Cognex మరింత factory vision పనిని edge-కు తరలిస్తోంది
స్వయంచాలక తనిఖీలో చాలాకాలంగా ఉన్న ఒక సమతుల్యత సమస్యను పరిష్కరించేందుకు రూపొందించిన కొత్త industrial vision productను Cognex ప్రారంభించింది: లోతైన విశ్లేషణ మరియు వేగవంతమైన production lines మధ్య ఉన్న tradeoff. 2026 మే 9న ప్రకటించిన కంపెనీ యొక్క In-Sight 3900 Vision System, embedded AI, rule-based vision tools, మరియు high-performance edge computeను real-time factory inspection కోసం రూపొందించిన ఒకే ప్యాకేజీలో కలుపుతుంది.
Cognex మరియు The Robot Report నివేదిక ప్రకారం, కొత్త system edge వద్దనే speed, accuracy, మరియు high resolutionను అందించేందుకు రూపొందించబడింది, తద్వారా manufacturers throughputను త్యాగం చేయకుండా మరింత డిమాండింగ్ inspections నడపగలరు. ఇది ముఖ్యమైన స్థానం, ఎందుకంటే inspection industrial AIలో అత్యంత కీలకమైన అనువర్తనాల్లో ఒకటిగా మారింది. తయారీదారులు ఇప్పుడు production linesను పూర్తి వేగంతో నడుపుతూ defectsను గుర్తించడం, labelsను ధృవీకరించడం, codesను చదవడం, మరియు assembly qualityను నిర్ధారించడం అవసరం పడుతోంది.
సవాలు ఏమిటంటే, మరింత advanced inspection తరచుగా computational overheadను తీసుకువస్తుంది. అధిక image resolution, మరింత సంక్లిష్ట models, మరియు విస్తృత inspection criteria analysisను మందగించించవచ్చు లేదా line speedలో సమరస్యాలు చేయాల్సి రావచ్చు. In-Sight 3900తో Cognex ఆ bottleneckను నేరుగా లక్ష్యంగా పెట్టుకుంది, మరియు ఇది గత తరం Cognex vision systemsతో పోలిస్తే నాలుగు రెట్లు వేగంగా inspections నిర్వహించగలదని అంటోంది.
Machine vision కోసం కొత్త hardware మరియు AI stack
In-Sight 3900, Cognex యొక్క కొత్త తరం embedded AI vision technologyపై నిర్మించబడింది మరియు Qualcomm Dragonwing platforms ద్వారా శక్తి పొందుతోంది. ప్రాక్టికల్గా, ఈ కలయిక industrial AI architectureలో ఒక విస్తృత మార్పును సూచిస్తుంది. ప్రధానంగా centralized compute లేదా సింపుల్ legacy toolsపై ఆధారపడటానికి బదులుగా, మరింత inspection workloads compact, purpose-built edge systemsల్లోకి తరలిస్తున్నాయి, ఇవి real timeలో deterministic decisions తీసుకోగలవు.
Cognex ప్రకారం, ఈ platform మూడు capability layersను కలుపుతుంది: edge AI, advanced AI, మరియు rule-based vision tools. industrial environmentsలో ఈ hybrid approach ముఖ్యమైనది, ఎందుకంటే explainability, repeatability, మరియు precise thresholds ఇంకా ప్రాముఖ్యాన్ని కలిగి ఉంటాయి. పూర్తిగా model-driven systems శక్తివంతంగా ఉండొచ్చు, కానీ అనేక factoriesకు learned perception మరియు engineered logic మిశ్రమం అవసరం. రెండింటినీ మద్దతు చేసే productను regulated లేదా quality-sensitive workflowsలో అమలు చేయడం సులభంగా ఉండవచ్చు.
ఈ system 25 megapixels వరకు image resolutionsను support చేస్తుందని కూడా కంపెనీ చెబుతోంది. ఇది field of viewను విస్తరించి, ఒకే acquisitionలో మరింత సూక్ష్మమైన measurement మరియు defect detectionకు అవకాశం ఇస్తుంది. తయారీ వాతావరణాల్లో, ఇది coverage మరియు detail మధ్య సమరస్యాలను తగ్గించవచ్చు. ఒక taskను అనేక capturesగా విభజించకుండా లేదా తక్కువ fidelityను అంగీకరించకుండా, operators ఒకే సారిగా product surfaceలో మరింత భాగాన్ని inspect చేయగలరు.
