공구 이미지에서 여유면 마모량(VBmean·VBmax)을 딥러닝으로 자동 계측합니다. 공구를 빼지 않고 마모를 숫자로 관리해 공구 수명을 예측합니다.
공구 이미지에서 평균 여유면 마모(VBmean)와 최대 여유면 마모(VBmax)를 자동으로 계측합니다.
가공 중 기상 카메라 이미지로 측정하므로 공구를 빼서 측정 현미경으로 옮길 필요가 없습니다.
딥러닝 모델이 같은 기준으로 계측해 작업자에 따른 측정 오차를 줄이고 결과를 일관되게 유지합니다.
측정값이 자동 저장되고 공구별 마모 추이를 보여 주어, 교체 시점과 공구 수명을 미리 판단할 수 있습니다.
기상계측 카메라 모듈 또는 사용자가 입력한 이미지로 공구 날의 여유면을 촬영합니다.
카메라 시스템이 엣지 서버를 거쳐 메인 서버의 AI 모델로 이미지를 보내고, 사용자 PC에서 계측을 요청하고 결과를 받습니다.
날마다 최대 여유면 마모(VBmax)를 표시하고, 측정 시각별 값과 평균을 표로 기록합니다.
AiTWM은 협력사 에임즈(AIMS)의 AI 기반 절삭공구 마모량 계측 솔루션입니다. 상태를 '좋다/나쁘다'로 나누는 데서 그치지 않고, 공구 날의 여유면 마모를 평균값(VBmean)과 최댓값(VBmax)으로 계측해 숫자로 보여 줍니다.
측정값은 공구별로 자동 저장되어 마모가 얼마나 빠르게 진행되는지 추이로 확인할 수 있습니다. 이 데이터를 바탕으로 공구 교체 시점과 수명을 예측하고, 가공 조건을 바꿨을 때 마모가 어떻게 달라지는지도 비교할 수 있습니다.
| AiTCD공구 상태진단자세히 보기 → | AiTWM공구 마모량 계측지금 보는 제품 | |
|---|---|---|
| 알려 주는 것 | 공구가 어떤 상태인지 (등급 판정) | 마모가 얼마나 진행됐는지 (수치 계측) |
| 결과 형태 | 새 공구(New) / 정상 마모(Worn) / 파손(Breakage) | 평균 여유면 마모 VBmean, 최대 여유면 마모 VBmax (mm) |
| 판단 근거 | 공구 이미지 + 센서 신호 데이터로 학습한 딥러닝 모델 | 공구 이미지로 학습한 딥러닝 예측 모델 |
| 이럴 때 | 파손 공구를 놓치지 않고, 교체 시점을 판단할 때 | 공구 수명 관리, 마모 추이 분석, 가공 조건 비교 |
| 계측 항목 | 평균 여유면 마모(VBmean), 최대 여유면 마모(VBmax) |
|---|---|
| 계측 방식 | 이미지 기반 딥러닝 예측 모델 |
| 진행 단계 | ① 실시간 공구 이미지 획득 → ② 사전 학습된 딥러닝 모델 계측 → ③ 공구 마모량 계측 |
| 이미지 입력 | On-Machine Vision System 카메라 모듈 또는 사용자 이미지 입력 |
| 데이터 관리 | 측정값 자동 저장, 공구별 마모 추이 시각화 |
| 연동 | On-Machine Vision System, 로봇, 각종 센서 |
| 시스템 구성 | 카메라 시스템 → 엣지 서버 → 메인 서버(AI 모델) ↔ 사용자 PC |
| 통신 | 영상·이미지 TCP/UDP 전송, Flask API로 계측 요청·결과 수신 |
| 상세 사양 | 계측 범위·분해능은 공구와 광학 구성에 따라 협의 (문의) |
※ 사양은 제조사 사정에 따라 예고 없이 변경될 수 있습니다. 상세 사양은 브로셔를 참고하거나 문의해 주세요.
시료를 보내주시거나 방문하시면 직접 비교 시연해 드립니다.