permukaan radiator AC mobil cacat karena proses, penanganan dan alasan lainnya, dan penggunaan deteksi manual tidak efisien dan mudah untuk salah menilai. pembelajaran mendalam sekarang digunakan untuk menggantikan manual.
Bagikan
1) latar belakang proyek:
Deskripsi persyaratan:
1. AC akan memiliki cacat setelah produksi dan penanganan selesai, dan perlu untuk mendeteksi cacat seperti kotoran, kerusakan, dislokasi, dan embunan.
2. mengubah status quo efisiensi rendah dan akurasi rendah deteksi manual.
persyaratan teknis:
1. kategori cacat yang berbeda diperlukan untuk dideteksi dan diklasifikasikan.
2. tingkat deteksi diperlukan lebih dari 99,95%, dan tingkat deteksi palsu dikendalikan di bawah 1%.
3. kompatibel dengan berbagai jenis produk.
2) Arsitektur solusi:
mempertimbangkan bentuk produk dan organisasi situs, skema memilih kamera array linear 2k untuk pengumpulan peta, dengan sumber cahaya array linear dengan cahaya tinggi, untuk menyoroti karakteristik deteksi produk.
3) Keuntungan dari program:
1. menggunakan algoritma pembelajaran mendalam untuk mendeteksi cacat dan menilai kategori cacat. melalui pengumpulan cacat dan iterasi model, tingkat pengenalan komprehensif mencapai lebih dari 99%, dan kontrol inspeksi kurang dari 2%.
2. kategori penilaian cacat, membalikkan mempromosikan peningkatan proses pelanggan dan promosi.
EN
