Контроль качества крышек бутылок с помощью YOLO | Проект промышленного компьютерного зрения скачать в хорошем качестве

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

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