<big id="rdfxn"></big>
    <big id="rdfxn"><cite id="rdfxn"></cite></big>

      <meter id="rdfxn"></meter>

        <progress id="rdfxn"><font id="rdfxn"><b id="rdfxn"></b></font></progress><big id="rdfxn"><meter id="rdfxn"><font id="rdfxn"></font></meter></big>

        <progress id="rdfxn"></progress>

          <progress id="rdfxn"></progress>

            Galileo系列AI視覺軟件方案

            Galileo系列軟件


            基于快速深度學習技術在工業視覺與工業瑕疵檢測方面的應用場景,我們推出了“Galileo”系列軟件產品。該系列產品將“AI深度學習算法、模型訓練、模型測試、在線檢測分析、數據分析報表、缺陷自動生成、云深度學習服務、AI定制化算法”等一站式實現??筛鶕蛻魧嶋H使用場景的不同需求,選擇使用不同功能模塊與不同產品。

            深度工業視覺識別系統

            工業視覺識別云平臺

            在線檢測與大數據系統

            缺陷樣本管理系統

            系列軟件檢測流程
            系列軟件介紹

            深度工業視覺識別系統:Galileo-X

            核心功能:建模、標注、訓練、驗證、檢測、反饋、追加訓練、報表

            GalileoX是深視創新中美兩地團隊自主研發,完全獨立知識產權,基于“快速深度學習”技術的工業視覺識別系統,在工業視覺識別中利用深度學習技術的檢測、分類、定位、OCR的場景需求一站式完全解決,并大大降低算法后期的維護難度與成本。




            缺陷檢測物體分類定位識別OCR字符識別

            在線檢測系統:Galileo-T

            核心功能:數據統計、回查、分析、報表、輔助決策/標注過殺,漏檢/反饋訓練

            在線檢測:專為產線上實時操作檢測作業而設計的產品,服務于工業檢測設備前端,直接面向設備操作者,為產線檢測工作提供極大便利。

            功能與拓展性:檢測模塊、缺陷再過濾模塊、數據樣本反饋模塊融合,能與Galileo-X或同類平臺對接,以及市面上所有的運控系統、工控系統、設備完美對接。

            自由定制:根據不同產品制定獨立的檢測標準,檢測方法和形式更加靈活。

            產線檢測數據分析自由搭建無限兼容

            檢測大數據輔助決策系統:Galileo - T

            GalileoT檢測大數據輔助決策系統,其主要應用于工業產品缺陷檢測的大數據統計,可以更加全面、更加高效的對生產及檢測數據的統計與管理。

            產品檢測數據對產品生產的品質,及出貨有著至關重要的作用,在眾多碎片化的數據中,很難定位各環節銜接的狀態。因此大數據決策系統由此而生,專為解決產線工位數據信息孤島問題,將工廠所有產線及所有環節的檢測數據匯總并分析,對異常數據實時報警提升產品品質降低不必要的損失。


            大數據分析輔助決策全產線數據匯總實時異常預警

            大數據算法無縫匹配
            多種樣本生成方案
            多平臺無縫對接

            缺陷樣本管理系統:Galileo-D

            核心功能:缺陷庫分類、生成缺陷、生成新樣本、數據調用、訓練、測試

            專為輔助樣本集采集與缺陷標注而設計,減少80%以上的人工操作,降低90%的樣本采集時間,真正意義上實現了“無樣本訓練模型” 。







            海量樣本無縫匹配自由調用

            產品優勢
            • 產品化 門檻低

              專為本土生產企業打造,極為簡單的產線工人維護界面

            • 超高效率

              建模、標注速度快,節省80%的時間;定制化大幅提升檢測速度

            • 高速神經網絡

              自研核心技術,對神經網絡深度優化,大幅降低復雜度,模型加速超30~50倍

            • 高準確率

              通過追加與反饋訓練,檢測準確率接近100%

            • 全流程檢測

              構建四項全流程檢測體系,工業應用更加廣泛

            • 支持復雜圖像

              模擬人腦識別,實現高復雜度背景下的靈敏檢測,超越現有的傳統圖像分析、檢測技術

            • 跨平臺兼容性

              深度學習的全新框架,可以對接、移植到任何軟件、硬件平臺

            • 可視化報告

              支持輸出自定義、可視化測試與檢測報告

            • 超20億樣本庫

              超過20億以上的工業生產瑕疵樣本庫

            • 靈活設定標準

              根據生產需求,調整正負樣本,進行優化訓練,靈活應對各種檢測標準

            • 聯機質檢

              多設備聯機質檢大數據分析,為工業生產提供可靠決策輔助

            • MES系統

              對接MES系統

            部分應用案例

            2.5D / 3D手機玻璃

            表面瑕疵檢測

            識別速度:≤ 2.3s/pc

            檢測結果:漏檢 ≤ 2.5% | 過殺 ≤ 10%

            缺陷類型:臟污、毛發、塵點、劃傷、崩邊、凹凸點、深劃......

            缺陷類型:深劃
            • 原圖

            • 檢測結果

            金屬化陶瓷

            表面瑕疵檢測

            識別速度:≤ 100ms/pc

            檢測結果:漏檢 ≤ 0.3% | 過殺 ≤ 1%

            缺陷類型:劃傷、崩邊、臟污、開裂、劃痕、缺失......

            缺陷類型:劃痕
            • 原圖

            • 檢測結果

            金屬零件

            表面瑕疵檢測

            識別速度:≤ 500ms/pc

            檢測結果:漏檢 ≤ 0.1% | 過殺 ≤ 5%

            缺陷類型:臟污、亮印、劃傷、點傷、模印、刀紋、缺口......

            缺陷類型:毛刺、劃傷
            • 原圖

            • 檢測結果

            工業字符識別

            表面瑕疵檢測

            識別速度:≤ 120ms/pc

            檢測結果:準確率 ≥ 99.99%

            識別類型:大寫字母
            • 原圖

            • 檢測結果

            電子元器件

            表面瑕疵檢測

            識別速度:≤ 2ms/pc

            檢測結果:漏檢 ≤ 0.01% | 過殺 ≤ 1%

            缺陷類型:漏磁、氣泡、端頭開裂、變形、黑片、龜裂、月牙、沙眼、壓痕......

            缺陷類型:端頭不良
            • 原圖

            • 檢測結果

            軟包動力電池

            表面瑕疵檢測

            識別速度:≤ 5s/pc

            檢測結果:漏檢 ≤ 0.1%(嚴重缺陷0漏檢) | 過殺 ≤ 5%

            缺陷類型:極片翻折、破損漏夜、封邊異物、凸點、針孔......

            缺陷類型:封邊異物
            • 原圖

            • 檢測結果

            911亚洲精品国内自产麻豆
            <big id="rdfxn"></big>
              <big id="rdfxn"><cite id="rdfxn"></cite></big>

                <meter id="rdfxn"></meter>

                  <progress id="rdfxn"><font id="rdfxn"><b id="rdfxn"></b></font></progress><big id="rdfxn"><meter id="rdfxn"><font id="rdfxn"></font></meter></big>

                  <progress id="rdfxn"></progress>

                    <progress id="rdfxn"></progress>