机器视觉指南
机器视觉中的生成式人工智能：有帮助的地方
Sparky 为 Spark 带来了生成式 AI 的四个重点用途：工具选择、配方构建、HMI 构建以及有关库的问题。这些有助于您的团队进行检查。实际站仍需要完成成像、训练、机器集成和验证。
从需求到相关工具
Sparky 支持工具选择、配方构建、HMI 构建以及有关库的问题。每个都有一个输出，您的团队可以查看：建议的工具、配方、操作员屏幕或来自保存的捕获的信息。
例如，“检查所有六个空腔是否都已填充”描述了一个数量，但留下了几个悬而未决的问题。相机能看到每个空腔吗？不同的组件颜色可以接受吗？部分位于型腔之外的组件是否算作存在？回答这些问题给 Sparky 和您的团队带来了更精确的任务。
有用的结果是可以测试其行为的检查。对拟议检查的清晰解释有助于团队对其进行审查，但成功的配置仍然取决于在捕获的图像中看到所需的功能。
检测工具做出生产决策
Spark 使用配置的检查工具来评估图像并生成结果。 OCR 读取字符、计数检查数量，并对齐为后续工具定位零件。语言模型可以帮助配置和解释这些操作。它不需要对通过相机的每个部分做出新的对话判断。
当您验证电台时，这种划分很重要。验收规则应该保持清晰：预期的代码匹配、达到目标计数或存在所需的功能。然后，工程师可以根据可接受和不可接受的产品示例来测试这些工具。
当有人询问零件为何失败时，请从捕获的图像和工具结果开始。助手可以帮助解释可用信息。应根据该证据检查其解释，尤其是在建议更改生产检查时。
助手可以节省工程工作量
工具选择有助于确定适合检查要求的检查。配方构建器有助于将检查整合在一起。工程师检查配方和工具设置，在需要时提供示例并测试零件的行为。
HMI 构建有助于创建操作员视图。该团队检查显示的图像、结果和控件是否与实际站点相符，并支持操作员需要采取的行动。
库问题可帮助团队探索保存的图像和结果。一个有用的答案可以为调查提供证据；团队解释捕获并决定更改哪些内容。
图像质量和验收标准仍然很重要
遮盖印刷字符的眩光是一个成像问题。调整视角、照明或零件演示，使信息可见。模型无法可靠地恢复图像无法解析的物理特征。在同一评论中包括运动模糊和工作距离。
质量团队还必须定义可接受的变化。可以允许在一个表面上使用装饰标记，而禁止在另一个表面上使用装饰标记。轻微旋转的零件对于组装来说可能是可接受的，但对于下游截齿来说是不可接受的。将这些区别放入样本集和验收规则中。
使用配置或培训期间未使用的示例进行测试。包括最难接受的部分和最小的相关故障。分别测量遗漏故障和错误剔除。这样可以将便捷的设置体验与生产线所需的检测性能联系起来。
部署后的援助和改进计划
Spark 运行生产检查并在相机上安装 Sparky。 Defect Studio 是一个独立的基于云的工作流程，用于生成合成缺陷图像。检查生成的示例是否真实，并保留真实的生产样本以验证检查。
改进经过培训的工具意味着审查生产示例、根据需要更正标签、重新培训和检查更新的模型。生产图像不应仅仅因为先前的模型接受了它而成为可信的训练示例。必须有人决定它是否代表可接受的产品。
为了进行有用的 GenAI 演示，请提出真实的需求，然后更改其中的一部分。要求团队配置第一次检查，解释故障，并更新检查以获取允许的变化。您将了解助理如何帮助您的员工完成工作，以及哪些地方仍需要工程判断。
常见问题
- 生成式人工智能在视觉系统中起什么作用？
- Sparky 支持工具选择、配方构建、HMI 构建以及有关库的问题。您的团队仍然负责成像、工具配置、培训、机器集成和验收测试。
- 生成式人工智能与人工智能检查模型相同吗？
- 他们执行不同的工作。检查模型针对特定任务（例如计数或分类）评估图像。 Sparky 帮助选择工具、构建配方、构建 HMI 和探索库；配置的检测工具产生生产结果。
- Spark 是否会自动学习每个被检查的零件？
- 不要假设自动重新训练。改进包括审查示例、在适当时更新训练集、重新训练工具以及在依赖更改之前验证更改。
- Sparky 是否无需验证检查？
- 不需要。您仍然需要代表性样品、定义的验收标准以及在生产条件下对配置的检查进行测试。协助设置本身并不能确定准确性。
请参阅 Spark 检查您的零件
带上有代表性的零件、可接受的变化以及您需要捕获的故障示例。我们将与您的团队一起进行 Spark 检查。
请求 Spark 演示