על בסיס התוכנה Cognex ViDi
Toyota – בדיקת רכבים אוטומטית בקו הייצור (באמצעות Cognex ViDi)
חברת Toyota הרחיבה את השימוש שלה ב-AI Vision מבוסס Deep Learning לצורך בדיקות רכב אוטומטיות בקו הייצור. פיתוח של AI / Deep Learning Vision אפשר לפתרונות בדיקה חזותית לעבוד יותר כמו מוח אנושי, באמצעות אימון רשת נוירונים על דוגמאות טובות/רעות (good/bad). תוכנן פתרון המשלב את פלטפורמת VisionPro של Cognex עם כלי ViDi Deep Learning.
כיום מערכות הבדיקה החזותית של Toyota מבצעות מעל 60 נקודות בדיקה לכל רכב באמצעות תריסר מצלמות מהירות, כשמודלי Deep Learning מטפלים בכל דבר – מאיכות צבע ועד אימות רכיבים – במהירות מלאה של הקו.
מחברים חשמליים לרכב (Automotive Connectors) – מחקר אימות תעשייתי עם Cognex ViDi
מחקר תעשייתי שפורסם (ב-MDPI/PMC) השתמש ב-Cognex ViDi לבדיקת מחברים חשמליים בצמות חיווט (wiring harnesses) לרכב – יישום שבו נדרש לזהות ליקויים עדינים. המחקר התמקד במחברים חשמליים המשמשים בצמות חיווט לרכב. הוכן מערך נתונים של 300 דגימות, המכסה מספר סוגי ליקויים כמו פינים מעוקמים (bent pins), יציקה לא שלמה (incomplete molding), ובידוד לא מיושר.
הסיבה לכוחו של Deep Learning כאן: כלי ה-Deep Learning של Cognex פותרים יישומי ייצור מורכבים שקשים או גוזלי-זמן מדי עבור מערכות ראייה ממוחשבת מבוססות-חוקים (Rule-Based).
BorgWarner (ארה"ב / גלובלי) – בדיקת רכיבי בטיחות לרכב חשמלי (EV)
האתגר בייצור רכיבי EV (Electric Vehicle) כמו סטטורים, רוטורים ותיבות הילוכים, נדרשת סבילות אפסית לתקלות (Zero Error Tolerance). הפגמים הם לרוב עדינים, מופיעים על גיאומטריות מורכבות, ואין מאגר נתונים היסטורי גדול של דגמים פגומים. מערכות ראייה מסורתיות (Rule-based) מתקשות להתמודד עם מגוון רחב של צורות פגם ועם הווריאציות הטבעיות של חומרי הגלם .
הפתרון (Cognex VisionPro ViDi):
ViDi Analyze (Red Tool): הכלי נלמד באמצעות דגימות בודדות של חלקים תקינים (Good Parts). המודל לומד באופן אוטומטי מהי הנראות התקינה של החלק ומזהה כל חריגה (Anomaly Detection), גם אם מדובר בפגם שלא הוגדר מראש.
ViDi Locate (Blue Tool): משמש לאיתור מדויק של אזורי הבדיקה, גם כאשר מיקום החלק משתנה, תוך התמודדות עם עיוותים קלים במהלך הייצור.
שילוב עם VisionPro: פתרון ה-AI משתלב לצד כלי הראייה המסורתיים של Cognex בממשק תכנות אחד, מה שמאפשר גמישות מלאה בפיתוח הבדיקה .
התוצאות העסקיות:
- זיהוי פגמים קריטיים: המערכת מזהה ביעילות פגמים שכלי ראייה מסורתיים לא מסוגלים לאתר.
- הפחתת False Positives: הפחתת דחיות שווא של חלקים תקינים, דבר שמוריד את הצורך בבדיקה ידנית חוזרת.
- מהירות פריסה גבוהה: בשל היכולת ללמוד מכמות קטנה של תמונות (לעיתים 10-50 תמונות ), זמן ההטמעה במפעל קצר משמעותית לעומת פתרונות מתוכנתים.
Alupress AG (איטליה / גרמניה) – בדיקת יציקות אלומיניום לרכב
הדוגמה ממחישה כיצד AI מטפל בבעיה נפוצה בתעשייה הכבדה: זיהוי סדקים ופגמים על משטחים מורכבים .
האתגר: רכיבי אלומיניום יצוקים סובלים משינויים במרקם פני השטח, רעשי רקע (הבדלים טבעיים בין יציקות) ומחזרי אור קשים. מערכות אוטומטיות מסורתיות לא הצליחו להפריד בין "אי-סדירות טבעית" לבין "פגם אמיתי" כגון סדק, מה שהוביל להסתמכות על בדיקה ידנית של עובדים מיומנים .
הפתרון (Cognex ViDi - Deep Learning):
- בקרה לא מונחית (Unsupervised Control - Analyze Tool): המודל למד את המראה התקין של החלק בלבד (כולל הווריאציות המותרות). לאחר הלמידה, הוא מסמן אוטומטית כל אזור שנראה "שונה" מהרגיל, ומאתר פגמים בצורה אובייקטיבית .
- בקרה מונחית (Supervised Control): לזיהוי מדויק יותר של פגמים קטנים (נקבוביות, שריטות עמוקות), המודל אומן על דוגמאות מוגדרות של פגמים.
- Classify Tool: בסוף התהליך, הכלי מסווג את החלק כ"תקין" (OK) או "פגום" (NOK) ומציג על המסך באופן ויזואלי את מיקום הפגם .
התוצאות העסקיות:
- אפס False Negatives: במדגם של 1200 חלקים, המערכת לא החמיצה אף פגם (98% מהחלקים הפגומים זוהו, וה-2% הנותרים ניזוקו במהלך ההובלה למעבדה) .
- אוטומציה מלאה: המערכת איפשרה אוטומציה של קו בדיקה שהיה תלוי עד כה בעין אנושית, תוך שמירה על עקביות ואי-תלות בעייפות המפעיל.
- יכולת זיהוי גבוהה: זיהוי מוצלח של שלוש קטגוריות עיקריות של פגמים: חוסר חומר, סדקים בקצוות, ופגמים קטנים מנוגדים .