כלי Self-Learning חדישים בתחום הראייה הממוחשבת מאפשרים ליצרנים ליישם מערכות ראייה ממוחשבות בהחזר השקעה קצר. באמצעות הטכנולוגיה החדשה המערכת "לומדת" לבד להבחין בין מוצרים "טובים" לבין מוצרים "פגומים" ללא צורך בתכנות מיוחד.

COGNEX ViDi  – "Deep-Learning" מבוסס ניתוח תמונה תעשייתי

VIDI של קוגנקס גאה להציג את כלי ה Deep-Learning הראשון בעולם הניתן לשימוש בפרקטיקה של מערכות ראייה ממוחשבת המוקדש לניתוח תמונה תעשייתית. הכלי פותח בתצורתו הנוכחית תוך התחשבות ביכולת הטמעה מהירה וקלה ויכולות ממשק פשוט ונוח למערכות האוטומציה הנמצאות בקווי הייצור.

VIDI הינו מוצר בשל שנבחן בקפידה במהלך תקופה ממושכת בתעשייה, הכלי מתבסס על אלגוריתמים מקדמת התחום אשר פותחו על ידי קבוצת מדענים משוויץ.

הכלי של VIDI מאפשר התמודדות בגישה שונה וחדשנית, עם האתגרים הקיימים מעולם הויז'ן. יישומים שבעבר הלא רחוק היו בלתי אפשריים ליישום בגלל מגוון סיבות כמו: רקע לא אחיד, ריבוי מוצרים, אי יכולת הגדרת פגם במונחים פיזיקליים, חוסר יכולת הפרדה פיזית בין אלמנטים, ועוד… ניתנים להתמודדות מוצלחת ויציבה עם החדשנות של VIDI.

VIDI מורכבת משלושה אלמנטים תוכנתיים

הכלי ה"כחול" של VIDI המוגדר ככלי מיקום וזיהוי, משמש למציאת ומיקום אלמנטים בודדים או מרובים בתוך התמונה.

אלו יכולים להיות תווים מאיכות הדפסה או הטבעה ירודה על משטח לא ישר עם רקע רועש, או מספר חפצים רב באיזור נתון ללא הפרדה פיזית, הכלי הכחול יוכל למקם ולזהות את האובייקטים וזאת מתוך למידה של תמונות רפרנס מסומנות. כל הדרוש בשביל להכשיר את הכלי הכחול אלו תמונות רפרנס בהן האלמנטים הנדרשים למיקום וזיהוי מסומנים.

הכלי ה"אדום" של VIDI מאפשר למצוא פגמים ולפלח אותם לפי סוגם. בעזרת הכלי ניתן למצוא אנומליות ופגמים אסטטיים במוצר הנבחן, אלו יכולות להיות שריטות על משטח מעוטר עם רקע משתנה, מכלולים לא מלאים או לא נאותים או אפילו בעיות אריגה בטקסטיל.

הכשרת הכלי האדום מתבצעת ע"י לימוד המראה הרגיל של האובייקט הכוללים את האלמנטים הייחודיים שלו עם גמישות בווריאציות ההופעה השונות.

לכלי ה"ירוק" של VIDI יש יכולת להגדיר ולסווג את האובייקט הנבדק. הסיווג יכול להעשות ע"י בחינת המנוצרים על פי אריזתם, תצורת הריתוך או כמות וסוגי הפגמים על האובייקט.

הכלי הירוק יכול לבצע פעולות סיווג אלו ע"י למידת תמונות רפרנס של המוצרים השונים, כל שעל המשתמש לעשות הוא לטעון למערכת מספר קבוצות של תמונות המופרדות על פי הגדרות הבדיקה הנדרשת.