02 .

類型檢測

挑戰

汽車制造過程中，輪轂是否正確裝配影響生產效率，而輪轂種類繁多，目前許多汽車企業采取人工目測的方法對輪轂類型進行識別和檢測，但識別效率低、準確率低。

方案案例

方案選用海康機器人MV-CA050-10GM高分辨率相機，配合大面積中孔面光源，利用深度學習分類工具，對產線輪轂的類型進行識別（約200種），實現輪轂分類。初始模型的訓練每類樣本收集80-100張，綜合識別率可達99%以上，通過現場的迭代，最終識別準確率達99.99%以上。深度學習分類算法利用卷積神經網絡和大數據樣本優勢，提升了識別率和識別容量。

圖為500萬高分辨率相機利用深度學習工具識別汽車輪轂類型

. 03

缺失檢測

挑戰

汽車的生產過程中零件眾多，部件缺失會減少產品的使用壽命，人工檢測方法效率低、檢測錯誤率較高，產品存在安全質量風險。

方案案例

通過SC2016視覺傳感器進行高速圖像處理，產品植入了高精度定位與測量算法，利用模板匹配或Blob分析等工具模塊，對檔位傳感器白色膠圈進行缺失檢測，識別正確率達99.9%。與人工檢測相比，提升了效率且減少了錯誤發生的概率，以提升產品安全質量并確保生產作業正常有序開展。

圖為SC2016視覺傳感器識別汽車部件-檔位傳感器膠圈有無