Videos

Erlernen Sie die Nutzung des Anomaly Detector Moduls, das neue Defekte erkennt, indem es auf fehlerfreien Bildern ohne Annotationen trainiert wird. Dieses Tutorial führt Sie Schritt für Schritt durch die Einrichtung und Kalibrierung für eine effiziente Fehlererkennung.

Das Detektor-Modul ist ideal zur Identifikation und Klassifikation von Objekten oder Defekten, zur Verifizierung von Bauteilen und zur Sortierung von Produkten. Dieses Tutorial behandelt alles von der Bildauswahl und Annotation bis hin zur Einstellung der Vertrauensschwellen.

Das Oberflächendetektionsmodul ist spezialisiert auf die Inspektion von Fertigungsoberflächen und kosmetischen Defekten. Dieses Tutorial führt Sie durch die wichtigsten Schritte, einschließlich Bildauswahl, Defektannotation, Festlegung von Bewertungskriterien und Feinabstimmung der Ergebnisse.

Wie erkennt man tiefe Kratzer auf Aluminiumrohren, während oberflächliche, rein kosmetische ignoriert werden? Mit PEKAT VISION bringen Sie dem System einfach bei, was wichtig ist — es lernt, sich auf kritische Defekte zu konzentrieren und den Rest zu überspringen.

Wir haben kürzlich mit Arimation Robotics zusammengearbeitet, um eine Deep-Learning-Lösung zu entwickeln, die mehr als 6.000 Leiterplatten nach Edelmetallgehalt in 20 Kategorien sortiert – eine Aufgabe, die aufgrund ihres Volumens und ihrer Komplexität sonst unmöglich wäre.

Wir haben eine automatisierte Getriebemontage mit integrierter Qualitätskontrolle demonstriert. Die Zahnräder wurden mithilfe von PEKAT VISION auf Defekte geprüft, während die Impact-Software die Durchmesser maß – alles gesteuert durch den leistungsstarken MX-G2000 Vision Processor.

Mithilfe der Detektor- und Klassifikationsmodule überprüft PEKAT VISION die Reihenfolge, Ausrichtung und Vollständigkeit von Stuhlkomponenten vor der Verpackung. Sehen Sie sich unsere kurze Demonstration an.

Petr Šmíd, Gründer und CTO von PEKAT VISION, erklärt die Unterschiede zwischen Deep Learning und traditionellen algorithmischen Methoden in der Qualitätsprüfung.