无论是在食品行业还是在汽车行业，质量、安全和速度是当今决定一家公司成功与否的重要因素。零缺陷生产是我们的目标。但如何保证只有完美无瑕的产品离开生产线？

为了使质量检查尽可能高效、简单、可靠和经济高效，德国sentin公司开发了使用IDS的深度学习和工业摄像机的解决方案，以实现快速和可靠的错误检测。

sentin视觉系统使用基于人工智能的识别软件，并且可以使用少量的样本图像进行训练。与IDS的GigE-Vision-CMOS工业摄像机和评价单元一起，可以很容易地嵌入到现有工艺中。对产品的高要求以及高时间和成本压力是所有行业和部门的决定性竞争因素。无论是在食品行业还是汽车行业，质量、安全和速度是当今决定一家公司成功与否的重要因素。

零缺陷生产是我们的目标。但如何保证只有完美无瑕的产品离开生产线？如何避免导致高成本的错误质量决策？为了可靠地测试这一点，在质量保证中使用了各种各样的方法。

用人眼进行目视检查是可能的，但它往往容易出错，而且成本高昂：眼睛疲劳，工作时间也很昂贵。另一方面，机械测试通常伴随着复杂的校准，即设置和调整软硬件的所有参数，以便检测出每一个误差。

此外，产品或材料变更需要重新校准。此外，使用经典的基于规则的方法，程序员或图像处理器必须专门为系统编写规则，向系统解释如何检测错误。

这是一个复杂的问题，错误的方差非常高，通常是一个难以解决的艰巨任务。所有这些都会花费不成比例的时间和金钱。

为了使质量检查尽可能高效、简单、可靠和具有成本效益，德国sentin公司使用IDS工业摄像机和深度学习开发解决方案，以实现快速和可靠的错误检测。

这是因为，与传统的图像处理不同，神经网络学习根据图像本身识别特征。这正是智能sentin视觉系统的方法。它使用了一个基于人工智能的识别软件，可以根据一些样本图像进行训练。与IDS的GigE-Vision-CMOS工业摄像机和评价单元一起，可以很容易地嵌入到现有工艺中。

区分缺陷产品

该系统能够分割对象、模式甚至缺陷。即使是难以检测的表面也无法阻止系统。

例如，在汽车工业（金属表面的缺陷检测）或陶瓷工业（通过在反射和反射表面上制造凹痕进行缺陷检测），以及在食品工业（物体和模式识别）中都可以找到经典的应用。根据应用的不同，人工智能被训练来检测错误或异常。有了后者，系统就学会了区分好坏。

例如，如果对一个表面结构进行检查，参见汽车工业中的金属零件或陶瓷零件，则人工智能会检测出与参考图像比较的偏差。通过使用异常检测和预先训练的模型，该系统只需少量的好零件样本图像就可以检测出缺陷。

培训和评估所需的硬件设置包括IDS工业摄像机和适当的照明。

使用参考图像训练识别模型。例如，为纺织工业中容易出错的织物网检测配置了一个系统和人工智能模型。这是一项艰巨的任务，因为错误可能是非常主观和非常小的。根据客户的具体要求，与IDS一起，选择了适合纺织品和网络材料最佳图像素材的系统摄像机。

选择了一个GigE-Vision CMOS相机（GV-5880CP），它提供高分辨率的数据，并用精确的定时触发，以进行精确的图像评价。

这个系统学习什么构成了一个“好”的织物结构，并且已经从织物的几张照片中知道一个干净无瑕的产品是什么样子的。

然后由计算机采集图像进行质量检测。

这样计算机就可以可靠地区分好的/坏的部分，并突出显示偏差。当发现错误时，它会发出输出信号。这样，滑动和伪废品可以迅速而容易地减少。

滑差是指产品不符合标准，但被忽视，因此没有得到理顺，往往导致投诉的比例。另一方面，伪废品是那些符合质量标准但却被错误地分类的产品。

系统的硬件和软件都是灵活的：对于多个或更宽的网，附加的摄像机可以很容易地集成到设置中。如有必要，该软件还允许重新训练人工智能模型。

“经验只表明，由于个人环境小，一定量的夜间训练总是必要的。sentin的首席执行官兼联合创始人克里斯蒂安•埃尔斯（christian Els）解释说：“我们的产品组合中有预先培训过的模特，你需要的个性化和后期培训所需的参考图像更少。

在这种情况下，图像显示了织物的结构化表面和其上的一个小异常，该异常在右侧图像中被过滤掉：

理想的可视化任务

极其精确的图像采集和精确的图像评价是对所用相机最重要的要求之一。

该型号有一个1/1.8英寸的卷帘式CMOS传感器Sony IMX178，可以实现非常高的分辨率6.4MP（3088 x 2076像素，纵横比3:2）。

它以全分辨率提供高达18 fps的帧速率，因此非常适合质量控制中的可视化任务。

索尼饥饿系列的传感器采用BSI技术（“背面照明”），是最光敏的传感器之一，具有接近SCMOS范围（科学CMOS）的低暗电流。

即使在光线很暗的情况下，它也能确保令人印象深刻的效果。由于传感器尺寸为1/1.8英寸，GV-5880CP型GigE视觉摄像机可以使用各种C型安装镜头。

“除了分辨率和帧速率外，界面和价格也是决定相机性能的决定性因素。与IDS开发部门的直接交流帮助我们减少了摄像头集成所需的时间，”sentin的技术经理Arkadius Gombos说。

与人类视觉检测或传统机器视觉应用相比，基于图像的自动化质量控制具有许多优势。christian Els总结道：“在基于人工智能的图像解释中，目标是创建人类可以看到错误的图像，因为这样人工智能模型也可以做到这一点。”。

该系统学习识别与人类相似的产品需求。但在一致性和可靠性方面，人类的大脑在任何时候都会被人工智能打败。即使大脑具有卓越的峰值性能，人工智能也能识别出更复杂的错误模式。另一方面，人眼在疲劳和视觉方面无法对抗任何相机。

与深度学习识别软件相结合，图像处理系统因此能够特别快速和准确地进行检查。根据应用的不同，图像采集和评估只需几毫秒。

该系统还可应用于表面检测等其他领域。类似的应用是，例如，哑光金属/涂层表面（汽车内饰）、天然材料（石材、木材）或皮革等技术纺织品的测试。这样就可以检测到消费品上的划痕、裂纹和其他缺陷，并对相应的产品进行分类。

排除质量缺陷，只生产“好东西”——质量保证框架内不可或缺的过程。IDS摄像头与sentin的深度学习支持软件相结合，显著优化了缺陷和物体的检测质量控制。

这使得在许多行业和领域，投诉和返工以及人力和时间开支都大大减少。