Cognex In-Sight 2800 Mampu Identifikasi Barang Cacat dengan Deep Learning
Senin, 25 April 2022 - 22:29 WIB
loading...
Cognex In-Sight 2800 mampu mendeteksi adanya kesalahan dalam hitungan menit tanpa memerlukan adanya pengalaman pemrograman. Foto: ist
A
A
A
JAKARTA - Semakin banyak pabrik menggunakan teknologi canggih Machine Vision dan Deep Learning untuk mempermudah menyortir barang dalam jumlah yang banyak. Cognex In-Sight 2800 salah satunya.
Cognex sendiri merupakan salah satu pionir di industri machine vision. Lewat In-Sight 2800 , mereka mengklaim memberi inovasi baru terhadap sistem computer vision dalam satu paket perangkat yang mudah digunakan.
”Bahkan, bisa membuat aplikasi dapat berjalan dalam hitungan menit tanpa perlu komputer ataupun pengalaman pemrograman,” ujar Carl Gers, Executive Vice President Produk, Platform, dan Solusi Cognex. ”Belum pernah ada penerapan sistem deep learning semudah ini ke dalam jalur produksi,” bebernya.
Menurut Carl, sistem In-Sight 2800 dapat dilatih dengan hanya beberapa gambar untuk dapat mengotomatisasi berbagai hal. Mulai inspeksi sederhana hingga klasifikasi dan sortir lanjutan tanpa butuh komputer atau pemrograman untuk menjalankannya.
Antarmuka In-Sight EasyBuilder dirancang mudah dipakai untuk pengguna baru, juga berbagai bidang pekerjaan. Carl menyebut, kombinasi deep learning dengan machine vision bisa memberi fleksibilitas bagi pengguna untuk memecahkan masalah dari berbagai aplikasi inspeksi.
”Operator cukup memilih alat yang dirancang untuk memberikan akurasi setinggi mungkin untuk tugas mereka,” katanya.
Cognex In-Sight 2800 diklaim bisa dilatih dalam hitungan detik menggunakan lima gambar, dibanding ratusan gambar yang diperlukan oleh sebagian besar solusi Deep Learning lainnya. ”Terutama untuk mengidentifikasi dan mengurutkan eror ke dalam kategori yang berbeda dan mengidentifikasi barang-barang yang cacat,” ujar Carl.
BACA JUGA: Kominfo Beri Tenggat Waktu 11 Aplikasi yang Diduga Langgar Data Pribadi
Kemampuan untuk mengklasifikasikan berdasarkan beberapa fitur atau karakteristik ini memungkinkan pengguna menyelesaikan lebih banyak tugas dan investasi yang lebih sedikit. Sistem In-Sight 2800 juga menawarkan berbagai macam aksesori dan komponen yang dapat dengan mudah diganti.
Cognex sendiri merupakan salah satu pionir di industri machine vision. Lewat In-Sight 2800 , mereka mengklaim memberi inovasi baru terhadap sistem computer vision dalam satu paket perangkat yang mudah digunakan.
”Bahkan, bisa membuat aplikasi dapat berjalan dalam hitungan menit tanpa perlu komputer ataupun pengalaman pemrograman,” ujar Carl Gers, Executive Vice President Produk, Platform, dan Solusi Cognex. ”Belum pernah ada penerapan sistem deep learning semudah ini ke dalam jalur produksi,” bebernya.
Menurut Carl, sistem In-Sight 2800 dapat dilatih dengan hanya beberapa gambar untuk dapat mengotomatisasi berbagai hal. Mulai inspeksi sederhana hingga klasifikasi dan sortir lanjutan tanpa butuh komputer atau pemrograman untuk menjalankannya.
Antarmuka In-Sight EasyBuilder dirancang mudah dipakai untuk pengguna baru, juga berbagai bidang pekerjaan. Carl menyebut, kombinasi deep learning dengan machine vision bisa memberi fleksibilitas bagi pengguna untuk memecahkan masalah dari berbagai aplikasi inspeksi.
”Operator cukup memilih alat yang dirancang untuk memberikan akurasi setinggi mungkin untuk tugas mereka,” katanya.
Cognex In-Sight 2800 diklaim bisa dilatih dalam hitungan detik menggunakan lima gambar, dibanding ratusan gambar yang diperlukan oleh sebagian besar solusi Deep Learning lainnya. ”Terutama untuk mengidentifikasi dan mengurutkan eror ke dalam kategori yang berbeda dan mengidentifikasi barang-barang yang cacat,” ujar Carl.
BACA JUGA: Kominfo Beri Tenggat Waktu 11 Aplikasi yang Diduga Langgar Data Pribadi
Kemampuan untuk mengklasifikasikan berdasarkan beberapa fitur atau karakteristik ini memungkinkan pengguna menyelesaikan lebih banyak tugas dan investasi yang lebih sedikit. Sistem In-Sight 2800 juga menawarkan berbagai macam aksesori dan komponen yang dapat dengan mudah diganti.
(dan)
Lihat Juga :
