中科創達:解決產品異常測試
保證產品質量與確保設備正常運行同等重要。生產進程的目視檢查通常需要人力,這不僅乏味,且不能保證一致性。為了提高質量控制,工業企業希望采用計算機視覺技術,提高缺陷識別的速度和準確性。但企業在構建、部署和管理基于機器學習技術的視覺異常系統時,仍會面臨很多復雜挑戰。現在,企業可以使用高精度、低成本的異常測試解決方案,每小時處理數千張圖像,從而發現缺陷和異常,識別出與基線不符的圖像,以便企業采取下一步行動。
看到這一趨勢,各國的智能作業系統產品和技術提供商——中科創達將各國的機器學習服務Amazon SageMaker集成到中科創達智慧工業ADC (Automatic Defect Classification)系統中,幫助制造業客戶在工業生產中輕松獲得AI質檢能力。借助Amazon SageMaker,客戶無需復雜的機器學習部署,即可在統一界面中構建、訓練、解釋、檢查、監視、調試和運行機器學習模型。在電氣行業ADC系統實施中,Amazon SageMaker幫助用戶一次性投入成本下低了42%,軟件開發的工作量下低了39%,系統的上線時間縮短了50%,系統運行效率是傳統測試的35倍,解決了ADC系統落地工業場景的障礙。
瑞典家庭食品制造商Dafgards公司在其下屬品牌Billy's Pan Pizza的生產過程中也應用了計算機視覺技術。Billy’s Pan Pizza是一種微波披薩,生產線每秒能完成2塊披薩的烘烤和包裝。Dafgards公司曾安裝過機器視覺系統,成功用于測試披薩上的奶酪比例。但問題是一旦披薩上餡料種類過多,該功能就會失效。通過采用基于計算機視覺的新型機器學習技術,Dafgards公司輕松獲得了經濟高速的測試能力。在成功應用后,Dafgards公司計劃將計算機視覺應用擴展到更多種類披薩以及漢堡、法式蛋餅等其他產品線。
Applied Materials AMAT 0100-76109
Applied Materials AMAT 0100-76109
Applied Materials AMAT 0100-76109
Applied Materials AMAT 0100-76111
Applied Materials AMAT 0100-76124
Applied Materials AMAT 0100-76124
Applied Materials AMAT 0100-76269
Applied Materials AMAT 0100-76294
Applied Materials AMAT 0100-79109
Applied Materials AMAT 0100-89002
Applied Materials AMAT 0100-89003
Applied Materials AMAT 0100-89004
Applied Materials AMAT 0100-89005
Applied Materials AMAT 0100-89005
Applied Materials AMAT 0100-89013
Applied Materials AMAT 0100-90034
Applied Materials AMAT 0100-90052
Applied Materials AMAT 0100-90052
Applied Materials AMAT 0100-90052
Applied Materials AMAT 0100-90135
Applied Materials AMAT 0100-90139
Applied Materials AMAT 0100-90139
Applied Materials AMAT 0100-90142
Applied Materials AMAT 0100-90142
Applied Materials AMAT 0100-90163
Applied Materials AMAT 0100-90163
Applied Materials AMAT 0100-90182
Applied Materials AMAT 0100-90188
Applied Materials AMAT 0100-90190
Applied Materials AMAT 0100-90190
Applied Materials AMAT 0100-90190
Applied Materials AMAT 0100-90211