Industrial Computer Vision with AI: Defect Detection and Visual Inspection

Prerequisites:

• Doświadczenie w dziedzinie uczenia maszynowego lub wizji komputerowej
• Znałość programowania Python
• Podstawowa znajomość kontroli jakości lub automatyzacji przemysłowej

Grupa docelowa

• Zespoły QA
• Inżynierowie automatyzacji
• Programiści wizji komputerowej

Overview:

Komputerowe wizje przemysłowe z zastosowaniem sztucznej inteligencji (AI) przekształcają sposób, w jaki producenci i zespoły kontroli jakości wykrywają defekty powierzchni, weryfikują zgodność części oraz automatyzują procesy wizualnej inspekcji.To szkolenie prowadzone przez instruktora (online lub stacjonarne) jest skierowane do zespołów kontroli jakości, inżynierów automatyzacji oraz developerów na poziomie średnio-zaawansowanym do zaawansowanym, którzy chcą zaprojektować i wdrożyć systemy komputerowego widzenia do wykrywania defektów i inspekcji za pomocą technik sztucznej inteligencji.Po zakończeniu tego szkolenia uczestnicy będą mogli:* Zrozumieć architekturę i składniki systemów przemysłowego widzenia.* Budować modele AI do wykrywania wizualnych defektów za pomocą uczenia głębokiego.* Integrować potoki inspekcji w czasie rzeczywistym z kamerami przemysłowymi i urządzeniami.* Wdrażać i optymalizować systemy inspekcji wspomagane przez sztuczną inteligencję w środowiskach produkcyjnych.Format kursu* Interaktywne wykłady i dyskusje.* Wiele ćwiczeń i praktyki.* Ręczne wdrażanie w żywym środowisku laboratoryjnym.Opcje dostosowania kursu* Aby poprosić o dostosowanie tego kursu, prosimy o kontakt z nami w celu ustalenia szczegółów.

Course Outline:

Wprowadzenie do przemysłowych systemów komputerowego widzenia Computer Vision

• Przegląd systemów komputerowego widzenia w produkcji
• Typowe wady: pęknięcia, zadrapania, niedopasowania, braki elementów
• AI vs tradycyjne regułowe kontrolowanie wizualne

Nabywanie i przetwarzanie obrazów

• Typy kamer i ustawienia nabywania obrazów
• Redukcja szumu, wzmocnienie kontrastu i normalizacja
• Augmentacja danych dla zwiększenia odporności na błędy

Techniki wykrywania i segmentacji obiektów

• Klasyczne podejścia (progowanie, wykrywanie krawędzi, kontury)
• Metody uczenia głębokiego: sieci neuronowe, U-Net, YOLO
• Wybór między wykrywaniem, klasyfikacją i segmentacją

Rozwój modeli wykrywania wad

• Przygotowanie zannotowanych zbiorów danych
• Trenowanie klasyfikatorów i segmentatorów wad
• Ocena modeli: precyzja, odwołanie, F1-score

Wdrażanie w środowiskach przemysłowych

• Rozważania związane z sprzętem: GPUs, urządzenia na krawędzi, przemysłowe komputery
• Architektura rurociągu inspekcji w czasie rzeczywistym
• Integracja z PLC i systemami automatyzacji fabryki

Dostrajanie wydajności i konserwacja

• Obsługa zmieniających się warunków oświetleniowych i produkcji
• Ponowne trenowanie modeli i ciągłe uczenie się
• Integracja systemów alertowania, rejestrowania i raportowania jakości

Przypadki zastosowania i aplikacje w dziedzinie

• Wykrywanie wad w montażu i spawaniu pojazdów
• Inspekcja powierzchni w elektronice i półprzewodnikach
• Weryfikacja etykiet i opakowań w farmaceutyce i żywności

Podsumowanie i następne kroki