新型视觉系统为导弹拦截系统提供质量控制

导弹拦截系统击落导弹的成功率超过90%。这些高度先进的防御系统需要非常精确的装配和组件检查过程。结合深度学习、3D成像、传统机器视觉和智能机器人规划技术的混合视觉系统提供了有效、准确和经济高效的解决方案。

导弹防御

空气国防该系统旨在拦截和摧毁从4至70公里距离发射的短程火箭和炮弹。在攻击目标的情况下，防空系统使用雷达探测火箭发射并通知导弹系统。来袭火箭的速度和轨迹数据有助于引导拦截器瞄准目标。它锁定来袭的火箭并射击，在半空中将其摧毁。

拦截弹的特点是微型光电传感器和带有近距离引信爆炸弹头的转向翼。对这些小部件进行精确的人工检查是一项巨大的挑战，特别是考虑到错误可能会产生可怕的后果。仅导弹电子组件就有数百个检查点，检查问题——包括弯曲的插脚、缺失的插脚、缺失的部件或未完全连接的连接器——可能是生死攸关的问题。

超出了规定

传统的机器视觉系统长期以来一直服务于oem，帮助他们保持质量并满足需求，但该技术并不能解决所有问题。例如，使用数学值定义复杂的电子组件和形状会产生严格的规则集，可能无法为现代生产线提供最佳解决方案。

如果视觉系统检查电子引脚或连接器是否存在引脚，即使照明条件的轻微变化也会使引脚看起来弯曲或缺失，然后系统可能会使整个连接器失效。如果引脚是一个关键的系统组件，而OEM必须捕获100%的缺陷，而不考虑浪费，公司可能不得不废弃10%，20%或30%的产品来满足客户的规格，从而导致不必要的浪费和成本。相反的情况也可能发生。传统的机器视觉系统可以通过一个有缺陷的电子元件，并将其集成到导弹中，这一错误可能会在战场上造成灾难性的后果。

另一个例子涉及胶水。传统的机器视觉可以可靠地检测胶水的存在或不存在，但不能确定胶水的量是太多还是太少。深度学习为检测胶滴或焊点等非晶态材料提供了更高的准确性。如果这些材料超出了一定的公差，就会出现缺陷，必须及早发现。总的来说，制造商不仅需要自动检测系统，还需要灵活的检测技术，以适应产品、工艺和环境条件的变化。

采用人工智能

一位反火箭导弹防御系统的负责人联系了基托夫，希望找到一种在早期发现错误的方法。将其混合、独立的视觉检测系统落实到生产线的关键组成部分。Kitov.ai该系统配备了几个预训练的神经网络，用于定位和检查螺钉、表面、标签和数据端口等物体。它也可以很容易地训练新产品。在持续的基础上，基托夫。人工智能开发并增加了新的预训练神经网络——被称为语义检测器——帮助各行各业的客户解决他们最复杂的检测问题。

Kitov.ai’s inspection system包括一个现成的CMOS相机，在光度仪中具有多个明场和暗场照明元件
检查配置捕获二维图像。专有软件将这些图像组合成一个单一的3D图像。该技术使用常见的语义术语(“螺丝”、“端口”、“标签”、“条形码”、“表面”)，而不是机器视觉编程术语(“斑点”、“阈值”、“像素”、“对比度”)，帮助非专家学习如何在短时间内修改或创建新的检查计划。

Kitov.ai’s intelligent robot planner uses mathematical algorithms to automatically maneuver a robot with a sensor head, without the need for operator input. The algorithms dictate where the camera moves, choose an illumination condition from a set of onboard lighting elements, and determine how many images to capture for each test point. Additionally, the software instructs the robot how to move optimally from point to point during inspection. After acquisition of data, Kitov.ai’s deep learning software classifies potential defects discovered by 3D machine vision algorithms.

捕捉代价高昂的错误

Kitov.ai’s system has spotted errors in components that were previously passed by human operators. Had the system not caught the errors, the faulty components would have been sent to the next level and assembled into a missile.

Kitov.ai’s system handles a few hundred different inspection points on the electronic components and does so with consistency. Each component can be inspected in 30 seconds, compared to several minutes with manual inspection.

该系统可以在不妥协的情况下发现任何错误，并且在检查测试中是精确的，但不仅如此，国防公司还可以使用该系统的人工智能来调查制造故障。

在时间上，该系统在一个月内实现了生产线的落地。完成最初的检查计划——其中包括一个复杂的PCB卡，由于已经处于最终组装阶段，很难检查——花了几周时间。对于新产品或部件，基托夫。人工智能可以在几天内制定出一个检查计划，但它的目标是利用系统的复杂算法、机器人技术、深度学习和大数据能力，将这个计划压缩到几个小时。通过实现Kitov。将Ai的系统应用到其流程中，客户在一年内体验到质量提高了25%，并在两年内获得了投资回报。

Kitov.ai’s system comes with pretrained neural networks for locating and inspecting objects such as bent connector
销和松螺钉。

丰富的好处

部署基托夫的好处。Ai系统并没有以识别缺陷和错误而结束。该公司还使用该系统收集的数据来影响新零件和工艺的设计和工程。可制造性设计是指设计易于制造的产品和部件，并且在许多或大多数情况下易于检测。为此，基托夫。Ai的系统在批分析过程中关注工艺工程问题，识别导弹制导系统中的潜在故障点。这让工程师有机会重新设计这些故障点并提高产品质量。

从基托夫系统发现的缺陷中得出的见解允许设计师对一些螺钉以及它们如何锁在一起进行更改。工程措施到位，以防止任何系统故障，并在PCB组件中添加垫片以改善接地，这是基托夫系统发现的问题。

此外，基托夫。人工智能系统有效地取代了繁琐的人工劳动，并允许公司长时间运行检查。人工操作员可以在制造车间的不同区域增加更大的价值。使用该系统进行检查也提高了工人的士气和顾客的满意度。

Kitov系统的部署产生了连锁反应，工人们对推动工业4.0感到满意。公司的声誉得到了提高，因为客户可以看到他们正在使用领先的技术，在早期发现任何问题或质量问题。