Soluciones de visión artificial para el sector industrial
Archivo de la categoría: INNOVACIÓN Y NUEVAS TECNOLOGÍAS
En Bcnvision hemos desarrollado la nueva área de innovación y nuevas tecnologías. Esta división tiene como objetivo mantener a la empresa y a sus clientes en la vanguardia de la visión artificial.
En Bcnvision tenemos una mentalidad innovadora, ofrecemos soluciones sectoriales de alto valor tecnológico y estamos constantemente buscando la excelencia, es por eso por lo que hemos querido desarrollar esta nueva división.
El área de innovación y nuevas tecnologías gestiona principalmente dos tipos de aplicaciones:
– Los sistemas Bin picking. Son sistemas de robótica guiada por visión que permiten seleccionar y extraer piezas apiladas aleatoriamente en contenedores.
– Los sistemas de inspección automatizada del cordón de soldadura, que permiten la inspección de características geométricas tales como la longitud, anchura, posición y volumen del cordón de soldadura, así como la detección de defectos típicos como poros, orificios o muescas.
Estos tipos de aplicaciones se adaptan a una gran variedad de sectores, con el fin de mejorar la eficiencia de la productividad de las empresas.
El empaque afecta la percepción del consumidor sobre el valor del producto, su calidad y la seguridad que le aporta la marca. Los sistemas de visión artificial inspeccionan los envases y empaques de los alimentos para asegurar que estén libre de defectos, así como completos, de modo que solo los productos de la más alta calidad lleguen a los clientes finales.
Asegurar integridad del producto
Clasificación y verificación del empaquetado
Clasificación y Presencia/ausencia del producto.
Inspección del envase
Inspección latas
Envoltorio galletas
Control termosellado
Control del llenado, taponado y cierre de seguridad
Inspección de etiquetas
Correspondencia entre producto y envase
Lectura caracteres, OCR
Lectura de códigos
Estas son algunas de las aplicaciones que estamos realizando actualmente, hay muchísimas más, cada cliente tiene sus propias necesidades.
¿No has visto la 1ª parte de este artículo? puedes verla aquí.
¡Contáctanos y realizaremos las pruebas necesarias para dar con la mejor solución a tu proyecto! ¡Te lo demostramos! Contáctanos a través de este formulario.
Si quieres saber más de Bcnvision visita nuestra web www.bcnvision.es
La automatización de procesos en la industria alimentaria es
imparable y cada día el mercado ofrece soluciones y tecnologías que mejoran la
productividad y su calidad.
La visión artificial se ha convertido en un elemento crucial
en la automatización de procesos y , concretamente en el sector de alimentación
y bebidas, podemos englobarlos en 4 grandes grupos de soluciones.
A continuación, mostramos ejemplos de algunas de las posibles aplicaciones en:
INSPECCIÓN DE CALIDAD DE PRODUCTO
Inspeccionar la integridad del producto antes del envasado
es fundamental. La visión artificial permite identifica defectos, productos
dañados o tolerancias no permitidas en las primeras fases de producción.
Detección de cuerpos extraños
Detección de contaminación cruzada
Detección de manchas y cuerpos extraños
Detección de defectos
Control de volumen y mediciones
Inspección de color / Control del tostado
Detección de grasa
Sigue atento a nuestro Linkedin, iremos aumentado la información con más soluciones de visión en alimentación y bebidas.
Los estudios en laboratorios y las tecnologías para llevarlos a cabo han avanzado muchísimo en los últimos años. Uno de los grandes avances tecnológicos es el Deep Learning aplicado a la visión artificial.
En muchas aplicaciones de laboratorio es necesaria una
visión suficientemente flexible como la humana para poder tomar decisiones
basadas en un juicio y una experiencia. En muchos casos los problemas de
calidad de imagen, de reflejos, superficies brillantes, etc. hacen muy difícil
o casi imposible a los algoritmos tradicionales de visión artificial
inspeccionar con precisión para detectar anomalías, siendo prácticamente
imposible detectar con acierto las diferencias e ignorar características
irrelevantes.
Afortunadamente los avances en el análisis de imágenes con Deep
Learning han hecho posible la automatización de estas aplicaciones de forma
exitosa y fiable.
Detección de defectos, clasificación, lectura de
caracteres y verificación de ensamblajes
Las aplicaciones de microscopía clínica y de investigación
que anteriormente requerían inspección humana se están reinventando con la
aplicación de análisis de imágenes basado en el Deep Learning. Las muestras
patológicas e histológicas, por ejemplo, requieren una detección y segmentación
precisa de defectos a pesar de los patrones variables e impredecibles de los
defectos.
Una célula cancerosa podría aparecer en varios tamaños y
formas, y sus diversas formas son, en la mayoría de los casos, más diferentes
de lo que son similares. Es efectivamente imposible enseñar a un sistema de
inspección a identificar todas las anomalías posibles sin una programación
extensa, e incluso entonces, la posibilidad de identificación falsa o de rechazo
es alta. En una situación como esta, el análisis de imágenes basado en Deep
Learning en modo no supervisado ofrece un modo de inspección altamente preciso
y eficiente.
En una aplicación de detección de anormalidades celulares,
un ingeniero utiliza imágenes de muestra de posibles anormalidades celulares,
como el cáncer, para enseñar al software a conceptualizar y generalizar la
apariencia normal de una célula o grupos de células. Estos portaobjetos están
etiquetados como «buenos» ejemplos de células sanas y además tienen
en cuenta las variantes normales de células sanas, como la mitosis. Luego,
durante el tiempo de ejecución, cualquier variación se marca como anómala,
marcando el daño celular. Pero esta aplicación requiere un paso más. Una vez
que se marca una celda o un grupo de celdas, la región de interés particular
debe segmentarse dinámicamente en tiempo real para una revisión adicional. La
célula exhibe un daño potencial, después de todo, porque su apariencia se aleja
de la norma, pero no es necesariamente cancerosa. Estas desviaciones pueden ser
causadas por artefactos en la diapositiva.
Normalmente, una inspección humana, probablemente un
patólogo, tendría que revisar este subconjunto de muestras para hacer un
diagnóstico firme. Pero, de nuevo, el software basado en Deep Learning puede volver
a ejecutar su algoritmo sobre las zonas objetivo del subconjunto, esta vez con
reentrenamiento en modo supervisado, para analizar entre «bueno»
(tolerable, no dañado) y «malo» (patológico, dañado) células.
Además, con Deep Learning también es posible la clasificación
de muestras de sangre, la lectura de caracteres (OCR) en superficies
transparentes, reflectantes y/o flexibles en la que los caracteres se presentan
deformados y la lectura es mucho más complicada, como por ejemplo pasa en bolsas
intravenosas de suero. De esta manera pueden cumplir con las normas de
seguridad y llevar una correcta identificación automática de la trazabilidad.
Por otro lado, el correcto ensamblaje de las muestras para
análisis (sangre, orina o tejido) en lo que se conoce como verificación
previa al ensamblaje, es esencial para reducir cualquier error potencial que
pueda amenazar la contaminación, mezclar o etiquetar mal los diagnósticos, o
ralentizar o romper equipos costosos. Durante estas inspecciones, el sistema
automatizado debe verificar que no haya tubos de ensayo desalineados o
ausentes, tapas que no se hayan quitado o recipientes extraños cargados en la
rejilla del analizador. La verificación de que el bastidor del equipo se ha
poblado completa y correctamente implica la gestión de varios factores: los
tubos y recipientes de muestra y reactivo varían según la forma, el tamaño y la
dimensión del fabricante, y puede ser imposible para la máquina predecir la
posición de las muestras en la plataforma.
Con estas variaciones impredecibles en las configuraciones
de prueba, tiene sentido utilizar el Deep Learning para realizar la verificación
de ensamblaje.
La herramienta generaliza las características distintivas de
las muestras y reactivos en función de su tamaño, forma y características de
superficie y aprende su apariencia normal, así como su ubicación general en los
bastidores o microplacas de la plataforma. De esta manera, el Deep Learning es
capaz de automatizar y resolver una aplicación que antes era difícil de
programar de una manera rápida, altamente precisa y fácil de implementar.
Aquí puedes ver una pequeña demostración de como la visión Deep Learning resulve fácilmente aplicaciones de localización, contaje y clasificación en un laboratorio.
Si quiere más información sobre los productos de DEEP LEARNING que disponemos en Bcnvision visita www.bcnvision.es y contacta con nosotros a través del formulario de contacto.
AnyPick es una solución basada en Machine Learning para picking de objetos colocados de forma aleatoria que varían en forma y/o tamaño.
Es ideal para almacenes, e-commerce, intralogística,
alimentación, cosmética y en general, cualquier sector en el que se deban
manipular piezas o artículos que varíen en forma y tamaño.
Detecta la ubicación de artículos con tecnología de software
basada en IA, un controlador de visión y el escáner 3D PhoXi de Photoneo, que
permite recoger cualquier objeto (desde 1x1cm) sin necesidad de modelos CAD.
Alta velocidad: hasta 500 picks por hora
Límite de peso personalizable
Integrado con visión 3D
Descubre el AnyPick en la feria Pick&Pack stand D426 (12 al 14 de febrero) en CCIB de Barcelona. ¡Te esperamos! https://bcnvision.es/eventos
Cuando hablamos de Inteligencia Artificial, Machine Learning o Deep Learning creemos que son conceptos futuristas que están por venir, nada más lejos. Desde los años 50 se trabaja en modelos matemáticos asociados a estas tecnologías, pero es ahora, gracias al Big Data, la digitalización, el abaratamiento de los dispositivos de almacenamiento, las mejoras de hardware que permiten procesos en paralelo a mucha velocidad y a modelos matemáticos en redes neuronales (backpropagation,…) que se ha creado el cóctel perfecto que hace posible sacarlas del laboratorio, para convertirlas en una realidad que ya está aquí. El Big Data proporciona el poder de recopilar datos masivamente, relacionarlos entre ellos, gestionarlos, procesarlos y analizarlos con el fin de sacar conclusiones. Ahora es, cuando existen tecnologías capaces de procesar innumerables cantidades de datos para convertirlas en información, que faciliten la toma de decisiones de forma rápida. Queremos máquinas sin necesidad de preprogramarles reglas para las infinitas variables que pueden aparecer en el mundo real, pretendemos que aprendan a través de la experiencia. El Machine Learning se ocupa de esto, de dotar a las máquinas de capacidad de aprendizaje. Dentro del Machine learning, y centrándonos en las redes neuronales aparece el concepto de Deep Learning. Las redes neuronales artificiales aprenden de forma jerarquizada, por niveles de capas. Cuantas más capas tengamos, más complejos resultan los algoritmos de procesamiento. Este incremento en el número de capas y su complejidad, es lo que hace que estos algoritmos sean conocidos como algoritmos de Deep learning. Para ver la diferencia entre un sistema de visión tradicional versus un sistema basado en Machine Learning y Deep Learning, pondremos como ejemplo la lectura de caracteres en visión artificial, lo que denominamos OCR. El software de visión tradicional requiere una serie de bibliotecas de patrones y plantillas que contienen todos los posibles caracteres para reconocer de una foto, una A como una letra. Pero los algoritmos se vuelven poco manejables cuando crecen las bibliotecas de excepciones y defectos.
Lectura de caracteres con tecnología Deep Learning
El sistema de visión con Deep Learning es capaz de leer una A aunque la etiqueta esté doblada, medio borrada o con ruido y solo pueda verse un 30%. Aun así, será capaz de conceptualizar y generalizar la apariencia de los caracteres basado en sus características distintivas, incluso cuando éstas varían sutilmente o a veces se desvíen. Reconocerá correctamente la letra o el número, gracias a las capas de algoritmos integrados en su red neuronal que le permite sacar sus propias conclusiones.
Actualmente ya convivimos con la tecnología Deep Learning, por ejemplo en el reconocimiento de voz, facial y de texto de nuestros móviles y otros dispositivos, incluso tenemos vehículos que circulan solos sin necesidad de la mano humana. El futuro está aquí y esta tecnología ya está migrando hacia procesos de fabricación avanzada y visión artificial. Disponer de un software de análisis de imagen basado en Deep Learning nos ofrece soluciones a retos de visión complejos, que anteriormente no podía realizarse con visión tradicional o que requerían una cantidad de recursos y dispositivos que no hacían viable la solución. Ahora es posible distinguir defectos impredecibles al mismo tiempo que tolerar variaciones naturales en patrones complejos. Además, estos pueden adaptarse rápidamente a nuevos ejemplos sin necesidad de reprogramar sus algoritmos principales.
VisionPro ViDi es el primer software de análisis de imágenes industrial basado en Deep Learning y es ideal para:
Detección de defectos complejos
Clasificación de textura y materiales
Verificación de montajes y localización de piezas deformadas
Lectura de caracteres, incluida la impresión distorsionada
Por ejemplo, Cognex ViDi simplifica la inspección automática de complejos patrones de tejido, incluidos el cruzado, el tejido, el trenzado, el acabado e impreso. Como no requiere un tedioso desarrollo de software, el algoritmo de software se entrena con un conjunto de buenas muestras ya conocidas, para crear sus modelos de referencia. La inspección identifica e informa las áreas defectuosas en la tela, mientras que tolera variaciones grandes pero irrelevantes en su apariencia.
¿Cómo funciona Cognex ViDi?
Implementación del Cognex ViDi
Existen sistemas de visión basados en Deep Learning que trabajan con miles de imágenes de procesamiento, lo que implica la necesidad de un procesador muy potente. El Software de ViDi se entrena con un número inferior de imágenes, adaptándose a la potencia de procesador habitual de los PCs que se utilizan en el entorno industrial, ya que solo requiere una GPU. En el periodo de entrenamiento supervisado cargamos un grupo de imágenes etiquetadas (buenas y malas) de una manera similar a como formaríamos a un inspector humano, enseñándole al sistema para reconocer defectos explícitos. Para defectos que se presentan en múltiples formas, el sistema se entrena a sí mismo en modo no supervisado. Aprende la apariencia normal de un objeto, incluidas sus variaciones considerables pero que decidimos como buenas. El software crea su modelo de referencia basándose en estas imágenes representativas. Se trata de un proceso iterativo de mejora constante, durante el cual los parámetros pueden ajustarse y el resultado se valida hasta que el modelo funcione como se desee. Durante el tiempo de ejecución, ViDi extrae datos de un nuevo conjunto de imágenes y sus redes neurológicas localizan las piezas, extraen anomalías y las clasifica. Otro aspecto importante, es que podemos hacer que el sistema vaya aprendiendo a medida que vamos trabajando con él. De una forma muy sencilla, es posible añadir nuevas imágenes que modifican el modelo entrenado haciendo posible la adaptación a nuevos cambios o nuevas características que no existían previamente.
ViDi funciona con imágenes de alta resolución, incluidas térmicas y a color, para reconocer prácticamente cualquier anomalía. También realiza recuentos complejos y descifra caracteres deformados y difíciles de leer. Cognex ViDi permite a empresas de muchos sectores crear sistemas de inspección innovadores que sobrepasen los límites de la visión artificial. ViDi está disponible con el software de visión artificial VisionPro y Cognex Designer, lo que ofrece a sus clientes una capacidad única para mezclar y combinar herramientas en una aplicación.
Las herramientas para localización, caracterización, clasificación y lectura de caracteres, trabajan de forma independiente o se pueden combinar con otras herramientas de visión de Cognex para abordar retos complejos de visión .
4 HERRAMIENTAS, 4 SOLUCIONES
1. ViDi Blue-Locate | Localiza características
Encuentra rasgos o elementos complejos
ViDi Blue-Locate encuentra características y objetos complejos aprendiendo a partir de imágenes con anotaciones. Los algoritmos de autoaprendizaje pueden localizar piezas, contar frascos médicos de vidrio translúcido en una bandeja y realizar controles de verificación de montaje en kits y paquetes.
2. ViDi Red-Analyze | Detecta anomalías y defectos estéticos
Detecta anomalías o defectos estéticos.
Segmenta los defectos u otras regiones de interés con tan solo aprender las variaciones en la apariencia de la zona de interés. ViDi Red-Analyze puede identificar rayones en superficies complejas, conjuntos incompletos o incorrectos, e incluso problemas de tejido en textiles simplemente mediante el aprendizaje de la apariencia normal de un objeto, incluidas sus variaciones significativas pero tolerables. Esta herramienta es capaz de detectar defectos que con visión convencional serían muy difíciles de detectar y complejos de programar.
3.ViDi Green-Classify | Clasifica objetos o escenas
Clasifica objetos y/o escenas
ViDi Green-Classify separa diferentes clases de una colección de imágenes etiquetadas. Al prepararse para tolerancias aceptables, puede identificar productos en función de sus empaques, clasificar la calidad de la costura de soldadura y separar las anomalías aceptables o inaceptables.
4.ViDi Blue-Read | Lee texto y caracteres
Lee texto y caracteres
ViDi Blue-Read descifra códigos deformados, torcidos y/o mal grabados mediante el uso de reconocimiento óptico de caracteres. El sistema utiliza redes neuronales para la identificación de los caracteres, permitiendo un incremento sustancial en el porcentaje de acierto respecto al OCR convencional. La biblioteca de fuentes entrenada previamente, puede identificar la mayoría de los textos sin programación o identificar fuentes adicionales para una implementación rápida y fácil. Esta sólida herramienta puede entrenarse para adaptarse a los requisitos específicos de aplicación «OCR». No se requiere experiencia en visión.
¿Cuándo usar visión artificial tradicional o Deep Learning?
La elección entre la visión artificial tradicional y el Deep Learning depende del tipo de aplicación, de la cantidad de datos que se estén procesando y de las capacidades de procesamiento. De hecho, el Deep Learning no es la solución adecuada para todas las aplicaciones. Las tecnologías de programación tradicionales basadas en reglas son mejores para calibrar y medir, así como para realizar una alineación precisa. En algunos casos, puede que la visión tradicional sea la mejor opción para medir con precisión una región de interés, y el Deep Learning para inspeccionar esa región. El resultado de una inspección basada en el Deep Learning puede pasarse a la visión tradicional para tomar medidas precisas del tamaño y la forma del defecto.
En la siguiente imagen se identifica las aplicaciones más adecuadas para la visión artificial tradicional y para los enfoques basados en el Deep Learning, incluidas las apropiadas para ambas.
¿Tiene alguna aplicación compleja que no puede solucionar con visión artificial tradicional y cree que en el Deep Learning podría estar la clave para resolverlo?
En Bcnvision estamos preparados para combatir los retos más complejos de visión artificial. Le asesoramos y acompañamos en todo el proceso hasta encontrar el sistema de visión que más se adapte a sus necesidades y requerimientos. Ponemos a su disposición el avance tecnológico que ofrece el Deep Learning de mano de Cognex ViDi.
La solución Bin Picking es un sistema robótico guiado por visión que permite localizar y extraer piezas dispuestas aleatoriamente en contenedores o palets. Utiliza un sistema de visión (hardware y software) para el reconocimiento y la localización de las piezas y un sistema robótico para Sigue leyendo →
SurfaceFX, es la nueva herramienta de Cognex que utiliza algoritmos de iluminación y software para crear imágenes de alto contraste, que resaltan los contornos tridimensionales de las piezas para inspeccionar los defectos superficiales. Sigue leyendo →
La industria del packaging ha crecido notablemente en los últimos años y con ello el incremento de exigencias en torno a la calidad de los envases. Si se envía un producto defectuoso, la satisfacción del cliente y la imagen de marca se verán afectadas. Para ello, cada vez es más frecuente ver en las plantas distintos controles para asegurar la calidad de los productos.
Actualmente, muchas empresas del sector alimentación, bebidas, farmacéutica, química y cosmética están apostando por la implementación de sistemas de visión artificial con el objetivo de incrementar la productividad y reducir los costos de mano de obra. Estas soluciones se integran de forma rápida y flexible, permitiendo automatizar los procesos de control y envasado, trazabilidad, mejorando la calidad y la seguridad alimentaria.
A continuación, Bcnvision presenta diferentes soluciones de visión artificial orientadas al sector de packaging:
Aplicaciones Bin Picking
Bin Picking es un sistema VGR (Robótica guiada por visión), que permite seleccionar y extraer piezas apiladas aleatoriamente en un palet. Utiliza un sistema de visión para el reconocimiento y la localización de piezas, y un sistema robótico para la extracción y posterior reubicación de las piezas.
Detección del contenido de las cajas
La aplicación permite localizar y recoger las piezas en entornos desordenados como: palets, cintas o contenedores. El sistema 3D permite calcular el volumen de los productos mientras están siendo recogidos por el robot.
Las soluciones Bin Picking ofrecen diversas ventajas como: la capacidad de adaptación del ritmo de producción a las necesidades reales, sin sujeción a horarios ni descansos; así como la rapidez y precisión, sobre todo en operaciones repetitivas, obteniendo niveles de error muy bajos. También permiten programar las operaciones y adaptarse a las nuevas exigencias.
Lectura OCR de caracteres
Aplicación desarrollada por Bcnvision para el sector cosmética. La aplicación consiste en verificar en la última parte de la línea, el texto marcado en el envase.
El dispositivo DataMan se comunica con el PLC y con el ordenador para la visualización de la interfaz realizada a medida. El DataMan realiza diferentes disparos hasta leer el código OCR.
Para que las etiquetas de códigos sean consideradas aceptadas, el código leído debe coincidir con un código “master” previamente memorizado.
La serie DataMan también puede leer códigos 1D y 2D a alta velocidad.
Control de impresión y tonalidad del color en cajas de cartón
Aplicación desarrollada por Bcnvision, la cual controla la correcta configuración y situación de maculas de color en cajas de cartón. Permite inspeccionar hasta una décima de precisión.
La cámara verifica las desviaciones de las maculas de color tanto en posición como en color. La cadencia depende del tamaño de la caja de cartón, puede llegar hasta 500m/s.
La aplicación permite visualizar las cajas de cartón OK y NOK, guardar defectos en la BBDD y generar informes estadísticos.
Lectura de códigos Datamatrix durante todos los niveles de agregación
La lectura de códigos Datamatrix identifica los detalles del artículo marcado, incluyendo el fabricante, el número de producto y el número de serie único.
Esta aplicación está desarrollada para el sector farmacéutico, se encarga de controlar la lectura del marcaje durante todos los niveles de agregación en los medicamentos, desde la unidad del producto hasta los contenedores de envío (unidades, paquetes, cajas y palets).
Para más información sobre sistemas de visión artificial:
Bcnvision en su continua búsqueda de soluciones avanzadas de visión artificial en el mercado, ha incorporado un nuevo socio tecnológico SAC Vision con el sistema Trevista®. Es un innovador sistema de visión artificial para la inspección superficial de piezas con superficies sin contraste o con muchas variaciones. Este sistema está basado en principios de estéreo iluminación, que permite generar imágenes topográficas capaces de detectar defectos de micras.
El sistema Trevista® utiliza una tecnología patentada llamada “shape from shading”, la cual usa el sombreado de la superficie de un objeto para recoger información sobre su forma tridimensional.
Este sistema de visión artificial es ideal para analizar defectos en piezas con superficies brillantes, con variaciones de tonalidad y con curvatura, permite una detección de errores con un bajo porcentaje de falso rechazo. Se pueden localizar imperfecciones de forma rápida como: rayadas, golpes, etc. Estos defectos pueden ser localizados rápidamente y de forma robusta.
Para la inspección se emplea un difusor en forma de domo que trabaja de manera estructurada con varias fuentes de luz. El sistema captura cuatro imágenes diferentes de la pieza y a partir de estas capturas el software genera una serie de imágenes tridimensionales para poder evaluarlas.
La combinación de las imágenes producidas por Trevista® permiten una detección fiable de un rango amplio de defectos para exigentes tareas de inspección.
Imagen textura de la pieza
Imagen curvatura de la pieza
Beneficios
Control automático de 100% de la producción.
Ideal para piezas con superficies sin contraste, brillantes, cilíndricas, con variaciones de tonalidad y de diferentes materiales.
Inspección motion y disminución del tiempo de inspección (hasta 200 piezas / min).
Perfecta sincronización entre el sensor y el software de evaluación.
Reducción de porcentaje del falso rechazo.
Funcionamiento sencillo y rápida parametrización del sistema.
Diseño robusto y de uso universal, permite inspeccionar todo tipo de piezas.
Reducción de costes de producción.
Versiones del sistema Trevista®:
Trevista® SURFACE: Inspección de piezas estáticas hasta 200 mm.
Trevista® CYLINDER: Inspección de piezas con superficies cilíndricas hasta 200 mm.
Trevista® MULTILINE: Inspección de piezas en movimiento hasta 200 mm.
Para mayor información del sistema Trevista contacte con nosotros a info@bcnvision.es
PatMax RedLine™ entre 4 y 7 veces más rápida que su antecesora PatMax®.
Cognex Corporation, líder en visión artificial, presenta la nueva tecnología PatMax RedLine™, una tecnología de localización de patrones que maximiza la velocidad y rendimiento de la hasta ahora líder en la industria, PatMax®.
La correspondencia de patrones representa el primer paso crítico en la mayoría de las aplicaciones de visión artificial. Dado que muchas herramientas imponen ciertas limitaciones de velocidad, algunas aplicaciones de visión deben ser manejadas con cámaras de menor resolución para poder mantener el ritmo de las líneas de producción. La tecnología PatMax RedLine™ ofrece un rendimiento más rápido en los sistemas de visión de alta resolución, elimina la compensación entre velocidad y rendimiento, y permite a los usuarios aumentar la resolución y ganar precisión sin sacrificar la velocidad.
PatMax RedLine™ está disponible a partir de la versión In-Sight Explorer™ 5.1 y ofrece un excelente rendimiento con las nuevas cámaras de alta resolución de Cognex:
In-Sight 5705, el sistema de visión independiente de 5 MP más rápido de Cognex para inspecciones confiables en líneas de producción de alta velocidad.
In-Sight 8405, el sistema de visión independiente de 5 MP más pequeño de Cognex , ideal para aplicaciones donde se necesita una cámara liviana o se cuenta con un espacio de montaje limitado.
In-Sight 5705C, el único sistema de visión a color independiente de 5 MP de Cognex, para las aplicaciones más desafiantes, con herramientas avanzadas y filtros de imágenes de color de 24 bits.
Los nuevos modelos de alta resolución utilizan JavaScript para simplificar considerablemente las tareas de visión complejas y con gran volumen de datos. Al igual que el resto de los sistemas de visión In-Sight, estos modelos de 5 MP cuentan con las herramientas y la robustez del Software In-Sight Explorer, líder en el sector de la visión artificial.
La solución 
SurfaceFX, es la nueva herramienta de Cognex que utiliza algoritmos de iluminación y software para crear imágenes de alto contraste, que resaltan los contornos tridimensionales de las piezas para inspeccionar los defectos superficiales. 
e from shading”, la cual usa el sombreado de la superficie de un objeto para recoger información sobre su forma tridimensional.
