Язык программирования Python ( opencv , yolo )
Нейросеть для поиска дефектов на древесине.
Обучена нейросеть на открытых данных, на экран выводится дефект с подписью (видео взято рандомно с ютуба)
Примерный кейс в реальном производстве/складе:
При приемке товара каждая доска пропускается через устройство с данной обученной нейросетью, при обнаружении дефекта делается оповещение в Telegram/WhatsApp/Max или производится какая-то маркировка доски, возможно отклик в 1С для создания документа на брак продукции.
Обучена нейросеть на открытых данных, на экран выводится дефект с подписью (видео взято рандомно с ютуба)
Примерный кейс в реальном производстве/складе:
При приемке товара каждая доска пропускается через устройство с данной обученной нейросетью, при обнаружении дефекта делается оповещение в Telegram/WhatsApp/Max или производится какая-то маркировка доски, возможно отклик в 1С для создания документа на брак продукции.
Нейросеть для поиска паллет и ящиков.
Нейросеть обучена для 2-х классов: евро-паллета и ящик. На экран выводится количество найденных объектов и выделяются сами объекты (видео взято рандомно с ютуба)
Примерный кейс в реальном производстве/складе:
На складе есть зона хранения пустых паллет/ящиков. Камера видео наблюдения направлена на эту зону, алгоритм поиска объектов анализирует фото с камеры раз в 5-10 минут, при обнаружении что объектов стало меньше минимального количества, то делается заявка в Telegram/WhatsApp/Max , или сразу заказ поставщику в 1С.
Нейросеть обучена для 2-х классов: евро-паллета и ящик. На экран выводится количество найденных объектов и выделяются сами объекты (видео взято рандомно с ютуба)
Примерный кейс в реальном производстве/складе:
На складе есть зона хранения пустых паллет/ящиков. Камера видео наблюдения направлена на эту зону, алгоритм поиска объектов анализирует фото с камеры раз в 5-10 минут, при обнаружении что объектов стало меньше минимального количества, то делается заявка в Telegram/WhatsApp/Max , или сразу заказ поставщику в 1С.
Прототип компьютерного зрения по поиску дефектов на продукции.
Запрос от клиента на разработку прототипа компьютерного зрения для поиска дефектов на готовой продукции, т.к. дефекты очень сильно отличаются друг от друга, то обычный метод (OpenCV) не подходит.
Обучена нейросеть на базе YOLOv8 (https://www.ultralytics.com/) на собственных данных.
Нейросеть обучена для 3-х классов: верхнее колено, нижнее колено, дефект. В реальном оборудовании, обучение на изделие, позволит запускать определенный сценарий при обнаружении определенного изделия.
Например: нейросеть обнаружила Изделие_№1 - Робот захватил Изделие_№1 и положил в ящик_№1, нейросеть обнаружила Изделие_№2 - Робот захватил Изделие_№2 и положил в ящик_№2, нейросеть обнаружила ДЕФЕКТ на Изделие_№1 - Робот захватил Изделие_№1 и положил в ящик_№3, и т.д.
Запрос от клиента на разработку прототипа компьютерного зрения для поиска дефектов на готовой продукции, т.к. дефекты очень сильно отличаются друг от друга, то обычный метод (OpenCV) не подходит.
Обучена нейросеть на базе YOLOv8 (https://www.ultralytics.com/) на собственных данных.
Нейросеть обучена для 3-х классов: верхнее колено, нижнее колено, дефект. В реальном оборудовании, обучение на изделие, позволит запускать определенный сценарий при обнаружении определенного изделия.
Например: нейросеть обнаружила Изделие_№1 - Робот захватил Изделие_№1 и положил в ящик_№1, нейросеть обнаружила Изделие_№2 - Робот захватил Изделие_№2 и положил в ящик_№2, нейросеть обнаружила ДЕФЕКТ на Изделие_№1 - Робот захватил Изделие_№1 и положил в ящик_№3, и т.д.
Прототип компьютерного зрения по контролю качества продукции.
Распечатал на 3D-принтере 4 изделия, одно годное, а на трех смоделировал недолив при литье на производстве.
В ролике показано как программа по определенному алгоритму определяет к какой категории относится изделие и результат выводит текстом на экран.
В реальном станке это бы выглядело следующим образом:
1) оператор засыпает изделия в бункер-накопитель
2) детали по одной штуке подаются под камеру компьютерного зрения
3) алгоритм определяет категорию изделия
4) станок скидывает годные изделия в одну тару, не годные в другую
Распечатал на 3D-принтере 4 изделия, одно годное, а на трех смоделировал недолив при литье на производстве.
В ролике показано как программа по определенному алгоритму определяет к какой категории относится изделие и результат выводит текстом на экран.
В реальном станке это бы выглядело следующим образом:
1) оператор засыпает изделия в бункер-накопитель
2) детали по одной штуке подаются под камеру компьютерного зрения
3) алгоритм определяет категорию изделия
4) станок скидывает годные изделия в одну тару, не годные в другую
Прототип компьютерного зрения по поиску брака.
Примерно пол года назад было обращение по изготовлению програмно-аппаратного комплекса по поиску брака на производстве гофро-трубы.
Для этого был разработан данный программный прототип (быть уверенным что задача решаема).
Было сделано 54 фотографии, из них 30 с годными изделиями и 24 с бракованными.
В ролике программа по алгоритму определяет качество изделия и результат выводит текстом на экран.
Примерно пол года назад было обращение по изготовлению програмно-аппаратного комплекса по поиску брака на производстве гофро-трубы.
Для этого был разработан данный программный прототип (быть уверенным что задача решаема).
Было сделано 54 фотографии, из них 30 с годными изделиями и 24 с бракованными.
В ролике программа по алгоритму определяет качество изделия и результат выводит текстом на экран.
Язык программирования: Python
Хеш теги: #python , #бережливоепроизводство , #YOLO , #opencv
Больше кейсов на официальных каналах ООО "Промышленная автоматизация":
Телеграм , Дзен , Рутуб , ВК
По любым вопросам обращайтесь на почту industrial.automation.33@yandex.ru