機器視覺指南
機器視覺中的生成式人工智慧：有幫助的地方
Sparky 為 Spark 帶來了生成式 AI 的四個重點用途：工具選擇、配方構建、HMI 構建以及有關庫的問題。這些有助於您的團隊進行檢查。實際站仍需要完成成像、訓練、機器整合和驗證。
從需求到相關工具
Sparky 支援工具選擇、配方建置、HMI 建置以及有關庫的問題。每個都有一個輸出，您的團隊可以查看：建議的工具、配方、操作員螢幕或來自保存的捕獲的資訊。
例如，「檢查所有六個空腔是否都已填充」描述了一個數量，但留下了幾個懸而未決的問題。相機能看到每個空腔嗎？不同的組件顏色可以接受嗎？部分位於型腔之外的組件是否算存在？回答這些問題為 Sparky 和您的團隊帶來了更精確的任務。
有用的結果是可以測試其行為的檢查。對建議檢查的清晰解釋有助於團隊對其進行審查，但成功的配置仍然取決於在捕獲的圖像中看到所需的功能。
檢測工具做出生產決策
Spark 使用配置的檢查工具來評估影像並產生結果。 OCR 讀取字元、計數檢查數量，並對齊為後續工具定位零件。語言模型可以幫助配置和解釋這些操作。它不需要對通過相機的每個部分做出新的對話判斷。
當您驗證電台時，這種劃分很重要。驗收規則應該保持清晰：預期的程式碼匹配、達到目標計數或存在所需的功能。然後，工程師可以根據可接受和不可接受的產品範例來測試這些工具。
當有人詢問零件為何失敗時，請從捕捉的影像和工具結果開始。助手可以幫助解釋可用資訊。應根據該證據檢查其解釋，尤其是在建議更改生產檢查時。
助理可以節省工程工作量
工具選擇有助於確定適合檢查要求的檢查。配方建構器有助於將檢查整合在一起。工程師檢查配方和工具設置，在需要時提供範例並測試零件的行為。
HMI 建置有助於建立操作員視圖。團隊檢查顯示的圖像、結果和控制項是否與實際網站相符，並支援操作員需要採取的行動。
庫問題可協助團隊探索已儲存的影像和結果。一個有用的答案可以為調查提供證據；團隊解釋要捕獲並決定更改哪些內容。
影像品質和驗收標準仍然很重要
遮蓋印刷字元的眩光是一個成像問題。調整視角、照明或零件演示，使資訊可見。模型無法可靠地恢復影像無法解析的物理特徵。在同一評論中包括運動模糊和工作距離。
品質團隊也必須定義可接受的變化。可以允許在一個表面上使用裝飾標記，而禁止在另一個表面上使用裝飾標記。輕微旋轉的零件對於組裝來說可能是可接受的，但對於下游截齒來說是不可接受的。將這些差異放入樣本集和驗收規則中。
使用配置或培訓期間未使用的範例進行測試。包括最難接受的部分和最小的相關故障。分別測量遺漏故障和錯誤剔除。這樣可以將便捷的設定體驗與生產線所需的偵測效能連結起來。
部署後的援助和改進計劃
Spark 執行生產檢查並在相機上安裝 Sparky。 Defect Studio 是一個獨立的基於雲端的工作流程，用於產生合成缺陷影像。檢查產生的範例是否真實，並保留真實的生產樣本以驗證檢查。
改進經過培訓的工具意味著審查生產範例、根據需要更正標籤、重新培訓和檢查更新的模型。生產圖像不應僅僅因為先前的模型接受了它而成為可信的訓練示例。必須有人決定它是否代表可接受的產品。
為了進行有用的 GenAI 演示，請提出真實的需求，然後更改其中的一部分。請團隊配置第一次檢查，解釋故障，並更新檢查以取得允許的變更。您將了解助理如何幫助您的員工完成工作，以及哪些地方仍需要工程判斷。
常見問題
- 生成式人工智慧在視覺系統中扮演什麼角色？
- Sparky 支援工具選擇、配方建置、HMI 建置以及有關庫的問題。您的團隊仍然負責成像、工具配置、培訓、機器整合和驗收測試。
- 生成式人工智慧與人工智慧檢查模型相同嗎？
- 他們執行不同的工作。檢查模型針對特定任務（例如計數或分類）評估影像。 Sparky 可協助選擇工具、建立配方、建立 HMI 和探索庫；配置的偵測工具產生生產結果。
- Spark 是否會自動學習每個被檢查的零件？
- 不要假設自動重新訓練。改進包括審查範例、在適當時更新訓練集、重新訓練工具以及在依賴變更之前驗證變更。
- Sparky 是否無需驗證檢查？
- 不需要。您仍然需要代表性樣品、定義的驗收標準以及在生產條件下對配置的檢查進行測試。協助設定本身並不能確定準確性。
請參閱 Spark 檢查您的零件
帶上有代表性的零件、可接受的變化以及您需要捕獲的故障範例。我們將與您的團隊一起進行 Spark 檢查。
請求 Spark 演示