项目背景:
全球领先的汽车零部件生产商,基于产品可靠性要求,需对复杂背景下的激光焊进行质量检测,包括虚焊、半边焊、漏焊、缺焊等。德斯戈为客户开发的传统算法结合深度学习视觉检测系统,在有效保障检出率的同时,大幅度降低了误判,提升了产线良率和产能。
客户需求:
检测焊点漏焊、缺焊、Pin脚安装不到位
解决方案
检测 ——复杂背景
|
通过了解目标区域的各种外观,分割缺陷或其他感兴趣的区域,来了解物体的正常外观(包括其显著但可容忍的变化),通过深度学习算法,查找视野中的复杂特征和对象,学习正常的零件差异,同时全面地理解缺陷,用于表面缺陷和异类检查,解决零件复杂背景下定位、装配验证、缺陷探测、分类和光学字符识别应用问题。
>>查看详情 |
检测过程:
检测异常和外观缺陷检测
需通过了解目标区域的各种外观,即可分割缺陷或其他感兴趣的区域。
只需通过了解物体的正常外观(包括其显著但可容忍的变化),即可识别复杂表面上的划痕、不完整或不正确的装配,甚至是织物上的编织问题。
验证效果:
随机从产线收集5个良品与5个不良焊点的产品进行验证检测效果,下图为1号不良焊点产品检测结果,系统检测出此缺焊检测的不良。
2号不良焊点产品检测结果,系统检测出此缺焊的不良。
3号不良焊点产品检测结果,系统检测出此缺焊的不良。
4号不良焊点产品检测结果,系统检测出此缺焊的不良。
5号不良焊点产品检测结果,系统检测出此缺焊的不良。
OK产品检测结果,检测时未出现误报。
通过取5个不良与5个良品,分三人取放产品各测试三次验证检测重复稳定性;1-5号产品为不良,6-10号产品为良品;
检测结果中不良产品都能稳定检测出,有一个OK产品测试9次出现了一次误报NG,此结果原因为检测得分接近临界阈值,因产品焊锡形态多样性,需要更多不同焊锡形态的产品进行训练学习,加强深度学习检测模型的成熟度。
相同技术案例