您错过了 Google Cloud 数字制造商峰会?观看按需点播峰会的录像视频
快速训练和部署 AI 模型以自动检测生产缺陷,无需任何技术专业知识。
在 Google Cloud 或我们的 API 中使用引导式界面快速起步
训练高针对特定领域的 AI 模型,以检测最细微的缺陷
因为主动学习导致的工作量最小;先从几个缺陷图片入手
在生产行通过 Docker 容器运行预测模型
主要特性
检测在编译过程的各个阶段(错误、放错、缺失、旋转或变形组件)中最显著的缺陷。
在任意类型表面上查找最基本和最复杂的缺陷(凹痕、划痕、裂缝、变形等)。
使用易于部署的 Docker 容器直接在您的车间中运行模型。模型经过训练,可以满足生产和超高速率的生产质量要求。
开始仅使用几张已标记图片构建模型。 主动学习会自动建议其他图片供操作员添加标签并进一步提高模型的性能。
使用场景
视觉检测 AI 专为生产环境而构建,可以解决在汽车、电子产品、半导体和工业领域的各种使用场景。
汽车制造商使用视觉检测 AI 检查机器人焊接接缝是否存在底盘最关键的结构接头处的异常情况。
电子产品制造商使用视觉检测 AI 来同时检查大规模印刷电路板 (PCB) 中的数十个组件,以检测缺失、错误放错或损坏的组件、螺钉、弹簧和卖场问题。
半导体制造商使用视觉检测 AI 来检测和定位晶圆缺陷、芯片缺陷或裂痕。
典型使用场景
一般分类问题
适用于制造环境中的视觉检查任务
本地部署
是(通过 Docker 容器)
制造专用模型
是(由于特定于网域的模型优化,会持续改进)
数据集处理不平衡
否(需要同等数量的已标记缺陷和非缺陷)
是(可使用更多的普通样本,外加一些有缺陷的缺陷,这在制造业中很常见)
主动学习
是(用于快速识别可疑示例以进行人工审核与添加标签)
细分和本地化
是(找出有缺陷的区域)
缺少组件检测功能
支持高分辨率图片
是(最多 1 亿像素)
自动对齐图片
是(自动对齐相机视频流中的图片)
图片异常值检测
典型使用场景
一般分类问题
本地部署
制造专用模型
数据集处理不平衡
否(需要同等数量的已标记缺陷和非缺陷)
主动学习
细分和本地化
缺少组件检测功能
支持高分辨率图片
自动对齐图片
图片异常值检测
典型使用场景
适用于制造环境中的视觉检查任务
本地部署
是(通过 Docker 容器)
制造专用模型
是(由于特定于网域的模型优化,会持续改进)
数据集处理不平衡
是(可使用更多的普通样本,外加一些有缺陷的缺陷,这在制造业中很常见)
主动学习
是(用于快速识别可疑示例以进行人工审核与添加标签)
细分和本地化
是(找出有缺陷的区域)
缺少组件检测功能
支持高分辨率图片
是(最多 1 亿像素)
自动对齐图片
是(自动对齐相机视频流中的图片)
图片异常值检测
价格
请联系销售团队了解价格详情