Inspección de piezas moldeadas por inyección de plástico
Inspeccionar pequeñas piezas de plástico para detectar defectos estéticos y estructurales
Productos relacionados
Entorno de programación gráfica para análisis de imágenes industriales basado en el Deep Learning
Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi
Incluso las piezas pequeñas de plástico tienen superficies complejas y hendiduras que deben encajar con precisión con otras piezas. Las marcas de hundimiento, deformaciones, tomas cortas y destellos son defectos que afectan a la funcionalidad de las piezas de plástico.
Otros defectos son puramente estéticos, no afectan a la función, pero tienen un efecto negativo importante en las ventas si se encuentran en una parte visible de un producto de consumo. Estos defectos estéticos incluyen rayones, líneas de flujo, quemaduras, hendiduras y decoloración.
Detectar estos defectos en las fases iniciales evita que afecten a las fases posteriores de montaje, lo que puede obligar a desechar una pieza totalmente montada. La dificultad de iluminar estas pequeñas piezas en los espacios reducidos en los que salen del molde, junto con sus superficies reflejantes, onduladas y complejas, hace que sea difícil inspeccionar con precisión las piezas moldeadas de plástico con la visión artificial convencional, especialmente a la velocidad de la línea de producción.
El aprendizaje profundo de Cognex es ideal para la inspección visual estética de conjuntos de subcomponentes. La herramienta de detección de defectos se entrena con un conjunto de imágenes de una serie de piezas de plástico sin defectos. A continuación, la herramienta de detección de defectos identifica cualquier pieza anómala, detectando tanto los defectos funcionales como los estéticos que difieren de las imágenes entrenadas.
Si el componente es invisible después del montaje final, lo que hace que los defectos estéticos, como las pequeñas variaciones de color, sean aceptables, la herramienta de detección de defectos se entrena con esas variaciones como parte del conjunto de entrenamiento y entonces no las marcará como anomalías. Si las definiciones de los defectos cambian a medida que se analizan los montajes finales y las ventas posteriores, la herramienta de detección de defectos se vuelve a entrenar rápidamente con otro conjunto de imágenes con un rango de aceptabilidad diferente.
