Deploy AI-Powered Anomaly Detection into Your Production Line

Powered by GoMax And AI

GoPxL Anomaly Detector ใช้ประโยชน์จากเครื่องมือแบบดั้งเดิมและที่ใช้ AI ใน GoPxL เพื่อมอบการตรวจจับข้อบกพร่องแบบ 3 มิติ อันทรงพลังสำหรับการใช้งานที่ท้าทายในการผลิตชิ้นส่วนสำหรับอุตสาหกรรมยานยนต์ อาหาร วัสดุก่อสร้าง ยาง และอุตสาหกรรมอื่น ๆ อีกมากมาย ผู้ใช้สามารถฝึกอบรมและปรับใช้โซลูชันทั้งหมดบน GoMax โดยไม่ต้องพึ่งพาระบบคลาวด์หรือ GPU เพิ่มเติมสำหรับการฝึกอบรมโมเดลเบื้องต้นและในขั้นตอนถัดไป

Anomaly Detector สามารถผสานรวมกับ Gocator Line Profiler, Snapshot และ Line Confocal Sensors ทั้งหมดได้เมื่อเร่งความเร็วด้วย GoMax เฟิร์มแวร์สามารถดาวน์โหลดได้จากเว็บไซต์ LMI โดยไม่เสียค่าใช้จ่าย จำเป็นต้องซื้อ LMI Dongle ที่ได้รับอนุญาตเพื่อเรียกใช้ Anomaly Detector ด้วยเซนเซอร์ LIVE สามารถทดลองใช้งานโดยไม่ต้องมีไลเซนส์ได้โดยใช้เฟิร์มแวร์ที่ทำงานบน GoMax ในโหมด REPLAY Anomaly Detector รองรับ GoMax ORIN และ ORIN+ ซึ่งเป็นแพลตฟอร์มเร่งความเร็วการมองเห็น 3 มิติอัจฉริยะล่าสุดของเรา

Part Inspection (การตรวจสอบชิ้นส่วน)

ค้นหาข้อบกพร่องและความผิดปกติบนชิ้นส่วนที่ผ่านการกลึงหรือหล่อซึ่งมีรูปทรงซับซ้อน ฝึกโมเดล AI เพื่อระบุชิ้นส่วนที่มีคุณภาพดีและไม่ดีโดยตรงบนสายการผลิตโดยไม่ต้องเชื่อมต่อกับระบบคลาวด์ ไฟล์ CAD หรือเกณฑ์ที่ซับซ้อนซึ่งมักใช้กับเครื่องมือแบบดั้งเดิม

Surface Inspection (การตรวจสอบพื้นผิว)

ค้นหาข้อบกพร่องและความไม่ปกติของพื้นและวัสดุก่อสร้างได้อย่างง่ายดายโดยการเชื่อมต่อเครื่องมือแบบดั้งเดิมและที่ใช้ AI ใน GoPxL ใช้เครื่องมือขอบพื้นผิวและฟีเจอร์เพื่อปกปิดบอร์ดและการตรวจจับความผิดปกติเพื่อค้นหาข้อบกพร่องโดยอิงจากข้อมูลความเข้มข้น

สแกนชิ้นส่วนโดยใช้ข้อมูลความเข้มข้นและพื้นผิว และเลือกตัวเลือกที่ดีที่สุดในระหว่างการฝึกอบรม ใช้เครื่องแสดงภาพสามมิติเพื่อดูชิ้นส่วนที่ซับซ้อนและเพิ่มความถูกต้องในการติดฉลาก

สแกนชิ้นส่วนโดยใช้ข้อมูลความเข้มข้นและพื้นผิว และเลือกตัวเลือกที่ดีที่สุดในระหว่างการฝึกอบรม ใช้เครื่องแสดงภาพสามมิติเพื่อดูชิ้นส่วนที่ซับซ้อนและเพิ่มความถูกต้องในการติดฉลาก

ลดจำนวนภาพที่จำเป็นสำหรับการฝึกอบรมโดยการสร้างข้อบกพร่องสังเคราะห์แบบบูรณาการและเฟรมเสริมที่เพิ่มประสิทธิภาพของแบบจำลองของคุณ

ใช้ GoMax ในการจัดเก็บข้อมูลการผลิตโดยตรงไปยังไฟล์เก็บถาวรของโครงการ ซึ่งสามารถนำไปใช้ในการฝึกอบรมโมเดลใหม่ได้อย่างรวดเร็ว และช่วยเพิ่มประสิทธิภาพของแอปพลิเคชันของคุณ

แม้ว่าเครื่องมือดั้งเดิมจะมีประสิทธิภาพในการแยกส่วนและการแบ่งกลุ่ม แต่เครื่องมือเหล่านี้จำเป็นต้องมีการปรับเกณฑ์ ซึ่งมักจะเฉพาะเจาะจงกับแต่ละส่วน ด้วย Anomaly Detector ผู้ใช้ไม่จำเป็นต้องจัดการกับเกณฑ์การตรวจจับ การฝึกอบรมต้องอาศัยการจัดเตรียมชุดข้อมูลของส่วนที่เป็นปกติ (OK) และที่ไม่เป็นปกติ (NG) รวมถึงการสร้างแบบจำลองการตรวจจับที่เฉพาะเจาะจงกับส่วนต่าง ๆ ในชุดข้อมูล

การฝึกอบรมโมเดลและชุดข้อมูลที่เกี่ยวข้องได้รับการจัดการโดยตรงภายในเครื่องมือ GoPxL ดังนั้นคุณจึงใช้เวลาในการย้ายไฟล์และชุดข้อมูลน้อยลงเมื่อเปรียบเทียบกับการใช้แอปพลิเคชันแยกต่างหากสำหรับการฝึกอบรมโมเดล

หลังจากการฝึกอบรมเบื้องต้น ควรใช้ป้ายกำกับที่ช่วยในการสนับสนุนเพื่อให้การวนซ้ำเป็นไปอย่างรวดเร็วและสะดวกสบาย

ความผิดปกติบนพื้นผิวจะถูกส่งต่อไปยังเครื่องมือถัดไปเพื่อการวัดและการประเมินค่า ผู้ใช้สามารถส่งความผิดปกติที่มีขนาดหรือรูปร่างเฉพาะได้ ขึ้นอยู่กับว่าผู้ใช้ปลายทางจะยอมรับสิ่งใดบ้าง

ใช้เครื่องมือสคริปต์ที่พัฒนาด้วย Python เพื่อเพิ่มตรรกะที่กำหนดเองหรือดึงเกณฑ์การวัดจากไฟล์ในเครื่อง ผู้ใช้ขั้นสูงสามารถใช้ประโยชน์จาก Python GDK เพื่อฝึกโมเดลโดยใช้เครื่องมือโอเพ่นซอร์สและเครื่องมือที่เป็นกรรมสิทธิ์สำหรับการปรับใช้ในอนาคต