Контроль качества крышек бутылок с помощью YOLO | Проект промышленного компьютерного зрения

Описание: В этом видео я демонстрирую комплексную систему промышленного контроля качества, использующую компьютерное зрение для автоматического обнаружения бутылок и их крышек, проверки наличия крышки на каждой бутылке и генерации отчета о соответствии или несоответствии в режиме реального времени.

Проект охватывает полный рабочий процесс, начиная с извлечения видеокадров, аннотирования набора данных, преобразования формата COCO в YOLO, обучения модели и, наконец, вывода результатов в реальном времени и контроля качества на конвейерной ленте.

Для аннотирования данных я использовал Labellerr, который позволяет быстро и эффективно аннотировать изображения с помощью современных моделей сегментации. Аннотации экспортируются в формат COCO JSON, а затем преобразуются в формат YOLO для обучения.

Модель обучается с использованием YOLO, а вывод результатов выполняется с помощью OpenCV для высокоточного обнаружения бутылок и крышек. Определены область интереса (ROI) и линия контроля для отслеживания бутылок на конвейерной ленте и их подсчета.

Если бутылка проходит через линию контроля без обнаруженной крышки, она автоматически помечается как бракованный продукт, что делает эту систему идеально подходящей для промышленной автоматизации, мониторинга конвейерных лент и обнаружения дефектов в режиме реального времени.

Этот проект идеально подходит для студентов и специалистов, работающих в области компьютерного зрения, глубокого обучения и промышленного искусственного интеллекта.

Ресурсы:
GitHub-ресурс Labellerr: https://github.com/Labellerr/Hands-On...
Руководство пользователя: https://github.com/Labellerr/Hands-On...

Разделы
0:00 Введение: Необходимость автоматизированной проверки крышек бутылок
0:23 Обзор проекта: Комплексная система контроля качества
0:42 Техническая настройка: Импорт библиотек и клонирование утилит
0:56 Шаг 1: Извлечение кадров из видео с конвейерной ленты
1:31 Шаг 2: Аннотирование бутылок и крышек на платформе этикетировщика
2:47 Шаг 3: Экспорт аннотаций и преобразование в формат YOLO
3:09 Шаг 4: Обучение модели YOLO для обнаружения бутылок и крышек
3:53 Шаг 5: Выполнение вывода с помощью обученной модели на видео
4:36 Шаг 6: Внедрение логики контроля качества на основе ROI
5:48 Результаты: Подсчет бутылок в реальном времени и обнаружение дефектов
5:57 Техническое объяснение: Логика классификации «пройдено/не пройдено»
6:59 Заключение: Создание собственной системы контроля качества
7:22 Дополнительные ресурсы: Социальные сети и связанные видео

Хотите узнать больше о наших услугах?

Веб-сайт: https://www.labellerr.com
Заказать демонстрацию: https://www.labellerr.com/book-a-demo

Найдите нас в социальных сетях:
LinkedIn:   / labellerr  
Twitter: https://x.com/Labellerr1

#КомпьютерноеЗрение #YOLO #YOLOv8 #КонтрольКачества #ПромышленнаяАвтоматизация #КонтрольЗаБутылками #ОбнаружениеКрышек #ОбнаружениеДефектов #КонвейернаяЛента #МашинноеЗрение #ГлубокоеОбучение #ПроектыИИ #OpenCV #ОбнаружениеОбъектов #Сегментация #COCO #YOLOFormat #АннотацияДанные #Labellerr #ИскусственныйИИВПроизводстве #УмнаяФабрика #Индустрия40 #ИскусственныйИнженерВПроизводстве #Python #ИнженерноеПроизводство