汽车与航空航天
AI视觉泡沫模具夹子检测
在树脂、振动和变化的情况下，在汽车和航空航天模具中实现100%准确率的夹子检测。
快速摘要
一家一级供应商的传统视觉系统由于树脂积累和振动无法检测泡沫模具中的黑色夹子。Overview.ai的OV20i视觉系统使用分类器配方，仅用十几张训练图像就实现了100%的准确率，提供了无需重新校准的稳定解决方案。
情况
检测嵌入泡沫模具中的黑色夹子听起来像是一个简单的存在/缺失任务。但在生产环境中，变化会在准确性之前破坏系统。这在汽车和航空航天组装中是一个常见的挑战，因为组件验证至关重要。
问题
一家一级汽车和航空航天供应商面临着八种不同模具变体的这个问题。他们价值10万美元的传统系统不断标记误报，无法用于无人值守操作，原因如下：
- 树脂积累随时间改变了模具的外观。
- 反射和照明每个周期都在变化。
- 附近压机的振动造成不稳定和不一致的成像。
- 模具间的变化使基于规则的系统变得脆弱。
Overview.ai解决方案
使用OV20i工业视觉系统，工程师训练了一个简单的分类器配方。在几小时内，该模型在存在/缺失检查上达到了100%的准确率，并学会了单独分类*位置不正确的夹子*。
使用分类器配方快速训练
仅用十几张标记的图像，相机上的AI就学会了区分"夹子存在"、"夹子缺失"和"夹子位置不正确"，展示了小型高质量数据集的力量。
强大的光学和相机内处理
成功的关键是强大的光学和分割级传感器，它可以规范化照明和表面纹理变化。该系统在树脂积累和振动中保持稳定——无需重新校准。
使用Node-RED进行实时反馈
检测结果使用Node-RED逻辑与生产线控制器集成，为操作员提供即时的通过/失败反馈并闭环。
关键工程要点
- 当照明一致时，小型高质量数据集优于大型噪声数据集。
- 抗振动和表面污染的稳定性与准确性同样重要。
- 通过Node-RED逻辑的实时反馈为操作员闭合了自动化循环。
常见问题
训练新模具通常需要多少样本？
如果照明和光学参数保持稳定，通常10-15个代表性样本就足够了。
能处理树脂变色或部分填充吗？
是的——OV视觉系统中的分割功能可以通过最少的重新训练来适应灰度和纹理变化。