며, 적절하게 배치되는 것이 중요합니다. 제조업체는 다양한 전자 부품에 대한 많은 라인을 보유하는 경향이 있으며 모든 연결이 안전한지 확인해야 합니다. 스폿 용접은 모양, 위치, 색상, 반사율, 질감 및 표면 표시를 포함하여 모양이 다양하고 불균일하기 때문에 검사는 과잉이라고도 하는 높은 오탐률을 가질 수 있습니다. 과잉 기술은 좋은 부품을 버릴 수 있습니다. 불량으로 잘못 표시된 양호한 용접은 수동 검사를 거쳐야 합니다. 이는 라인 속도에 비해 매우 느리지만 여전히 잘못 식별되..
코그넥스/3D변위센서
COGNEX(코그넥스) 레이저 프로파일링 및 3D 비전 솔루션 내용 3D 머신 비전 시스템은 일반적으로 여러 대의 카메라 또는 하나 이상의 레이저 변위 센서로 구성됩니다. 로봇 안내 애플리케이션의 다중 카메라 3D 비전은 로봇에 부품 방향 정보를 제공합니다. 이러한 시스템에는 서로 다른 위치에 장착된 여러 대의 카메라와 3D 공간의 객관적인 위치에 "삼각 측량"이 포함됩니다. 대조적으로 3D 레이저 변위 센서 애플리케이션에는 일반적으로 표면 검사 및 부피 측정이 포함되어 단일 카메라로 3D 결과를 생성합니다. 물체에 반사 된 레이저 위치의 변위로부터 높이 맵이 생성됩니다. 라인 스캔과 유사하게 전체 제품을 스캔하려면 물체 또는 카메라를 이동해야 합니다. 보정 된 오프셋 레이저를 사용하여 변위 센서는 표면 높이 및 평면성과 같은 매개 변수를 측정 할 수 있습니다. 단..
코그넥스/딥러닝
COGNEX(코그넥스) 실린더 검사 내용 실린더 블록은 자동차 엔진의 기본 요소입니다. 커다란 실린더는 왕복 엔진의 주요 작동부이며, 압축된 상태에서 위아래로 펌핑되는 피스톤을 고정하도록 설계되어 있습니다. 실린더는 보통 주조 금속으로 제작되며 간혹 윤활 코팅된 라인이나 '슬리브'가 포함되기도 합니다. 실린더 벽은 피스톤의 압축링과 접촉하므로 견고해야 합니다. 실린더는 기계적 마모를 통해 생기는 금속의 사소한 비균질성은 용인되지만 '기공' 이라 부르는 금속의 기포가 있어서는 안됩니다. 이러한 결함을 검사하기가 특히 까다로운 이유는 실린더의 표면이 거칠고 깊은 심도로 인해 가장자리 주변의 이미지가 흐리게 표시되기 때문입니다. 실린더의 반사성 표면에서 발생하는 반사광이나 반짝임 또한 검사를 복잡하게 만듭니다. 특징적 모양과 위치의 수많은 사소..
코그넥스/딥러닝
COGNEX(코그넥스) 점화 플러그 식별 및 분류 내용 주어진 환경에서 바코드 사용이 불가한 경우 제조업체는 특정한 식별, 카운팅, 분류 등의 애플리케이션을 육안 검사로만 해야 합니다. 외관의 사소한 변동은 자동 검사 시스템으로 하기엔 너무 복잡합니다. 사전 조립을 위해 여러 색상의 트레이로 전달되는 점화 플러그가 이 경에 해당합니다. 검사 시스템은 여러 색상의 점화 플러그를 정상적으로 식별하고 카운팅하고 분류하는 동시에 트레이의 배경색은 무시해야 합니다. 이 정보는 조립을 위해 비전 가이드 로봇에 전송됩니다. 코그넥스 ViDi는 크기, 모양과 표면 특징을 학습하여 점화 플러그의 독특한 특징을 일반화합니다. ViDi 블루-위치 식별 툴의 경우 엔지니어는 트레이 이미지를 사용하여 각 점화 플러그럴 식별하고 카운팅하도록 소프트웨어를 학습합니다. ViDi 그..
코그넥스/딥러닝
COGNEX (코그넥스) 사전 조립 삽입 확인 및 배터리 모듈 미용 검사 내용 사존 조립 삽입 검사 중에 덮개를 조립하기 전에 전화기의 내용물에 결함이 있는지 검사합니다. 배터리가 하우징에 들어가면 손상될 수 있습니다. 휴대폰 어셈블리의 혼란스럽고 바쁜 배경으로 인해 배터리를 찾고 검사하기가 어렵습니다. 딥 러닝 비전 소프트웨어는 배터리 금속 표면의 결함에 대한 자동 감지 및 특성화를 단순화합니다. 솔루션 Cognex Deep Learning을 통해 제조업체는 휴대폰이 최종 조립되기 전에 배터리의 무결성을 확인하고 외관 기능 이상을 구할 수 있습니다. 엔지니어는 감독 모드에서 결함 감지도구를 사용하여 양호한" 이미지와 레이블이 있는 결함이 있는 "나쁜" 이미지에 대해 소프트웨어를 교육할 수 있습니다. 이 도구는 이러한 이미지에서 자연스럽게 허용되는 변형을 포함하여 배터리의 정..
코그넥스/딥러닝
COGNEX(코그넥스) 모바일 장치 스피커 메시 검사 내용 스피커 메시는 천공된 금속 조각으로, 휴대폰의 음향 모듈을 먼지와 손상으로부터 보호하는 동시에 사운드에 최소한의 영향을 미칩니다. 메쉬에 균열, 스크래치, 누락된 천공, 변형, 부러진 모서리, 먼지 나 머리카락과 같은 이물질, 천공 과정으로 인한 손상이 있는 육안으로 검사해야 합니다. 이 메시는 최종 사용자에게 표시되므로 외관 손상도 감지해야 합니다. 메시는 최종 사용자에게 표시되므로 외관 손상도 감지해야합니다. 메시는 3차원 텍스처 부분이기 때문에 반사 및 하이라이트의 복잡한 조명 패턴을 만듭니다. 메시를 조금만 기울여도 패턴이 완전히 바뀔 수 있습니다. 한편, 오염이나 불규칙한 스크래치와 같은 결함은 부품 어디에나 나타날 수 있습니다. 이것은 외부 표면 또는 와이어 사이의 간격에 있을 수 있습니..
코그넥스/딥러닝
COGNEX(코그넥스) 인쇄 회로 기판 조립 확인 내용 최종 조립 확인 과정에서 2D 및 3D 머신 비전 시스템은 전통적으로 PCB에서 LED, 마이크로 프로세서 및 기타 표면 실장장치의 존재와 올바른 배치를 검사합니다. 잘못 배치되거나 누락된 구성 요소는 PCB의 성능과 수명에 영향을 미칠 수 있습니다. 이러한 오류는 PCB가 장치에 조립되거나 고객에게 배송되기 전에 포착되어야 합니다. 그러나 미묘한 조명 대비, 원근감 및 방향의 변화, 금속 표면의 눈부심으로 인한 외관의 약간의 차이는 자동 검사 시스템을 혼동시킬 수 있습니다. 서로 가까이 있는 부품은 머신 비전 시스템이 독립적인 부품으로 구별하기 어렵습니다. 이러한 검사를 규칙 기반 알고리즘으로 프로그래밍하는 것은 시간이 많이 걸리고 오류가 발생하기 쉬우며 현장 엔지니어가 유지 관리하기 어렵습니다...
코그넥스/딥러닝
COGNEX(코그넥스) 솔더 저항 검사 내용 마우스 다이오드와 같이 부품을 전기적 연결에 간섭하지 않고 장착하려면 솔더 레지스트를 베어 보드에 깨끗하게 적용해야 합니다. 솔더의 작은 결함조차도 배선 파손, 단락 및 기타 전기 문제를 일으킬 수 있습니다. 이러한 결함은 반사광으로 인해 크기, 모양이 다양합니다. 이러한 조건에서 상당한 부품 변동을 허용하는 자동 검사를 프로그래밍하는 것은 어렵습니다. 솔루션 Cognex Deep Learning은 다른 방법이 동일한 조명 조건에서 검사하기 어려울 때 다이오드의 솔더 레지스트를 신속하게 식별합니다. 어셈블리 검증 및 부품 위치 도구는 솔더 레지스트의 대표적인 이미지 세트를 학습하여 "양호" 및 "불량" 솔더의 정상적인 모양을 학습합니다. 런타임 동안 도구 고정물과 위치는 반사광의 변화외도 불구하고 ..

티스토리툴바