在物体识别、分类和质量控制等复杂的自动化流程中，传统的、基于规则的图像处理系统很快就会达到极限–尤其是当部件变化很大或出现各种形状的缺陷时。注塑过程中的质量检测就是一个典型的例子：在这里，表面缺陷、空气夹杂物或烧痕可能以不规则的形状和形式出现。
这正是人工智能大显身手的地方。通过使用人工智能分类，即使是复杂的检测任务也能高效、精确地解决。卷积神经网络（CNN）用于分析图像、识别特征并自动将对象归入特定类别。该系统可独立学习如何区分不同的特征属性，从而应对传统方法几乎无法处理的各种变体和错误类型。
通过wenglor uniVision 3 机器视觉软件的ONNX 模块，现有的人工智能模型可直接在功能强大的 wenglor 硬件（如B60 系列智能相机或 MVC 系列 机器视觉控制器）上执行。这样，基于规则的模块和基于人工智能的模块就可以灵活地结合在一起，同时还可以使用成熟的工业接口。结果就是：以最小的集成工作量实现最大的灵活性。
作为一个综合图像处理平台，uniVision 3提供了所有预处理工具，如滤波器功能、图层跟踪或区域定义。这些标准模块可与人工智能分类无缝连接，轻松掌握要求苛刻的应用。例如，一旦使用图层跟踪捕捉到一个部件，就可以直接对其进行测量、校准或进一步处理，而无需离开熟悉的工作流程。
分析成功后，uniVision 3 可通过TCP/IP、PROFINET、EtherNet/IP或EtherCAT 等常用接口进行数据交换。此外，还提供用于机器人视觉和机器人引导焊接的特殊接口，可用于机器人辅助应用。
其优势显而易见：使用第三方软件创建的 ONNX 模型可直接集成到 uniVision 推断系统中，并在 wenglor 设备上运行，无需额外的硬件投入。无需进行耗时的数据准备–集成快速、简单且可扩展。
借助 ONNX 模块，uniVision 3 提供了一个功能强大、面向未来的解决方案，可将人工智能无缝集成到工业图像处理流程中，从而最大限度地提高工厂自动化的精度、效率和灵活性。
职位名称