Haben Sie den Google Cloud Digital Manufacturer Summit verpasst? Sitzungen on demand ansehen
KI-Modelle schnell trainieren und bereitstellen, um Produktionsfehler automatisch zu erkennen – ganz ohne technische Kenntnisse.
Mit einer interaktiven Benutzeroberfläche in Google Cloud oder unserer API können Sie schnell loslegen.
Trainieren Sie hochpräzise, branchenspezifische KI-Modelle, um auch die kleinsten Defekte zu erkennen
Geringer Aufwand beim Labeling durch aktives Lernen – starten Sie mit wenigen Fehlerabbildungen
Vorhersagemodelle im Fertigungsbereich über Docker-Container ausführen
Vorteile
Stellen Sie hochleistungsfähige Inspektionsmodelle am Netzwerkrand oder in Ihrem Werk bereit.
Erzielen Sie einen erheblichen ROI, indem Sie Inspektionskosten, Nachbesserungen und Ausbesserung reduzieren und wichtige Qualitätsmesswerte wie Escape-Rate, Überschreitungsrate und Ertrag verbessern.
Unsere top bewertete Funktion für maschinelles Sehen und unsere Technologie für maschinelles Lernen helfen Ihnen, die schwierigsten Inspektionsaufgaben zu meistern.
Wichtige Features
Diese Funktion erkennt sogar die subtilen Fehler, die in den verschiedenen Phasen des Montageborgangs aufgetreten sind (fehlerhaft, falsch platziert, fehlt, verdreht oder deformiert).
Es werden sogar die winzigsten und komplexesten Fehler jeder Art ermittelt (Dellen, Kratzer, Risse, Verformungen usw.).
Führen Sie Modelle direkt in Ihrer Fabrik aus – mit einfach zu implementierenden Docker-Containern. Modelle werden trainiert, um die Anforderungen an die Produktionsqualität für Ausweich- und Überschreitungsraten zu erfüllen.
Erstellen Sie Modelle mit nur wenigen beschrifteten Bildern. Durch das aktive Lernen werden dem Nutzer automatisch zusätzliche Bilder vorgeschlagen, die er mit Labels versehen und so die Leistung des Modells weiter verbessern kann.
Anwendungsfälle
Visual Inspection AI wurde speziell für die Fertigungsumgebung entwickelt und deckt viele Anwendungsfälle in der Automobil-, Elektronik-, Halbleiter- und anderen industriellen Branchen ab.
Automobilhersteller untersuchen mithilfe von Visual Inspection AI von Robotern geschweißte Nähte auf Anomalien in den wichtigsten Strukturen des Fahrgestells.
Elektronikhersteller nutzen Visual Inspection AI zur Überprüfung mehrerer Dutzender einzelner Komponenten auf einer großen Zahl gedruckter Leiterplatten (PCBs), um fehlende, falsch platzierte oder beschädigte Komponenten, Schrauben, Federn und Lötstellen zu erkennen.
Halbleiterhersteller verwenden Visual Inspection AI, um Wafer-Defekte, Chipmängel oder Die-Sprünge zu erkennen und zu lokalisieren.
Typische Anwendungsfälle
Allgemeine Klassifizierungsprobleme
Gezielt entworfen für visuelle Inspektionsaufgaben in Fertigungsumgebungen
Lokale Bereitstellung
Y (über Docker-Container)
Fertigungsspezifische Modelle
Y (kontinuierliche Verbesserungen aufgrund einer branchenspezifischen Modelloptimierung)
Unausgeglichene Dataset-Verarbeitung
N (gleiche Anzahl beschrifteter fehlerfreier und fehlerhafter Produkte erforderlich)
J (kann eine größere Anzahl normaler Beispiele sowie einige beschriftete Defekte verwenden, wie es in der Fertigung üblich ist)
Aktives Lernen
J (identifiziert verdächtige Beispiele schnell für eine manuelle Überprüfung und Labelerstellung)
Segmentierung und Lokalisierung
J (markiert den Bereich, in dem der Fehler gefunden wurde)
Erkennung fehlender Komponenten
Unterstützung von hochauflösenden Bildern
J (bis zu 100 Millionen Pixel)
Automatische Bildausrichtung
Y (Bilder aus dem Kamera-Stream werden automatisch ausgerichtet)
Anomalieerkennung bei Bildern
Typische Anwendungsfälle
Allgemeine Klassifizierungsprobleme
Lokale Bereitstellung
Fertigungsspezifische Modelle
Unausgeglichene Dataset-Verarbeitung
N (gleiche Anzahl beschrifteter fehlerfreier und fehlerhafter Produkte erforderlich)
Aktives Lernen
Segmentierung und Lokalisierung
Erkennung fehlender Komponenten
Unterstützung von hochauflösenden Bildern
Automatische Bildausrichtung
Anomalieerkennung bei Bildern
Typische Anwendungsfälle
Gezielt entworfen für visuelle Inspektionsaufgaben in Fertigungsumgebungen
Lokale Bereitstellung
Y (über Docker-Container)
Fertigungsspezifische Modelle
Y (kontinuierliche Verbesserungen aufgrund einer branchenspezifischen Modelloptimierung)
Unausgeglichene Dataset-Verarbeitung
J (kann eine größere Anzahl normaler Beispiele sowie einige beschriftete Defekte verwenden, wie es in der Fertigung üblich ist)
Aktives Lernen
J (identifiziert verdächtige Beispiele schnell für eine manuelle Überprüfung und Labelerstellung)
Segmentierung und Lokalisierung
J (markiert den Bereich, in dem der Fehler gefunden wurde)
Erkennung fehlender Komponenten
Unterstützung von hochauflösenden Bildern
J (bis zu 100 Millionen Pixel)
Automatische Bildausrichtung
Y (Bilder aus dem Kamera-Stream werden automatisch ausgerichtet)
Anomalieerkennung bei Bildern
Preise
Für Informationen zu den Preisen kontaktieren Sie den Vertrieb
Partner
Profitieren Sie von einem Guthaben über 300 $, um Google Cloud und mehr als 20 „Immer kostenlos“-Produkte kennenzulernen.