Le système de vision IA IDS NXT détecte dorénavant les anomalies
05/05/2023
Dans la nouvelle version IDS NXT 3.0, IDS Imaging Development System met à la disposition de tous les clients la détection d'anomalies comme troisième méthode d'IA, en plus de la détection et de la classification d'objets permettant ainsi d'optimiser les processus d'assurance qualité.
Les caméras industrielles dotées d'une intelligence artificielle ouvrent des champs d'application entièrement nouveaux, impossibles à maîtriser avec le traitement d'image traditionnel. Alors que de nombreux robots ne comprennent pas eux-mêmes leur environnement et ne peuvent travailler que sur la base de commandes, les systèmes basés sur l'IA leur permettent de réagir de manière adaptative.
Cette capacité est nécessaire, par exemple, pour la reconnaissance et le traitement d'objets très variables. Des variances très élevées ou à peine prévisibles sont très difficiles à réaliser avec le traitement d'image traditionnel. L'intelligence artificielle, en revanche, offre les capacités nécessaires pour résoudre de tels défis. Toutefois, lorsqu'il s'agit d'IA, de nombreuses entreprises ne disposent pas du savoir-faire et du temps nécessaires pour se familiariser avec le sujet et utiliser la technologie pour répondre à leurs besoins.
Le système de vision IA IDS NXT doit y remédier, car il peut être utilisé rapidement et facilement par tout groupe d'utilisateurs - même sans connaissances approfondies en matière d'apprentissage automatique, de traitement d'images ou de programmation d'applications. Les clients bénéficient d'un système complet qui comprend à la fois des caméras et des logiciels. En outre, le système IDS NXT
se caractérise par des flux de travail conviviaux : Il apporte un soutien étape par étape, de la création de l'image à la réalisation de l'application en passant par l'entraînement du réseau neuronal. IDS NXT offre ainsi une excellente base pour une utilisation intelligente du traitement d'images.
Ils peuvent même n'utiliser que de "BONNES" images d'entraînement pour s'entraîner à la détection d'anomalies. En outre, les données d'entraînement nécessaires sont relativement peu nombreuses par rapport aux autres méthodes d'IA. Cela simplifie le développement d'une application de vision artificielle et convient parfaitement à l'évaluation du potentiel du traitement d'images basé sur l'IA pour des projets au sein d'une entreprise.
