十个工具。一台相机。
正确的零件。
在正确的地方。
找到零件的位置和方向，以便下游检查区域遵循您需要检查的特征。
计算可见零件或特征，并将结果与您配置的目标范围进行比较。
测量间隙、直径或距离，然后将它们与您的极限进行比较。校准图像的物理单位。
将某个区域与颜色参考和允许的公差进行比较，以检查变异和一致性。
对您定义的类的示例进行训练，然后对零件或图像区域进行分类以进行检查。
使用图像来识别部件何时处于正确位置，无需外部触发传感器。
找出
关键缺陷。
识别属于缺陷的像素。检查位置和面积重要的划痕、涂层覆盖率和焊接质量。
从好的样本中学习，然后标记与该模式的偏差——即使缺陷示例很少。
阅读它。
然后验证一下。
每个 OCR 区域读取一行并将其与预期的字符串或模式进行比较。使用不同的区域来表示不同的批次、日期或产品代码行。
解码一维或二维条形码，然后根据检查期望的值检查其内容。
在车站标记丢失和多余的物品
从生产问题开始。您可能需要托盘中的十二个组件、组件中的四个可见紧固件或包装袋中的一定数量。摄像机计数的功能必须与您需要控制的数量相对应。明亮的反射或重复的标记不应成为额外的项目。
选择包含相关零件并尽可能排除附近库存、印刷图片和工具的区域。 Spark 支持最小和最大计数限制，将观察到的数量转换为通过或失败结果。当某个组超出允许范围时，操作员可以进行例外调查。
对到达位置的零件进行计数
松散的组件很少以完全相同的排列方式到达。它们的位置、方向和可见表面可能会发生变化。适合这种变化的计数检查可以减少操作员在检查数量之前排列每个项目的需要。设置工具时，请考虑光洁度、尺寸和间距方面的常见差异。
这在该区域边缘附近尤其重要。决定车站应如何处理仅部分可见的项目。捕获的时间和零件的呈现方式可能需要调整，以便检查每个周期都能看到完整的组。
检查您的流程需要的数量
人工智能计数仍然取决于图像显示的内容。完全隐藏的项目无法从该视图中可靠地计数，并且接触或重叠的部分可能变得难以分离。在添加更多示例之前，请考虑间距、固定装置、不同的相机角度或较小的视野是否会使每个项目更容易区分。
套件检查还需要对完整性进行精确定义。计算六个物体本身并不能证明所有六个物体都是正确的组成部分。当身份很重要时，计划对相关部件或功能进行额外检查。根据您实际需要捕获的故障来评估完整的方法。
保持数量检查与转换同步
共享工作站可以在一个班次中检查不同的托盘布局或包装数量。通过产品设置保持预期的计数和检查区域，可以让操作员对每个 SKU 进行明确的检查。在转换时，操作员可以验证所选的设置，而不是从头开始计算所需的数量。
在操作员屏幕上明确故障区域及其预期数量。这可以帮助人们找到受影响的群体或群体。保留正确的组、缺失的项目、额外的项目和尴尬的安排的示例，以检查以后的更改是否保留了电台所需的行为。
将有用的生产捕获保存在板载库中，以便团队可以查看遗漏的项目或错误检测，并通过真实示例完善支持的工具。
常见问题
- Spark AI Count 可以检查什么？
- 潜在的应用包括托盘中的可见组件、重复装配特征和包装数量。适合性取决于图像中是否可以区分每个项目以及计数是否代表您的实际质量要求。
- 它可以计算重叠部分吗？
- 一些部分重叠可能会留下足够的可见细节来区分物品，但这需要对您的零件进行测试。不要假设可以从一个摄像机视图中计算出隐藏的物品或密集的一堆物品。
- 相同的计数是否证明套件是完整的？
- 仅当要求仅是数量时。总数正确的套件可能包含错误的组件组合。当确定套件是否可接受时，包括对身份或所需位置的检查。
- 我们应该如何评价一款计数相机？
- 使用正常的生产安排加上故意遗漏和额外的物品。在允许的位置、照明条件和产品变体中重复捕获。检查错误背后的单个图像，而不是仅依赖总成功率。
告诉我们什么需要计数
提供正常布局的示例以及您需要检测的错误。我们可以审查可见性、数量规则以及检查如何适合您的车站。
讨论您的检查