LearningCamMenghitung pekerjaan menggunakan gambar
Pemeriksaan produk untuk menunjukkan hasil

LearningCam adalah kamera Edge AI dengan aplikasi web yang terintegrasi ke dalam kamera itu sendiri. Ia menghitung bongkah kerja yang melewati garis hitungan dan memisahkan yang baik (OK) dan yang buruk (NG) menggunakan model AI yang sesuai dengan bongkah kerja anda. Kamera memproses gambar secara internal, sehingga tidak perlu mengirim gambar ke komputer atau awan. Anda dapat melihat hasil dan mengatur pengaturan dari browser di tablet atau beberapa komputer.

Sensor hitungan lama hanya tahu bahwa ada sesuatu yang melewati, tetapi tidak dapat membedakan antara model bongkah kerja yang berbeda. Penghitungan manual dan pemeriksaan visual dapat membuat pemeriksa lelah dan menyebabkan kesalahan. LearningCam menggunakan gambar dari kamera sebagai gantinya, dan memiliki 2 mode operasi seperti ditunjukkan dalam tabel di bawah ini.

Bagaimana LearningCam berbeza daripada Task Cam?

LearningCam mengamati bahan, manakala Task Cam mengamati proses pekerjaan pekerja di stesen kerja. Jika cabaran anda ialah nombor atau kadar bahan cacat, mulakan dengan LearningCam. Jika cabaran anda ialah sama ada pekerja menyiapkan tugas mengikut susunan dan masa yang diambil untuk setiap langkah, lihat Task Cam

LearningCam boleh dimulakan dalam 5 langkah: menempelkan kamera, menyediakan kuasa dan rangkaian, memilih model dan menggambar bingkai, menguji sebelum menggunakan secara rasmi, dan membolehkan AutoRun. Semua langkah dilakukan melalui antara muka web kamera, tanpa perlunya menginstall perisian.

1. 1

   Menempelkan kamera di atas titik pemeriksaan

   Tempatkan kamera untuk melihat keseluruhan kawasan di mana komponen bekerja melewati. Model Inspection Cam menentukan bahawa objektif 12 mm pada jarak 65 cm melihat kawasan sekitar 14 x 20 cm, dan pada jarak maksimum 80 cm, ia melihat sekitar 16 x 23 cm.

2. 2

   Berikan kuasa dan hubungkan rangkaian

   Berikan kuasa kepada kamera. Model standard disambungkan melalui Wi-Fi 6, manakala model Pro disambungkan melalui LAN RJ45 ke Router atau Switch. Tablet, komputer, atau skrin pada rangkaian yang sama boleh melihat hasilnya.

3. 3

   Pilih model dan lukis bingkai

   Buka pelayar dan pergi ke halaman web kamera. Pilih model AI untuk pekerjaan, lukis bingkai kawasan pemeriksaan, kemudian putar atau sesuaikan resolusi imej supaya dapat melihat pecahan pekerjaan dengan jelas.

4. 4

   Cuba sebelum menggunakan

   Tekan Test Run untuk melihat hasil langsung. Jika menghitung atau memisahkan masih salah, rekod video pecahan pekerjaan sebenar sebagai data latihan untuk model dan muat naik model baru.

5. 5

   Nyalakan Autorun dan mulakan proses

   Tetapkan kamera untuk log masuk dan memulakan pemeriksaan sendiri apabila dinyalakan. Kemudian ikatkan Webhook atau nimitFlow untuk menerima hasil.

Apakah yang terdapat di halaman web kamera?

• Status Papan Pemuka — Tarikh dan masa, nama model AI yang digunakan, mod operasi, jumlah yang dipisahkan mengikut Part No., dan sambungan kamera langsung dengan butang Mulakan, Henti dan Riset
• Muat Naik Model — Pilih atau muat naik fail model AI dari peranti anda, dan terdapat butang Sinkronisasi ke nimitFlow
• Inference — Pilih mod Continuous (pemeriksaan berterusan) atau Snapshot (pemeriksaan setiap imej), tetapkan sela masa sebelum pemeriksaan, lukis kawasan pemeriksaan, putar imej, pilih resolusi, kemudian tekan Test Run untuk melihat hasil sebelum penggunaan sebenar
• Merakam Data — Ambil gambar statik atau rekod video sehingga 60 saat, lihat rekod dalam talian secara terbalik, muat turun fail individu atau sebagai pakej .zip untuk latihan model, sistem memberi amaran apabila memori penuh
• Rangkaian — Tetapkan nama peranti (ID Peranti), pilih rangkaian Wi-Fi dalam model Standard atau hubungkan LAN RJ45 dalam model Pro, lihat alamat IP dan MAC kamera, dan salin Webhook untuk menghantar hasil keluar. Model Counter Cam memilih IP automatik (DHCP) atau IP tetap (Static IP)
• Sistem — Nyalakan Autorun untuk membolehkan kamera log masuk dan memulakan pemeriksaan sendiri apabila dinyalakan, ubah sandi, reset kepada pengaturcaraan kilang, dan reboot

LearningCam model Inspection Cam menghantar jumlah kiraan melalui Webhook (saluran penghantaran data automatik ke sistem destinasi). Mesej mengandungi ID kamera, Part Number, masa pemprosesan, jumlah OK, jumlah NG, isyarat pencetus serta tarikh dan masa. Sistem kilang atau nimitFlow boleh menerima data ini untuk menghasilkan laporan lanjut, jadi anda tidak perlu mencatat jumlah secara manual

• Webhook dalam model Inspection Cam - menghantar data mengikut tetapan kepada sistem tujuan
• nimitFlow - menghantar data penghitungan ke dalam nimitFlow, tambahan yang dipilih
• Model TaskCam dan Skeleton - menerima isyarat mulakan, henti, penghitungan, dan set semula daripada pin IO atau memanggil melalui API untuk beroperasi bersama PLC atau penghitung lama
• Model TaskCam dan Skeleton - mencatat video dan jadual CSV untuk setiap kitaran, kemudiannya mengupload ke NAS melalui FTP secara automatik. Jika penguploadan gagal, ia akan cuba semula

Imej yang diolah pada kamera itu sendiri, tiada keperluan untuk menghantar ke awan. Hasil dan fail hanya dihantar ke destinasi yang ditetapkan oleh anda

LearningCam sesuai untuk pekerjaan di mana bahan kerja melalui titik yang sama berulang kali dan memerlukan data penghitungan atau hasil OK/NG daripada imej. LearningCam tidak sesuai untuk pekerjaan yang mengukur saiz secara nombor untuk SPC (Kawalan Proses Statistik) dan untuk memeriksa urutan langkah pekerja. Gunakan jadual ini untuk memeriksa pekerjaan anda sebelum membuat janji demo

Tugas pengukuran saiz menggunakan InGauge bersama dengan InQC. Pemeriksaan urutan kerja menggunakan Task Cam

Bagaimana untuk mengukur prestasi kamera?

Pengasingan produk cacat tidak wajar dinilai melalui ketepatan keseluruhan sahaja. Contohnya, daripada 2,000 benda kerja, 40 adalah cacat. Jika kamera menganggap semuanya baik, ketepatan keseluruhan ialah 98 peratus, tetapi tiada kecacatan dikesan. Nilai dua perkara bersama: bilangan produk cacat yang dikesan daripada semua produk cacat, serta bilangan produk baik yang tersalah ditolak

Skor keyakinan yang diberikan oleh model bukan peluang kebenaran sehingga dibandingkan dengan bahan nyata. Kami menyarankan untuk menjalankan kamera bersamaan dengan pemeriksaan lama sebelum menukar proses. Keputusan kamera adalah maklumat tambahan. Pasukan kualiti anda masih merupakan penentu akhir untuk melepaskan lot

Pada B.E. 2568–2569, kami memasang 1 LearningCam model Inspection Cam di atas tali sawat penutup bagi pengeluar penutup botol air plastik. Model AI dilatih menggunakan imej penutup sebenar dari kilang untuk menentukan penutup baik (OK) atau cacat, seperti lebihan sirip plastik pada sambungan acuan atau pembentukan tidak lengkap, kemudian mengira kedua-dua kategori. Unit Controller and Reject direka untuk meniup penutup cacat keluar daripada tali sawat; keputusan ujian penyingkiran masih perlu disahkan

Laporan ujian dalaman Januari–Mac B.E. 2569 merekodkan pemeriksaan dan pengiraan kira-kira 398 penutup putih seminit selama 120 minit berterusan, memenuhi kriteria pasukan. Hasil ini adalah untuk pemeriksaan dan pengiraan, bukan keputusan penerimaan sistem penyingkiran lengkap. Penutup biru yang diuji dengan model penutup putih belum memenuhi kriteria. Pelarasan model dan pengesahan penyerahan sistem lengkap masih dalam proses

Pada B.E. 2559–2560, kami membangunkan dan memasang sistem pengiraan benda kerja dengan kamera serta unit pemprosesan berasingan (bukan LearningCam) pada penyuap bergetar untuk pelanggan dalam industri mesin. Sistem mengira 5 jenis benda kerja mengikut lorong apabila melintasi garis pengiraan. Projek telah diserahkan bersama manual penggunaan dan senarai semak kerja

Apakah yang kita pelajari

• Model yang dilatih dengan pekerjaan warna tertentu tidak boleh digunakan secara langsung kepada warna lain; ia harus dilatih dan diuji secara terpisah mengikut warna atau jangkaan pengeluaran sebenar
• Cahaya dan sudut kamera mempengaruhi keputusan model; kamera harus ditetapkan pada sudut tetap dan diuji di bawah kondisi cahaya sebenar di lantai pengeluaran
• Pengiraan dengan garis pengiraan memerlukan pekerjaan bergerak dalam kawasan yang ditentukan; dalam kes feeder getaran, pekerjaan yang jatuh keluar dari lorong tidak akan dihitung
• Syarat-syarat penerimaan kerja harus disepakati sebelum ujian, termasuk laju tali sawat, tempoh ujian, dan kriteria lulus, dan direkodkan dalam format laporan yang sama untuk setiap ronde

Apa yang bermaksud untuk anda?

Sebelum menyediakan sebut harga, kami meminta gambar atau klip benda kerja sebenar bagi setiap warna dan model yang perlu dikira atau diperiksa, bersama contoh kecacatan yang benar-benar ditemui. Kami menyarankan latihan model bermula dengan jenis yang paling banyak anda hasilkan, diikuti ujian pada kelajuan tali sawat sebenar mengikut kriteria yang dipersetujui, sebelum menambah jenis lain. Jika perlu mengasingkan produk cacat secara automatik, sediakan belanjawan unit penyingkiran dan masa pengujiannya secara berasingan daripada kamera