Støttet af førende programmer – og betroet af de virksomheder, vi arbejder for.
Bevist på rigtige emner
Ét system. Alle emner på din linje.
Transparente dunke, låg, potter, krympeforseglinger og støbte knopper, hver trænet på omkring 100 billeder fra kundens egen produktion.
Sådan virker det
Sådan fungerer Deepvis inspektionssystem
Færdigtrænede AI-modeller til produktion, som er hurtige at sætte i drift.
Indsaml data
Indsaml data
Trin 01Montér kameraet og tag så lidt som 100 billeder direkte fra produktionslinjen. Deepvis lærer af den variation, der findes i virkeligheden — lys, form og udsving i genanvendt materiale.
Annotér
Annotér
Trin 02Annotér blot 120 eksempler — eller lad os hjælpe. Modellen lærer de fejltyper, I annoterer, og bliver skarpere efterhånden som flere produktionsbilleder kommer til.
Træn modellen
Træn modellen
Trin 03Tryk på "Træn model" og lad systemet behandle billederne. På omkring 2 timer er jeres model klar til at køre live og sortere defekte emner fra automatisk.
Vores produkter
To systemer, én platform
De samme modeller, det samme dashboard og den samme maskin-I/O. Forskellen er, hvor meget hardware der er plads til ved linjen.
Dokumentation
Hver batch har sin egen mappe
Hvert kasseret emne arkiveres under sin batch med billede, defektklasse, størrelse, kavitet og tidspunkt. Når en kunde spørger til en leverance, ligger dokumentationen der allerede.
De defekter, der betyder noget på en støbelinje — på rigtige emner
- Flaske
- Stribe
- Sort prik
- Snavs
- Grat
Overfladefejl
Ét billede, mange spørgsmål besvaret på én gang. Modellen segmenterer selve flasken og derefter hver stribe, sort prik og plet snavs på den — som en kontur frem for en boks. En kontur kan måles, så den samme gennemgang, der finder en defekt, klassificerer den også, måler den i mm² og afgør, om den overskrider den grænse, der udløser kassation.
Live-visning
Det operatøren ser ved maskinen, lige nu. Detektionerne tegnes på billedet, mens emnerne passerer, med kavitet og sikkerhed påført.
Sådan reagerer linjen på det →Produktionskørsler
Gå tilbage til en hvilken som helst kørsel og se, hvad der blev produceret, og hvad systemet fangede — emne, batch, antal og kassationsrate.
Alt det, der bliver registreret →| Kørsel | Emne | Batch | Startet | Emner | NOK | Rate | |
|---|---|---|---|---|---|---|---|
| R-4821 | Låg 32 mm | B-2291 | 08.03 07:02 | 18.420 | 61 | 0,33% | Afsluttet |
| R-4820 | Låg 88 mm | B-2288 | 07.03 23:04 | 21.150 | 44 | 0,21% | Afsluttet |
| R-4819 | Låg 32 mm | B-2287 | 07.03 15:01 | 19.880 | 96 | 0,48% | Markeret |
| R-4818 | Hus A | B-2284 | 07.03 07:03 | 16.240 | 38 | 0,23% | Afsluttet |
Statistik
Deepvis hjælper dig med at visualisere og følge defekttendenser, produktydelse og produktionsproblemer — i realtid. Med konkrete indsigter kan du optimere processerne og mindske spild uden at sænke tempoet på linjen.
Korrelér
Kavitet 4 giver 2,5× så meget overstøbning
mod de andre kaviteter · 24 t
Korrelation og årsag
Fra “et emne fejlede” til “her er hvorfor”
Hver defekt klassificeres, måles og placeres i en kategori — så data kan sammenlignes i stedet for at være anekdoter.
Når defekter har en klasse, en størrelse og en plads i processen, viser mønstrene sig af sig selv: hvilken kavitet, hvilket skift, hvilken materialebatch. Det er forskellen på at kende sin kassationsrate og at vide, hvad der forårsager den.
Se alle statistikfunktioner →Her er vi
Bygget i Aalborg
Vores team og laboratorium ligger i Aalborg, tæt på de produktionslinjer, vi arbejder med i hele Danmark.
Udforsk smartere kvalitetskontrol med Deepvis
Se hvordan AI-drevet visuel inspektion reducerer fejl, sænker omkostninger og tilpasser sig jeres produktionslinje — uden komplekst opsætningsarbejde.