- 第一段階。
- 建筑物
- 应用设计
- 应用程序编辑器
- 郁金香应用程序编辑器介绍
- 创建新的郁金香应用程序
- 如何在应用程序编辑器和播放器中使用键盘快捷键
- 郁金香中的多语言功能
- 步骤
- 小装饰
- 教科文组织
- 什么是触发器?
- 阶跃触发器
- 应用程序级触发器
- 小部件触发器
- 应用程序过渡指南
- 计时器触发器
- 如何添加设备触发器
- 如何通过条件(If/Else 语句)添加触发器
- 触发器编辑器中的操作和转换列表
- 最常见的十大触发因素是什么?
- 如何通过触发器设置部件颜色
- 如何发送电子邮件
- 如何为 Tulip 用户设置短信通知
- 如何从触发器打印步骤
- 如何在应用程序编辑器中使用表达式编辑器
- 表达编辑器的技术细节
- 应用程序编辑器中的完整表达式列表
- 使用日期时间表达式
- 类型化表达
- 使用数组和对象表达式
- 在触发器中处理时间
- 支持的自定义日期格式
- 如何完成应用程序
- 如何通过设备摄像头扫描条形码和 QR 码
- 如何在触发器中添加正则表达式
- 在郁金香应用程序中使用应用程序信息
- 如何使用触发器调用连接器函数
- 变量
- 解决问题
- 达蒂(印度教女神)。
- 连接器
- 分析
- 视觉
- 设备监测
- 受管制行业
- 副驾驶站在第一线。
- 自动化
- 进口中的出口
- 运行应用程序
- 管理
- Developers
- Connect to Software
- Connect to Hardare
- Edge Devices
- 支持的设备
- 可与郁金香配合使用的即插即用设备列表
- 创建和支持设备驱动程序
- 郁金香中的设备驱动程序支持
- 如何设置条形码扫描仪
- 使用串行驱动程序
- 如何将斑马打印机与 Tulip 集成
- 使用 Zebra 网络打印机驱动程序
- 使用 Zebra GK 系列标签打印机驱动程序
- 使用 USB 波贝盒驱动程序
- 使用康耐视 In-Sight 2000 驱动程序
- 如何配置康耐视和 Tulip
- 使用 MT SevenExcellence PH 计驱动程序
- 使用通用 ADC 驱动程序
- 使用欧米茄 HH806 温度计驱动器
- 使用数字卡尺驱动器
- 如何设置通用 TS05 蓝牙测温枪
- 使用康耐视 DataMan TCP 驱动程序
- 为 Windows Tulip Player 设置三丰 U-WAVE 接收器
- 使用布雷克内尔 PS25 称重驱动器
- 使用 RFID 驱动程序
- 使用Kolver EDU 2AE/TOP/E驱动程序
- 使用 USB 脚踏板驱动程序
- 使用 Torque 开放协议驱动程序
- 使用 Dymo M10 USB 电子称驱动程序
- 使用康耐视 In-Sight 驱动程序
- 使用 Telnet 驱动程序
- 使用通用 I/O 驱动程序
- 如何设置科尔弗扭矩控制器
- 使用 Insize 多通道卡尺驱动器
- 使用 Dymo S50 USB 电子称驱动程序
- 斑马 Android DataWedge 配置
- 将三丰数字卡尺与三丰 U 波驱动器配合使用
- Troubleshoot
- Nodo Rosso.
- 创建可重复使用的组件
- 使用应用程序接口
- 技术和信息技术文件
- 指南
- 图书馆
- 使用郁金香图书馆
- Laboratory Operation App Suite
- 图书馆藏书
- 图书馆应用程序
- 教科书上的例子
- 应用解决方案
- CMMS 应用程序包
- Zerokey solutions
- 成果的可见性
- 物品委託電子申告(eBR)申請書類一式
- 盈科 CAPA Lite
- 5 为何使用人工智能进行根源分析
- 利用人工智能进行简单的缺陷报告
- 业务案例生成器
- 轮班启动会议
- 看板应用程序套件
- 简单的 OEE 控制面板
- Arena BOM 解决方案
- 设备管理应用程序套件
- 简单核对表
- 清单管理套件
- 上柴应用程序套件
- 改善漏斗
- 考勤管理简单解决方案
- 上柴质量审计
- 包装与装运图书馆应用
- CAPA 管理
- 移动照相机应用程序
- OEE 计算器
- 每小时生产记分卡
- 材料反冲
- 质量事件仪表板
- 首次通过产量申请
- 采光
- 培训解决方案
- 数字系统库存
- 视觉定位跟踪
- 数字系统访问管理
- 材料管理
- 工具与资产经理
- 优质活动管理
- 带断光传感器的步进推进器
- 数字秒表
- 审核清单
- 卡塔纳企业资源规划应用程序
- 高级别基线评估
- 物料清单管理
- 安全事故经理
- 上柴卡管理
- 精益仪表板
- 5S 结果雷达(蜘蛛)图表小工具
- 5S 一览表
- 移动生产记分卡
- 移动设计模板
- 工艺工程(移动)
- 执行维护令
- 机器启动检查表示例
- 如何申请
- 可堆肥 MES
- 制药行业的 MES 系统
- 连接器和单元测试
- Planeus 单元测试
- COPA-DATA Connector
- 平面连接器
- Veeva 连接器
- Inkit 连接器
- MRPeasy 连接器
- Oracle 融合连接器
- LabVantage 连接器和单元测试
- 谷歌聊天连接器
- Salesforce 连接器
- Litmus 概览
- eMaint 连接器
- eLabNext 连接器
- Acumatica ERP 连接器
- CETEC 连接器
- PagerDuty 连接器
- NiceLabel 集成
- Aras 集成概述
- SDA 集成
- 尼米乐队单元测试
- 竞技场整合
- 条码扫描器单元测试
- 脚踏板单元测试
- 开始在 RealWear 头戴式耳机上使用郁金香
- 空气台连接器
- 希波连接器
- 调酒师集成
- SAP S/4 HANA 云连接器
- RFID 扫描仪单元测试
- Jira 连接器
- 斑马标签打印机单元测试
- 谷歌翻译连接器
- MSFT Power Automate
- OpenAI 连接器
- 谷歌日历连接器
- 郁金香应用程序接口单元测试
- Duro PLM 单元测试
- HiveMQ 单元测试
- 与 NetSuite 集成
- 康耐视单元测试
- PowerBI 桌面集成
- ProGlove 单元测试
- Fivetran 集成
- ParticleIO 集成
- Google Drive 连接器
- 雪花连接器
- SAP SuccessFactors 连接器
- ZeroKey Integration
- 谷歌地理编码连接器
- 谷歌工作表连接器
- 如何将 Tulip 与 Slack 整合
- HighByte 智能枢纽单元测试
- LandingAI 单元测试
- LIFX 单元测试(无线灯)
- 微软日历连接器
- M365 Dynamics F&O 连接器
- Microsoft Outlook 连接器
- Microsoft Teams 连接器
- 使用 Oauth2 将 Microsoft Graph API 连接到 Tulip
- Microsoft Excel 连接器
- 网宿应用程序和连接器
- OpenBOM 连接器
- 称重秤单元测试
- InfluxDB 连接器
- Augury 连接器
- 连接器
- 舍弗勒 Optime 连接器
- MongoDB Atlas 连接器
- MaintainX 连接器
- Twilio 连接器
- SendGrid 连接器
- 安慰连接器
- 如何为 RealWear 头戴式耳机设计郁金香应用程序
- OnShape 连接器
- 可定制的小部件
- Job Planning/Scheduling Board
- 时间轴小工具
- json 树查看器小工具
- 看板任务管理小工具
- 徽章小工具
- 高级计时器小工具
- 分段按钮自定义小工具
- 动态仪表自定义小工具
- 小吃店小部件
- 变化探测器单元测试
- 状态颜色指示器 设备测试
- 输入长度检查单元测试
- 计算器自定义部件单元测试
- 图像注释小工具单元测试
- 精益仪表板小工具
- Looper 单元测试
- 秒表单元测试
- 数字输入单元测试
- 数字键盘单元测试
- 径向测量仪
- 菜单单元测试步骤
- SVG 小工具
- 文本输入单元测试
- 工具提示单元测试
- 作业指导 照顾要点 单元测试
- 书面电子签名小工具单元测试
- ZPL 查看器单元测试
- 简单折线图小工具
- 货架自定义小工具
- 滑块小工具
- NFPA 钻石定制小工具
- 通过 - 失败 自定义小工具
- 简单计时器自定义小工具
- Nymi Presence集成小工具
- 自动化
使用 Lookout for Vision 进行缺陷检测
利用 Tulip Vision 和 AWS Lookout for Vision 实施自动缺陷视觉检测
视觉检测是保持生产质量的关键环节,但很难在保持精益的同时实施,因为专门的人力检测资源成本很高。人工视觉检测也是一项高成本的操作;它非常重复,而且在视觉上具有挑战性。
利用摄像头和机器学习进行自动视觉检测则完全改变了这一情况。基于机器学习的视觉检测算法已经发展到在时间和准确性上都超越人工的地步。
使用 Tulip,您可以将Vision摄像头输出连接到一流的视觉异常检测云服务,从而实现自动视觉检测。亚马逊的 Lookout for Vision 就是这样一种服务,它通过简单的 REST API 端点提供强大的算法,可以轻松集成到 Tulip 中。
在本文中,我们将向您展示如何在 AWS 上使用 Cloud Formation 以及在 Tulip 中使用预捆绑的 Library App 快速设置。有关此过程的实时教程,请参阅以下视频。
前提条件
在开始此过程之前,请确保您拥有以下可用资源:
- 连接到 Tulip Player PC 的 USB 摄像头(请参阅Tulip Vision 硬件推荐指南
- 所连接摄像头的 Tulip Vision 摄像头配置,以及经过验证的工作视频流(参见视觉入门指南
- 在 Tulip 表中收集的带有正常异常注释的数据(参见数据收集应用程序)
- 允许用户创建 Lookout for Vision 和 API Gateway 等资源的 AWS 账户(请参阅亚马逊提供的入门指南)
Currently, Lookout for Vision is only available in specific AWS regions.
在 AWS 控制台中设置 Lookout for Vision
为协助在 AWS 控制台上设置所需的云基础设施,我们提供了一个云组建模板(下载)。CFT 是一个简短的脚本,用于在 AWS 云上提供使用 Tulip 从 Lookout for Vision (LfV) 训练和运行检测模型所需的一切。它将创建一个 LfV 项目、一些用于激活 LfV 模型的 AWS Lambda 函数和一个用于与这些函数通信的 AWS API Gateway。Tulip 将调用 AWS API Gateway 端点,从而在 Tulip Apps(视觉检测在此完成)内运行对 LfV 模型的命令。
- 下载CFT。
- 进入 AWS 控制台的云组建。
- 创建堆栈并上传 CFT 文件。
- 运行 CloudFormation 堆栈创建脚本。
- 注意输出结果。
- 记下 apiGatewayInvokeURL 的值,或以其他方式记下,因为我们很快将再次使用它来设置连接器功能。
现在,AWS 已由 Cloud Formation 提供,我们可以继续使用 Lookout for Vision 训练视觉机器学习模型。为此,我们必须有一个带注释的图像数据集。虽然您可以手动创建数据集,但我们提供了一种简便的方法,使用我们的数据收集应用程序 [链接],用 Tulip 收集数据。数据存储在 Tulip 表中,并可从中轻松导出。在接下来的几个步骤中,我们将假设数据集是在 Tulip 中收集的。
- 从 Tulip 表中导出数据集。
- 将数据集上传到 Lookout for Vision 创建的 S3 bucked。
- 在 Lookout for Vision 上创建数据集,并选择 S3 存储桶作为源。
确保选择自动附加标签:
现在数据集已在 Lookout for Vision 中准备就绪,我们可以训练模型了。这个过程大约需要 45 分钟,在 AWS 控制台上很容易完成。
- 点击训练模型。
- 查看训练状态。
- 查看训练结果。
一旦模型完成训练,我们就不需要在 AWS 方面再做什么了。云窗体已经为我们建立了所有连接,我们就可以将 Tulip 连接到 Lookout for Vision 了。
设置 Tulip 以调用 Lookout for Vision 模型
Tulip 通过 API 与外部服务集成的能力很强,因此很容易与 AWS Lookout for Vision 集成。我们将使用上一节中的 REST API 端点,通过 Tulip Connector Functions 控制 LfV 模型。不过,我们不会从头开始创建函数,而是在我们的 "使用 Lookout for Vision 进行缺陷检测 "库应用程序中提供预构建的函数。这将为您节省大量时间,并确保正确构建连接器。不过,首先,我们需要用您特定 AWS 账户中的正确数据填充连接器函数。
- 在 Tulip 中找到连接器函数。
- 为连接器设置来自 AWS 的正确端点 URL,这是之前从 Cloud Formation 复制的:
- 为每个功能设置 AWS 的 API KEY。
确保对所有 4 个功能都这样做。
在郁金香应用程序中使用 Lookout for Vision
在库中提供的缺陷检测应用程序中,我们为运行视觉检测设置了一个非常基本的流程。您可以根据自己的需要修改该应用程序或将其部分内容复制到其他应用程序中。要使用该应用,你需要做一些小的修改,以便与你特定的 Tulip Vision 设置配合使用。你需要将捕捉触发器指向 Vision 摄像头配置,以及用于视觉反馈的摄像头预览部件。
- 用正确的摄像头配置设置 Tulip App 摄像头小部件。
- 使用正确的摄像头配置设置 "检测异常 "触发器。
现在一切就绪,可以在 Tulip 上运行模型了。在模型可用于推理(评估图像)之前,它需要 "托管",这意味着它将占用一些云计算资源,如云虚拟机,以便为您的应用程序提供模型。我们在提供的 Tulip 应用程序上创建了按钮来实现这一点。
Once the model is "Hosted" it is consuming resources that have a cost attached to them. Remember to turn off your models whey they are not in use, or you are risking spending money for no return. AWS LfV pricing can be learned about in here. Keep in mind AWS also offer a Free Tier for LfV. Tulip is not responsible for resources hosted privately on AWS, but you are welcome to contact us with inquiries.
继续在连接了检测相机的播放器 PC 上运行缺陷检测应用程序。在运行的应用程序上执行以下步骤:
- 打开模型("托管")。
Once you start the model it will begin incurring costs. Remember to turn it off.
- 检查模型托管状态。
查找 "已托管 "状态。如果状态不是 "已托管",模型将不接受查询。
- 在模型上运行推理请求。
模型现在应该可以预测对象是缺陷还是正常部件。我们添加了一些按钮来反馈检测准确性,以防模型预测错误。这些按钮将为郁金香表和数据集添加更多数据。通过向模型提供更多的样本图像,定期对模型进行再训练,以提高模型的鲁棒性。
结论
我们已经了解了在 Tulip 上开始使用基于机器学习的自动视觉检测的简单流程。这个过程可以节省人工视觉检测的资源。应用此流程还能为您提供一个可视化数据集,其中包含了产品中出现的所有缺陷,您可以将其用于检测以外的其他用途。
利用 Tulip 的连接功能,您可以轻松地应用和实施机器学习。选择使用其他云 ML 服务的方式也非常类似。