VAARDIGHEDEN

Diep leren

Ons platform - machine learning voor industrieel gebruik

MABRI.VISION heeft het softwareplatform DEEP.MV ontwikkeld voor de toepassing van moderne deep learning- en AI-technologieën in industriële omgevingen. Het platform combineert alle benodigde bouwstenen en maakt toepassing op fabrieksniveau mogelijk.

Neem contact met ons op
Deep learning-platform, machine learning-applicatie, deep learning

Mogelijke toepassingen

Ons deep learning-platform is ideaal voor toepassingen waar op regels gebaseerde benaderingen een uitdaging vormen of falen. Dit geldt vooral voor testtoepassingen met een breed scala aan varianten en foutkenmerken, zoals variërende oppervlakte- en structurele eigenschappen. Het MABRI.VISION-platform kan optimaal worden ingezet waar vanwege de complexiteit voornamelijk handmatige en handmatige controles worden uitgevoerd met behulp van foutencatalogi.

Classificatie | Detectie en classificatie van objecten en fouten

Classificatie vormt de basis voor veel taken in de kwaliteitszorg. In de applicatie is het tijdrovend labelen van gegevens niet nodig; het enige dat nodig is, is het categoriseren van afbeeldingen.

Foutdetectie met spoeltabletten

Krassen op de schotel

kras

Spueltab-geopend

begonnen

Spueltab-nio

niet ok

Webfout

Oke

Deep learning-platform, machine learning-applicatie, deep learning

Webfout

Deep learning-platform, machine learning-applicatie, deep learning

gat

Objectherkenning | Voorbeelden: volledigheidscontrole, aanwezigheidscontrole, tellen, pick & place en nog veel meer.

volledigheidscontrole

Volledigheid van het bord

Positiecontrole

Controle van de positie van het deksel

Aanwezigheidscontrole

Defectdetectie | Oppervlaktedefecten, onvolledige componenten, structurele defecten, kleur- en vormfouten en nog veel meer.

Spuitgiet defect

MABRI.VISION spuitgieten short shot short fill

kras

Microfluïdische krassen

Poriën en groeven

Machine vision-methoden, testen, structuren, oppervlakken, chipdetectie, poriën
Segmentatie | Detectie van structuren en beeldgebieden, oppervlaktedefecten, onvolledige componenten, structurele gebreken, kleur- en vormdefecten en nog veel meer.

Segmentatie is altijd belangrijk wanneer objecten, structuren of fouten zeer nauwkeurig geïdentificeerd en afgebakend moeten worden. Deze informatie kan bijvoorbeeld worden gebruikt voor procesoptimalisatie

Chipdetectie

Machine vision-methoden, testen, structuren, oppervlakken, chipdetectie, poriën

textiel

Machine vision-methoden, testen, structuren, oppervlakken, chipdetectie, poriën

Schotel tabbladen

Verkeerde sortering

vreemde entiteit

Anomaliedetectie | Fouten op de verpakking, inspectie van het drukbeeld, weeffouten en nog veel meer.

Printplaten

Door onze aanpak waarbij we 2D- en 3D-sensoren combineren, kunnen we een zeer groot aantal kenmerken op patines controleren. Voor het bewaken van soldeerverbindingen bieden wij oplossingen met 3D-camera's met hoge resolutie.

Microstructuren

Microstructuur microfluidics laboratorium-op-een-chip anomaliedetectie

Oppervlakken b.v. Lijmresten

OCR | Tekstherkenning

DOT-code op banden

Banden, leesbrug, DOT-TIN codes, testen, specificaties, testfaciliteit

Lettertypeherkenning

MABRI.VISION caviteit nummer Machine Vision

Uw voordelen

  • Alles uit één enkele bron

MABRI.VISION biedt u alles wat u nodig heeft voor uw toepassing. Zo vermijd je het gebruik van deeloplossingen en geïsoleerde oplossingen die niet in elkaar passen en daardoor lastig te onderhouden zijn. Naast de softwareapplicatie leveren wij vooral de benodigde sensorsystemen, testplatformen en diensten voor uw productieproces.

  • Bespaar kosten

Door gebruik te maken van ons lean AI-platform kunnen ook uitdagende toepassingen in industriële omgevingen kosteneffectief worden opgelost. Dit elimineert de noodzaak voor handmatige en tijdrovende teststappen.

  • Complexe problemen oplossen

Deep learning-technologie kan worden gebruikt om toepassingen op te lossen die zeer uitdagend zijn of niet op bevredigende wijze kunnen worden opgelost met klassieke beeldverwerking. Dit opent geheel nieuwe mogelijkheden op het gebied van kwaliteitsborging.

  • De juiste oplossing

Als leverancier van universele oplossingen voor optische productiemetrologie nemen we uw toepassing onder de loep. We gebruiken onze deep learning-technologieën alleen wanneer en voor zover dit zinvol is voor de toepassing. Zo voorkom je foutieve resultaten en te hoge ontwikkelkosten. Daarnaast brengen we alle andere essentiële onderdelen van kwaliteitsborging in kaart, waaronder kalibratie en traceerbaarheid.

  • Blijf flexibel

Een uitdaging van de huidige ontwikkelingstrends in de industrie is modulaire productie met steeds kortere productiecycli. Machine learning-processen houden u flexibel en stellen u in staat uw productie adaptief en zelfstandig aan te passen.

  • Toekomstbestendig

De ontwikkeling op het gebied van deep learning gaat razendsnel. Ons AI-platform wordt daarom voortdurend uitgebreid en vertrouwt op gevestigde normen in onderzoek en ontwikkeling. Deze continue ontwikkeling stelt u in staat om in de toekomst altijd gebruik te maken van de nieuwste technologieën.

Praktijkvoorbeeld: foutdetectie op sokken

Machine learning-methoden zijn ideaal overal waar op regels gebaseerde benaderingen moeilijk te implementeren zijn.

Deep learning-platform, machine learning-applicatie, deep learning

Webfout

Deep learning-platform, machine learning-applicatie, deep learning

gat

Deep learning-platform, machine learning-applicatie, deep learning

Praktijkvoorbeeld: Defectdetectie op metalen buizen

Deep learning-platform, machine learning-applicatie, deep learning

Span

Deep learning-platform, machine learning-applicatie, deep learning

Lasnaad defect

Beeldweergave van een lasnaadinspectie met een laserstraal.

processtroom

Diepe leerprocessen zijn gebaseerd op kunstmatige neurale netwerken.
Deze netwerken zijn geïnspireerd op (biologische) neurale netwerken, oftewel een onderdeel van een zenuwstelsel. Kunstmatige neurale netwerken zijn in lagen opgebouwd. Een laag of niveau bestaat uit verschillende kunstmatige neuronen. Er zijn verschillende verborgen niveaus tussen een invoer- en uitvoerniveau. De naam ‘diep’ neuraal netwerk dankt zijn structuur aan juist deze verborgen lagen.

Deep learning-platform, machine learning-applicatie, deep learning