Kwaliteit Sick Laser Sensor & IFM-druksensor fabriek uit China

kwaliteit Sick Laser Sensor & IFM-druksensor fabriek

.gtr-container-k7p2q9 { font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif; color: #333; line-height: 1.6; padding: 15px; box-sizing: border-box; max-width: 100%; overflow-x: hidden; } .gtr-container-k7p2q9 p { font-size: 14px; margin-bottom: 1em; text-align: left !important; } .gtr-container-k7p2q9 .gtr-section { margin-bottom: 2em; } .gtr-container-k7p2q9 .gtr-heading-main { font-size: 18px; font-weight: bold; color: #0000FF; margin-top: 2em; margin-bottom: 1em; text-align: left; } .gtr-container-k7p2q9 .gtr-heading-sub { font-size: 16px; font-weight: bold; color: #333; margin-top: 1.5em; margin-bottom: 0.8em; text-align: left; } .gtr-container-k7p2q9 ul { padding-left: 20px; margin-bottom: 1em; } .gtr-container-k7p2q9 ul li { list-style: none !important; position: relative; margin-bottom: 0.5em; padding-left: 15px; font-size: 14px; text-align: left; } .gtr-container-k7p2q9 ul li::before { content: "•" !important; position: absolute !important; left: 0 !important; color: #0000FF; font-size: 1.2em; line-height: 1; } .gtr-container-k7p2q9 ol { counter-reset: list-item; padding-left: 20px; margin-bottom: 1em; } .gtr-container-k7p2q9 ol li { list-style: none !important; position: relative; margin-bottom: 0.5em; padding-left: 25px; display: list-item; font-size: 14px; text-align: left; } .gtr-container-k7p2q9 ol li::before { content: counter(list-item) "." !important; position: absolute !important; left: 0 !important; font-weight: bold; color: #0000FF; text-align: right; width: 20px; } .gtr-container-k7p2q9 .gtr-image-wrapper { margin-top: 1.5em; margin-bottom: 1.5em; } .gtr-container-k7p2q9 img { vertical-align: middle; } @media (min-width: 768px) { .gtr-container-k7p2q9 { padding: 25px; max-width: 960px; margin: 0 auto; } } I. Een verleidelijke vraag Kort na de lancering van GPT-4V begin 2023 kregen we een telefoontje van een klant. Hij was technisch directeur van een fabrikant van huishoudelijke apparaten.die sindsdien stabiel had gewerkt.. Hij stelde via de telefoon een aanlokkelijke vraag: Ik heb gezien dat GPT-4V alle soorten afbeeldingen kan interpreteren en bijna alles kan herkennen. Ik hield toen een eenvoudig antwoord achter. Om eerlijk te zijn, waren we zelf even gefascineerd door het idee. De demo's van multimodale grote modellen zijn onmiskenbaar indrukwekkend.Geen opleiding of etikettering vereist; het levert nul-shot prestaties uit de doos. Als deze mogelijkheid naadloos zou worden toegepast op fabrieken, zou het hele regelboek voor industriële visuele inspectie herschreven worden. We testten bijna twee jaar diverse multimodale grote modeloplossingen in meerdere projecten. Onze conclusie is duidelijk: hoe verleidelijk de technologie ook mag lijken, de echte industriële toepassing kent harde beperkingen. Dit artikel beschrijft alle valkuilen die we in deze twee jaar tegenkwamen. II. Het huidige landschap vaststellen: YOLO is de de facto standaard geworden Voordat we ingaan op grote multimodale modellen, is het van cruciaal belang om de basislijn van de sector te bepalen: De dominante oplossing voor de huidige industriële visuele inspectie is gebaseerd op objectdetectie- en segmentatiemodellen zoals die van de YOLO-serie. Dit is nauwelijks een nieuwe trend. Beginnend met YOLOv3 en door de veelgebruikte YOLOv8, YOLOv9 en YOLOv10 is de YOLO-familie al jaren in industriële productielijnen geïmplementeerd.met een volledig volwassen technische stack. Waarom is YOLO de feitelijke standaard geworden? Ten eerste, ultra-snelle inferentie snelheid. YOLOv8 is uitgerust met standaard edge-computingboxen die zijn gekoppeld aan industriële camera's en voltooit de inferentie voor één frame binnen 10 tot 30 milliseconden, wat overeenkomt met de takttijd van de meeste productielijnen. Ten tweede, voldoende detectie nauwkeurigheid. Met voldoende gemerkte datasets bereikt de YOLO-serie een uitstekende nauwkeurigheid voor veel voorkomende defectcategorieën en bereikt ze gemakkelijk een mAP van meer dan 90%. Ten derde, een rijp inzet-ecosysteem. Klaargemaakte toolchains ondersteunen meerdere implementatiekaders, waaronder ONNX, TensorRT en OpenVINO.De volledige workflow van modelopleiding tot inzet ter plaatse is gevalideerd door talloze industriële projecten. Ten vierde, een uitgebreid open source ecosysteem. De actieve open-source-community biedt toegankelijke oplossingen voor de meeste technische hindernissen, met overvloedige vooraf opgeleide gewichten, datavergrotingskits en etiketteringstools die gemakkelijk beschikbaar zijn. Daarom is de YOLO-serie praktisch de standaardkeuze voor industriële visuele inspectieprojecten die in 2024 worden gelanceerd. Het is niet nodig te discussiëren over de vraag of diepgaand leren moet worden overgenomen die vraag is al tien jaar geleden opgelost. De nieuwe kernvraag is nu: blijft YOLO met de opkomst van multimodale grote modellen nog steeds de optimale oplossing? III. De aantrekkingskracht van multimodale grote modellen: een veelbelovende luchtspiegel In 2023 is er een explosieve golf van multimodale grote modellen uitgebracht. Modellen zoals GPT-4V, Gemini en Claude 3 leveren krachtige algemene beeldbegrip. We hebben deze modellen getest, en eerlijk gezegd zijn hun demo prestaties echt indrukwekkend: Aantrekkelijkheid 1: Zero-Shot-capaciteit Traditionele werkvloei: om een specifiek type defect te inspecteren, moet je eerst afbeeldingen van dat defect verzamelen, labelen en trainen. Multimodale grote modellen: Beschrijf eenvoudig uw vraag in natuurlijke taal, zoals "Kijk of er schrammen in deze afbeelding zijn", en het model zal onmiddellijk resultaten geven.Geen opleiding of etikettering vereist. De kosten voor een koude start dalen tot bijna nul. Bij de lancering van nieuwe producten is het niet nodig om twee weken te besteden aan het verzamelen van gegevens, de etikettering en de opleiding van modellen. Aantrekkelijkheid 2: Geavanceerd semantisch begrip Traditionele modellen geven alleen afmetingsvakken en betrouwbaarheidsscores op, bijvoorbeeld: "Er bestaat een defect in dit vak met een betrouwbaarheid van 0,87". Multimodele grote modellen genereren een beschrijvende natuurlijke taal: in de linkerbovenhoek van de afbeelding verschijnt een schram van ongeveer 2 cm, waarschijnlijk gevormd tijdens het transport.Het wordt aanbevolen het verpakkingsproces te optimaliseren.. " Dit betekent dat de resultaten van de inspectie rechtstreeks kunnen worden omgezet in formele kwaliteitsinspectieverslagen. Aantrekkelijkheid 3: Krachtige generalisatievermogen Traditionele modellen kunnen alleen defecten herkennen die tijdens de opleiding zijn waargenomen; ze kunnen geen gloednieuwe onzichtbare defecten identificeren. In theorie hebben multimodale grote modellen enorme afbeeldingen van internet verwerkt, waardoor ze mogelijk allerlei zeldzame en onregelmatige defecten kunnen herkennen. Wat betekent dit? De dekking voor lange staartdefecten en abnormale randgevallen is drastisch verbeterd. Allure 4: Interactieve inspectielogica De traditionele oplossingen bevatten vaste inspectieregels in het model, maar de herziening van de inspectiecriteria vereist volledige heropleiding. Multimodale grote modellen ondersteunen dynamische aanpassing van de normen via oproepen.5 cm" de volgende zonder het onderliggende model te wijzigen. Wat betekent dit? - Standaarden voor de afstemming van inspecties worden uiterst flexibel. Daarom hebben wij besloten om multimodale grote modellen in verschillende werkelijke projecten in te zetten.alleen om daarna een reeks kostbare valkuilen op te lopen. VI. Zes kostbare valkuilen bij praktische inzet Trap 1: Overmatige inferentie-latentie ongeschikt voor productielijnen Ons proefproject richtte zich op het inspecteren van het uiterlijk van mobiele telefoonbehuizingen. De productielijn verwerkt om de 3 seconden één werkstuk, wat betekent dat de totale inspectielatentie onder de 2 seconden moet blijven om 1 seconde te reserveren voor robot-sortering. We hebben de GPT-4V API workflow getest: Upload de afbeelding en voer de prompt in Wacht tot de server reageert Ontvang de resultaten van de inspectie De gemiddelde latentie bedroeg 4 ¢6 seconden en kon 10 seconden overschrijden te midden van netwerkschommelingen ¢ veel te langzaam voor de assemblagelijn. Je zou zelf gehoste open source multimodale modellen zoals LLaVA en Qwen-VL kunnen voorstellen.Het uitvoeren van LLaVA-13B op een A100 GPU levert een afleidingslatentie op van ongeveer 800 ms tot 1.2 seconden. Hoewel het sneller is dan cloud-API's, blijft het tientallen malen langzamer dan YOLO. Valstrik 2: Verhoogde doorvoer- en rekenkosten Zelfs als we de latentie tolereren omwille van de discussie, vertelt de kostenberekening een hard verhaal. Hoeveel beelden verwerkt een productielijn per dag? Veronderstelt men dat een werkstuk elke 3 seconden en 20 uur dagelijks wordt gebruikt, dan genereert één lijn ongeveer 24.000 inspectiebeelden per dag. Voor de GPT-4V API varieerde de prijs per eenheid van $0,01 tot $0,03 per afbeelding, afhankelijk van resolutie en tokenverbruik: Dagelijkse kosten per lijn: $240$720 Maandelijkse kosten per lijn: $7.200$21.600 Jaarlijkse kosten per lijn: $86.400$259,200 Dit komt neer op slechts één lijn, terwijl onze klant 12 productielijnen exploiteerde. Een onbetaalbare uitgave voor fabrikanten. Wat met zelf gehoste open source modellen? Een enkele A100 GPU levert ongeveer 1 ¢ 2 QPS (queries per second). Echter, rekening houdend met servers, IDC-ruimte en onderhoud, bedragen de jaarlijkse bedrijfskosten voor een A100-implementatie honderden duizenden yuan. Een YOLO-implementatie daarentegen vereist slechts een edge computing box die enkele duizenden RMB kost om één volledige productielijn te ondersteunen. De kostenverschillen zijn twee ordes groot. Valkuil 3: Onstabiele, probabilistische uitgangen Incoherente resultaten voor identieke beelden Dit bleek onze meest frustrerende wegversperring. De industriële inspectie vereist absoluut determinisme: identieke beelden moeten telkens dezelfde inspectieresultaten opleveren.anders wordt gestandaardiseerde kwaliteitscontrole en traceerbaarheid onmogelijk. Multimodale grote modellen produceren echter probabilistische uitkomsten. We voerden een gecontroleerde test uit: we voerden hetzelfde gebrekkige beeld met dezelfde prompt naar GPT-4V tien keer. 7 opdrachten met het etiket "defect" 2 runs gemarkeerd het vermoedelijk defect vereist handmatig onderzoek 1 uitvoering beweerde geen duidelijke gebreken te hebben Alles van dezelfde input en prompt. Een dergelijke willekeurigheid is fataal voor de kwaliteitscontrole in de fabriek. Sommige voorstellen om de temperatuur op 0 te stellen voor de consistentie.Grote modellen genereren resultaten via bemonsteringsmechanismen, en kleine afwijkingen blijven bestaan voor randgevallen zelfs bij temperatuur = 0. Valkuil 4: Fragiel snel ontwerp De prestaties van multimodale modellen zijn volledig afhankelijk van snel ontwerp, dat we uitgebreid hebben geoptimaliseerd om de nauwkeurigheid en stabiliteit te verhogen. We ontdekten al snel dat prompts extreem gevoelig zijn voor veranderingen in de bewoordingen. Drie oproepen met bijna identieke kernverzoeken leverden zeer verschillende inspectieresultaten: Opdracht A: "Kijk of er oppervlaktefouten in deze afbeelding zijn". Opdracht B: "De oppervlakte van het product zorgvuldig onderzoeken en schrammen, gaten, vreemde stoffen en andere gebreken identificeren". Opdracht C: Doe als een professionele kwaliteitsinspecteur. Erger nog, voor product A afgestemde prompts verliezen hun werkzaamheid wanneer ze op product B worden toegepast, waardoor de promptlogic voor elke nieuwe productvariant volledig opnieuw moet worden uitgewerkt. Hoe verschilt dit van de omscholing van YOLO-modellen voor nieuwe producten? YOLO-training is gebaseerd op kwantificeerbare evaluatiemetrics om duidelijk aan te geven wanneer het model aan de normen voldoet; snelle afstemming is volledig afhankelijk van subjectieve trial and error,zonder duidelijke benchmark voor optimale prestaties. Valkuil 5: Hallucinaties Hallucinaties zijn een goed gedocumenteerde fout van grote taal- en multimodale modellen: het systeem verzint zelfverzekerd details die niet bestaan. In de industriële inspectie komt dit tot uiting in drie typische storingen: Het markeren van defectvrije producten als defect Verkeerde positie van defect (bijv. het vinden van schrammen aan de linkerkant wanneer deze aan de rechterkant verschijnen) Misclassificatie van gebreksoorten (bijv. het etiketteren van putten als schrammen) Een voorbeeld van de ernst hiervan is een volledig onberispelijk productbeeld dat tot een zeer gedetailleerde gefabriceerde analyse leidde:In de rechter onderste hoek wordt een ondiepe schram van ongeveer 3 mm lang gedetecteerd, wordt een functionele effectbeoordeling aanbevolen". Bij nauwkeurige visuele inspectie was er helemaal geen litteken of schram aanwezig in dat gebied. Als zulke hallucinaties de massaproductie infiltreren, volgen er ernstige gevolgen:of de defecte goederen onopgemerkt doorlopen (gebroken inspectie) of de gekwalificeerde producten ten onrechte worden afgewezen (valse afwijzing). Valkuil 6: Hoge hulpbronnehindernissen voor particuliere inzet op het terrein Aangezien cloud-API's te lijden hebben onder hoge latentie en te hoge kosten, lijkt zelf gehoste implementatie een alternatief. Wat dacht je van YOLO? YOLOv8-m draait soepel, zelfs op een GTX 1080 met 8GB VRAM. Het kan zelfs worden ingezet op edge computing hardware zoals NVIDIA Jetson-modules met een stroomverbruik van slechts tientallen watts. De drempel van de rekenkracht verschilt met een hele orde van grootte. Voor de meeste fabrieken is de installatie van een A100-server op de productievloer onpraktisch in termen van zowel kapitaaluitgaven als dagelijkse exploitatie en onderhoud. V. Terug naar de eerste beginselen: Wat vereist de industriële visuele inspectie precies? Na al de bovenstaande valkuilen te hebben doorlopen, hebben we een stapje terug gedaan om na te denken over een fundamentele vraag: Welke kernvaardigheden zijn voornamelijk vereist voor industriële visuele inspectie? Deterministische uitkomstIdentieke afbeeldingen moeten 100% consistente resultaten opleveren, wat de basis vormt voor gestandaardiseerde kwaliteitscontrole en volledige traceerbaarheid; probabilistische uitkomsten zijn onaanvaardbaar. Ultra-lage latentieDe reactie op millisecondeniveau. De tijd van de productielijn is stijf en de inspectie mag geen knelpunt worden. Een inferentietijd van 10 ms en een inferentietijd van 1000 ms vertegenwoordigen totaal verschillende operationele realiteiten. Hoge doorvoerHoeveel frames kunnen per seconde worden verwerkt en hoeveel werkstukken per dag worden geïnspecteerd? De berekeningskosten moeten onder controle blijven en de jaarlijkse uitgaven van honderdduizenden Amerikaanse dollar voor een enkele productielijn moeten worden vermeden. Compatibiliteit met Edge-implementatieFabrieksnetwerkomgevingen zijn complex; veel werkplaatsen hebben geen stabiele of toegankelijke internetverbindingen. Modellen moeten lokaal werken op edge-apparaten in plaats van op cloud-API's te vertrouwen. Interpreteerbare inspectieresultatenWanneer een defect wordt ontdekt, moet het systeem de inspecteurs duidelijk informeren over de exacte locatie en categorie van de defect. Idealiter moet het defectcoördinaten, oppervlakte- en betrouwbaarheidscores voor de integratie van het systeem naar beneden produceren. Beheersbare onderhoudskostenProducten worden regelmatig verbeterd en inspectienormen worden herzien. De aanpassingskosten voor elke iteratie moeten beheersbaar zijn, zonder elke keer volledig te reconstrueren. Een vergelijking van deze zes kernvereisten met de twee technische routes laat een duidelijk contrast zien: De YOLO-serie voldoet perfect aan alle zes criteria. Determinisme: 100% consistente uitgangen met dezelfde input Laag latentie: 10-30 milliseconden inferentie Hoge doorvoer: tientallen tot meer dan honderd QPS per enkele GPU Edge-implementabel: Volledig compatibel met Jetson hardware en industriële pc's Interpreteerbare uitgangen: grensvakken, defectcategorieën en betrouwbaarheidswaarden Laag onderhoudsbedrag: Volwassen gereedschapsketen voor incrementele opleiding en overdrachtsleer Multimodal Grote modellen niet bijna alle vereisten Determinisme: inherent probabilistische output Latentiebeperking: inferentie op tweede schaal Doorvoerlimiet: enkelvoudige GPU ondersteunt enkelvoudige QPS Edge-implementatiebelemmering: vereist high-end GPU's van de klasse A100 Interpreteerbaarheidskloof: Raw natuurlijke taal beschrijvingen vereisen secundaire parsing Onvoorspelbaar onderhoud: prompt engineering ontbreekt aan kwantificeerbare optimalisatiestandaarden De conclusie is ondubbelzinnig: In het huidige stadium van technische volwassenheid zijn multimodale grote modellen niet geschikt als primaire oplossing voor industriële visuele inspectie. De sterke punten, zoals het 'zero-shot' redeneren, het diepgaande semantische begrip en de sterke generalisatie, leveren weinig praktische waarde op productielijnen; ondertussen zijn de kritieke tekortkomingen:de hoge kosten en de onstabiele productie zijn catastrofaal voor de industriële kwaliteitscontrole. VI. Niet vervangen, maar aanvullen Dit betekent niet dat multimodale grote modellen volledig nutteloos zijn voor industriële visuele inspectie. De sleutel ligt in het identificeren van hun juiste niche. Na twee jaar veldtests hebben wij vier scenario's samengevat waarin multimodale grote modellen tastbare waarde creëren: Scenario 1: Aanvullende geautomatiseerde gegevensannotatie Annotatie vormt de grootste kostendrijver van traditionele inspectieprojecten. Een industriële visie taak vereist meestal duizenden tot tienduizenden geannoteerde afbeeldingen.met de kosten voor etikettering voor 30%~50% van de totale investering van het project. Multimodale grote modellen bieden de mogelijkheid om vooraf te labelen: Het model genereert eerst voorafgaande annotatie-maskers en dozen uit ruwe afbeeldingen. Onze veldtests tonen aan dat deze workflow de annotatie-efficiëntie met 3 ̊5 keer verhoogt, waardoor de gemiddelde etiketteringstijd per afbeelding wordt verkort van 30 seconden tot minder dan 10 seconden. Scenario 2: terugvaldekking voor lange staartdefecten Het prestatielof van YOLO-modellen is eenvoudig: zij kunnen alleen de type fouten herkennen die in trainingsdatabestanden voorkomen. Ongekende, zeldzame defecten veroorzaken een gemiste detectie door YOLO. Hoewel dergelijke lange staart anomalieën zelden voorkomen, zijn ze vaak een teken van ernstige abnormale productieomstandigheden, die hogere operationele risico's met zich meebrengen. Multimodale grote modellen fungeren als een back-upverificatielaag: Wanneer YOLO een grensconfidentie score geeft (ongeveer 0,3 ̊0.7, de grijze zone van onzekerheid), wordt het bijbehorende beeld naar het multimodale model gestuurd voor secundair oordeel. De generalisatiekracht van grote modellen dekt deze zeldzame anomalieën. In het kader van dit mechanisme wordt slechts 5%~10% van alle afbeeldingen naar het multimodale model doorgestuurd, waardoor de totale kosten beheersbaar blijven en tegelijkertijd de dekking van lange staartdefecten drastisch wordt verbeterd. Scenario 3: semantische omzetting van ruwe inspectiegegevens YOLO geeft alleen gestructureerde gegevens: afmetingsvakken, defectcategorieën en betrouwbaarheidscores. Hoewel deze ruwe metingen voldoende zijn voor backend industriële systemen, zijn ze voor menselijke inspecteurs niet intuïtief, die antwoorden nodig hebben op praktische vragen: hoe ernstig is het defect?Welke corrigerende maatregelen moeten worden genomen? Multimodale grote modellen verrichten semantische rapportagegeneratie: Invoer: defectencoördinaten, classificatietiketten, productmodel en parameters van het productieproces Uitgang: Natuurtaalinspectieverslag, bv. op de linkerkant van het product wordt een kras van 5 mm gedetecteerd, waarschijnlijk veroorzaakt door slijtage door schimmel; onderhoud van schimmel wordt aanbevolen". Deze taak is latentie-gevoelig (rapporten kunnen asynchroon worden gegenereerd) en kostenefficiënt (alleen uitgevoerd op niet-conforme NG-producten met een beperkt volume). Scenario 4: Snelle koude start voor kleine urgente projecten Klanten worden soms geconfronteerd met krappe deadlines: nieuwe producten die de volgende week in serie moeten worden geproduceerd, met slechts tientallen defecte monsterbeelden, onvoldoende voor een volledige YOLO-opleiding. Een traditionele werkstroom kan de inspectie niet starten met zulke beperkte gegevens. Multimodale grote modellen dienen als tijdelijke oplossing: Zero-shot-mogelijkheid maakt onmiddellijke inzet mogelijk met aanvaardbare, maar onvolmaakte nauwkeurigheid, veel beter dan volledige handmatige inspectie.Gegevens kunnen tijdens de proefoperatie continu worden verzameld om een formeel YOLO-model voor langdurig gebruik te trainen zodra voldoende monsters zijn verzameld.. VII. Hybride architectuur: ons praktische inzetparadigma Op basis van de bovenstaande analyse hebben wij voor recente industriële projecten een hybride tweekanalarchitectuur aangenomen: Hoofdinspectie: YOLO Behandel meer dan 95% van alle inspectiewerkbelastingen Lokaal ingezet op edge hardware met 10 ∼ 20 ms inferentie latency Outputs gestructureerde grensvakken, gebreksoorten en betrouwbaarheidscores Hulpkanaal: Multimodaal groot model Verwerkt alleen afbeeldingen met lage betrouwbaarheid binnen de grijze zone Asynchrone oproep zonder verstoring van de doorvoer van de hoofdlijn Functies voor terugvalverificatie van long-tail-defecten, generatie van semantische rapporten en hulpmerkingen Kernontwerpprincipes van dit hybride kader: YOLO fungeert als het centrale primaire systeem; multimodale modellen dienen als hulpmiddelen Data-shunting in plaats van seriële verwerking: multimodale modellen blijven buiten het kritische productiepad en hebben geen invloed op de latentie of de doorvoer van de hoofdlijn Vertrouwensgebaseerde verkeerssplitsing: resultaten met een hoge betrouwbaarheid worden rechtstreeks doorgestuurd, terwijl dubbelzinnige monsters worden doorgestuurd voor secundaire multimodale validatie Voorspelbare kostenbeheersing: slechts een klein deel van de afbeeldingen verbruikt multimodal modellencomputingbronnen VIII. Besluitskader voor de technische selectie Hieronder vindt u een samengevat besluitboom voor teams die industriële visuele inspectiealgoritmen selecteren: Latentievereiste Vereiste inferentie < 100 ms → Kies YOLO Tweede schaal latency is aanvaardbaar → Multimodale grote modellen zijn haalbaar Doorvoervereiste Meer dan 1 frame per seconde → Kies YOLO Slechts honderden beelden worden dagelijks verwerkt → Multimodale grote modellen zijn haalbaar Inzetomgeving Benodigd voor offline implementatie → Kies YOLO Stabiele toegewijde cloud computingbronnen beschikbaar → Multimodale grote modellen zijn haalbaar Beschikbaarheid van gegevens Duizenden geannoteerde samples → Kies YOLO Slechts tientallen monsters met urgente lanceringstijd → Multimodale modellen als tijdelijke overgang aannemen Begrotingsbeperkingen Jaarlijkse operationele begroting van één lijn onder de 100.000 RMB → Kies YOLO Ruim financiële budget → Hybride architectuur wordt aanbevolen Voor de overgrote meerderheid van de industriële scenario's blijft YOLO de optimale keuze. Multimodale grote modellen zijn alleen geschikt als primaire oplossingen onder specifieke omstandigheden: latentie-tolerantie, lage doorvoervraag, stabiele cloudcomputingondersteuning en extreme tekort aan gegevens. De meest pragmatische oplossing in de industrie is de hybride architectuur: YOLO vervult kerninspectietaken in realtime Multimodale grote modellen leveren hulpmiddelen bij annotatie, fallbackverificatie en geautomatiseerd schrijven van rapporten Het gebruik van de respectieve sterke punten van beide technologieën, met behoud van kostencontrole IX. Bepalingen ter afsluiting Om terug te keren op de eerste vraag: kunnen multimodale grote modellen YOLO vervangen? Na twee jaar proef-en-fout, is onze conclusie duidelijk: Dit is de verkeerde formulering van de vraag. Het gaat niet om een concurrentie met nul-som A vervangt B, maar om een kwestie waarin elke technologie haar eigen ecologische niche inneemt. Multimodale grote modellen bezitten formidabele mogelijkheden, maar hun belangrijkste sterke punten zijn:een diep semantisch begrip en een brede generalisatie bieden beperkte waarde voor de kernproductie-inspectieworkflows. Ondertussen zijn hun inherente nadelen: hoge latentie, buitensporige exploitatiekosten en onstabiele output precies de niet-onderhandelbare pijnpunten die industriële productie niet kan tolereren. De essentie van technische selectie is niet het achtervolgen van de nieuwste trendtechnologie, maar het afstemmen van de oplossing op de eisen van de echte wereld. De YOLO-serie wordt al jarenlang op grote schaal gebruikt bij industriële visuele inspectie en haar status als de facto-standaard is goed gerechtvaardigd. Multimodale grote modellen zijn krachtige aanvullende hulpmiddelen, maar zij zijn bij de huidige technische rijpheid geen gekwalificeerde volledige vervangers. Misschien verandert het landschap over drie of vijf jaar: de snelheid van de inferentie zal drastisch verbeteren, de inzetkosten zullen sterk dalen en het determinisme-probleem zal volledig worden opgelost. Alleen dan kunnen we de discussie over volledige vervanging opnieuw bespreken.

.gtr-container-f8g7h2 { font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif; color: #333; line-height: 1.6; padding: 16px; max-width: 100%; box-sizing: border-box; overflow-wrap: break-word; word-wrap: break-word; } .gtr-container-f8g7h2 p { font-size: 14px; margin-bottom: 1em; text-align: left !important; } .gtr-container-f8g7h2 strong { font-weight: bold; } .gtr-container-f8g7h2 .gtr-main-title { font-size: 18px; font-weight: bold; color: #0000FF; margin-bottom: 1.5em; text-align: left !important; } .gtr-container-f8g7h2 .gtr-section-title { font-size: 18px; font-weight: bold; color: #0000FF; margin-top: 2em; margin-bottom: 1em; text-align: left !important; } .gtr-container-f8g7h2 .gtr-subsection-title { font-size: 16px; font-weight: bold; color: #0000FF; margin-top: 1.5em; margin-bottom: 0.8em; text-align: left !important; } .gtr-container-f8g7h2 ul, .gtr-container-f8g7h2 ol { margin: 1em 0; padding-left: 20px; } .gtr-container-f8g7h2 li { list-style: none !important; position: relative; margin-bottom: 0.5em; padding-left: 1.5em; text-align: left !important; } .gtr-container-f8g7h2 ul li::before { content: "•" !important; color: #0000FF; font-size: 1.2em; position: absolute !important; left: 0 !important; top: 0; } .gtr-container-f8g7h2 ol { counter-reset: list-item; } .gtr-container-f8g7h2 ol li::before { content: counter(list-item) "." !important; color: #0000FF; font-weight: bold; position: absolute !important; left: 0 !important; top: 0; width: 1.2em; text-align: right; margin-right: 0.5em; } .gtr-container-f8g7h2 div[style*="display: block; flex: 0 1 auto; flex-direction: row; justify-content: normal; align-items: normal;"] { margin-bottom: 1em; } @media (min-width: 768px) { .gtr-container-f8g7h2 { padding: 24px; } .gtr-container-f8g7h2 .gtr-main-title { font-size: 20px; } .gtr-container-f8g7h2 .gtr-section-title { font-size: 20px; } .gtr-container-f8g7h2 .gtr-subsection-title { font-size: 18px; } } Volledige Engelse vertaling (industriële diepgaande artikeltoon) Pijn in de sector en transformaties te midden van de herstructurering van de volledige ketenstrategie Voor beoefenaars die zich bezighouden met machine vision en apparatuurintegratie is er sinds vorig jaar één veelvoorkomend probleem: industriële camera's van Hikrobot zijn steeds moeilijker verkrijgbaar geworden. Van de meest gebruikte meetmodellen in de sector – 2/3-inch 5MP, 1-inch 20MP C-mount varianten – tot standaard area-scan camera's: de spotvoorraden in de distributiekanalen blijven chronisch krap, met herhaaldelijk verlengde doorlooptijden. Dit heeft geleid tot wijdverbreide speculatie in de hele handel: beperkt Hikrobot opzettelijk de productie om prijsstijgingen te stimuleren? Of zijn marktdominantie benutten om concurrenten te verdringen? Engelse vertaling (formele toon van sectoranalyse) Als we echter afstand nemen van het onmiddellijke tekort aan aanbod en analyseren vanuit het perspectief van de bedrijfsstrategie en de industriële cycli, blijkt dat het huidige voorraadtekort zeker geen simpele marktmanipulatie is. In plaats daarvan is het een onvermijdelijk resultaat van Hikrobot's alomvattende strategische aanpassingen van bovenaf, met betrekking tot productlijnen, productiecapaciteit, distributiekanalen en zakelijke prioriteiten. Beperkingen in de upstream aanbodketen en de stijgende vraag downstream hebben de ernst van de aanbodtekorten alleen maar verergerd. Kortom: een aanpassing van de strategische indeling is de fundamentele oorzaak, marktconsolidatie een onderpand en de mismatch tussen vraag en aanbod een verzwarende factor op de korte termijn. 一. Fundamentele kernlogica: aanbodtekorten vinden hun oorsprong in de strategische herstructurering van de volledige industriële keten Veel mensen stellen het tekort aan aanbod gelijk aan 'het beperken van de productie om de prijzen op te drijven', maar ze verwarren oorzaak en gevolg. De belangrijkste strategische zet van Hikrobot is het voltooien van een uitgebreide upgrade en herstructurering van alle bedrijfsonderdelen tijdens de transitieperiode van productvernieuwing en capaciteitsverplaatsing. Het aanbodtekort is slechts een tijdelijke groeipijn die voortkomt uit deze transitie. 1. Iteratie van de productlijn: volledige migratie naar CU-platform, uitfasering van de oudere CS/CH-serie Vanaf de tweede helft van 2025 heeft Hikrobot meerdere Product Change Notices (PCN’s) uitgegeven, waarbij geleidelijk de grote volumes bestaande CS- en CH industriële cameraseries worden stopgezet en volledig wordt overgestapt op de nieuwe generatie kosteneffectieve CU-modellen en premium AI-CH-camera’s. Supply chain-perspectief: Er zullen geen extra bestellingen worden geplaatst voor oudere CMOS- en FPGA-chips. De formele productieopschorting wordt van kracht zodra de bestaande grondstoffen zijn opgebruikt, en distributeurs zullen niet langer herbevoorradingstoewijzingen ontvangen voor stopgezette modellen. Marktperspectief: De algemeen aanvaarde 2/3-inch 5-megapixel camera's met globale sluiter met C-bevestiging – de belangrijkste modellen die compatibel zijn met telecentrische lenzen voor thuisgebruik – hebben het zwaarst te verduren gekregen, wat heeft geleid tot wijdverbreide leveringsuitval. Onderliggend strategisch doel: Standaardiseren van het hardware-R&D-platform om productielijnen te stroomlijnen en materiaalbeheerkosten te verlagen. Bovendien integreert het nieuwe platform ISP- en lichtgewicht AI-voorverwerkingsfuncties om precies te voldoen aan de opkomende hoogwaardige inspectie-eisen van lithiumbatterijen, fotovoltaïsche energie, 3C-elektronica en andere productiesectoren. 二. Herstructurering van de capaciteitsindeling: uitbreiding van de nieuwe Tonglu-basis creëert een aanbodkloof tijdens de overgang tussen oude en nieuwe productielijnen De discrepantie tussen de afnemende oude capaciteit en de nieuwe productielijnen die nog moeten rijpen, vormt de meest directe oorzaak van producttekorten aan de aanbodzijde. Hikrobot's Tonglu Intelligent Manufacturing Base, met een totale investering van 1,534 miljard RMB, is ontworpen voor een jaarlijkse productie van 5 miljoen machine vision-producten en ging pas begin 2026 op volledige schaal in productie. Ondertussen hebben de oude fabrieken de productie geleidelijk afgebouwd en zijn ze begonnen met het verplaatsen van apparatuur. Tijdens de overlappende bedrijfsperiode van oude en nieuwe productielijnen werd de productiecapaciteit verdeeld over twee locaties, waardoor het onmogelijk werd om het enorme ordervolume zoals voorheen te vervullen. Gecombineerd met de explosief geconcentreerde vraag naar inspectieapparatuur in de lithiumbatterij-, fotovoltaïsche en halfgeleiderindustrie van de afgelopen twee jaar, kan de fabrikant de beschikbare voorraad alleen op projectprioriteit toewijzen. De belangrijkste klanten krijgen prioriteit bij levering, waardoor kleine en middelgrote apparatuurintegrators en verspreide detailhandelsbestellingen moeite hebben om camera's te beveiligen. 三. Verschuiving van bedrijfsfocus: herallocatie van middelen naar 3D-visie en full-stack-oplossingen De afgelopen jaren is de strategische prioriteit van Hikrobot veel verder verschoven dan de verkoop van zelfstandige hardware naar full-stack belichaamde intelligente productieoplossingen. Geïntegreerde systemen die visie, AGV's en mobiele robots combineren, vertegenwoordigen de belangrijkste groeimotor voor de toekomst. Op het niveau van de toeleveringsketen krijgen de inkoopquota voor upstream CMOS-sensoren en opslagchips prioriteit voor producten met een hoge marge en hoge toegevoegde waarde, waaronder 3D-camera's, slimme codelezers en vision-controllers, terwijl de chiptoewijzingen voor traditionele 2D-gebiedsscancamera's opzettelijk worden verminderd. De spanning wordt nog groter doordat mondiale waferfabrieken de meeste capaciteit omleiden naar AI-computerchips en HBM-geheugen, wat resulteert in een capaciteitsinkrimping van meer dan 30% voor industriële CMOS en FPGA's met mondiale sluiters. De dubbele druk van interne herverdeling van middelen en tekorten aan externe componenten heeft de aanbodkloof voor 2D-camera's drastisch vergroot. 4. Vernieuwing van het distributiesysteem: verminder de bulktoewijzingen op spotbasis, stel langetermijnbestellingen veilig via directe contracten met topklanten Een aangescherpt distributiebeleid is de meest zichtbare oorzaak van wijdverbreide voorraadtekorten onder eindgebruikers. Sinds eind 2025 heeft Hikrobot strengere kanaalregels ingevoerd, waardoor de spotinventarisquota voor kleine en middelgrote distributeurs zijn verlaagd. In plaats daarvan geeft het prioriteit aan het ondertekenen van jaarlijkse raamovereenkomsten met toonaangevende fabrikanten van apparatuur in de sectoren lithiumbatterijen en fotovoltaïsche energie, waarbij grote hoeveelheden spotvoorraden vooraf worden vastgelegd onder langetermijncontracten. Dit heeft een duidelijke kloof in de sector gecreëerd: grote fabrikanten genieten van een stabiele orderafhandeling met gegarandeerd aanbod, terwijl kleine en middelgrote integrators en kleine batches met spoeddetailhandel te maken krijgen met een ernstig gebrek aan beschikbare voorraad, waardoor de perceptie van tekorten via de distributiekanalen wordt versterkt. II. Objectief resultaat: versnelde industriële consolidatie, geen doelbewust doel Het is van cruciaal belang om duidelijk te maken dat het huidige aanbodtekort niet door Hikrobot is ontworpen om opzettelijk de productie te verminderen, concurrenten te onderdrukken of de markt te monopoliseren. Industriële herschikkingen en marktherstructureringen zijn slechts secundaire neveneffecten die voortkomen uit de strategische herziening ervan. Vervangingsmogelijkheden voor binnenlandse merken van het tweede niveauGrote aantallen kleine en middelgrote apparatuurintegratoren zijn gedwongen binnenlandse alternatieve oplossingen te adopteren, wat heeft geleid tot een scherpe stijging van het aantal bestellingen voor merken als Huaray, Daheng, ECOVIS en MindVision, naast een snelle groei van hun marktaandeel. Uitfasering van low-end capaciteit met lage margesHikrobot's vrijwillige stopzetting van oudere cameramodellen met lage marges leidt tot een uitputting van de goedkope voorraad op de markt, waardoor de algehele gemiddelde productprijs stijgt en kleine vision-fabrikanten worden uitgeroeid die uitsluitend afhankelijk zijn van prijsconcurrentie zonder eigen oplossingsmogelijkheden. Verbreed concurrentievoordeel voor marktleidersVoor Hikrobot hebben hardwaretekorten nauwelijks invloed op de levering van de bestellingen voor geïntegreerde oplossingen. Langetermijnpartnerschappen, verankerd door totaaloplossingen, verstevigen de belangrijkste klantenbasis, waardoor de kloof met kleine fabrikanten die alleen stand-alone camera's leveren, groter wordt. Kortom: consolidatie is een gevolg, geen oorspronkelijke doelstelling. Dit is geen met voorbedachten rade onderdrukking van de markt, maar een natuurlijke herschikking van de industrie, veroorzaakt door modernisering van het bedrijfsleven. III. Drie overlappende factoren die de aanbodtekorten verergeren Terwijl strategische herstructureringen de fundamentele oorzaak vormen van voorraadtekorten, heeft de drievoudige convergentie van upstream-beperkingen, downstream-vraagpieken en producttransitiecycli de aanbodkloof tot een niveau geduwd dat in de hele sector voelbaar is. Harde beperkingen van upstream-toeleveringsketensWereldwijde halfgeleidergieterijen geven prioriteit aan capaciteit voor hoogwaardige computerchips, waardoor industriële CMOS en FPGA's het zwaarst worden getroffen: de productiecapaciteit voor gerelateerde componenten is met meer dan 30% gekrompen, waarbij de doorlooptijden zijn verlengd van de oorspronkelijke vier weken naar meer dan twaalf weken. Zelfs als de productielijnen op volle toeren draaien, worden fabrikanten geconfronteerd met een kritisch tekort aan kerncomponenten. Ondertussen ontmoedigen de stijgende prijzen van grondstoffen zoals koper en PCB's fabrikanten om buitensporige voorraden aan te leggen vanwege zorgen over de cashflow en voorraadrisico's, waardoor de flexibiliteit van het aanbod verder wordt beperkt. Geconcentreerde stijging van de stroomafwaartse vraag2026 markeert een topjaar voor de massaproductie van nieuwe energie- en halfgeleiderinspectieapparatuur. De massale uitrol van projecten, waaronder de inspectie van lithiumelektroden, het sorteren van fotovoltaïsche siliciumwafels en de inspectie van het uiterlijk van halfgeleiders, heeft geleid tot een jaarlijkse stijging van ruim 65% in de vraag naar uiterst nauwkeurige meetcamera's, die de vrijgavesnelheid van de bestaande productiecapaciteit ruimschoots overtreft. Leveringsonderbreking tijdens de overgang tussen oude en nieuwe productlijnenDe volledige stopzetting van oudere modellen valt samen met de lage massaproductieopbrengsten voor de nieuwe CU-serie, waardoor een natuurlijk leveringsvacuüm van drie tot zes maanden ontstaat. De beperkte initiële productiecapaciteit van het CU-platform wordt in eerste instantie toegewezen aan grote, belangrijke klanten, waardoor de beschikbare spotvoorraad via open distributiekanalen verder wordt beperkt. IV. Drie diepgaande langetermijneffecten van aanbodtekorten in de hele sector Wijdverbreide voorraadtekorten zorgen voor een golfeffect bij alle deelnemers in de industriële keten, waardoor groeipijnen op de korte termijn gepaard gaan met blijvende structurele verschuivingen. 1. Voor apparatuurintegratoren: disruptie op de korte termijn, veerkrachtige toeleveringsketens op de lange termijn Gevolgen op de korte termijn: De leveringstermijnen van projecten worden vertraagd als gevolg van de uitgeputte voorraad mainstream C-mount meetcamera's. Veel integrators zijn gedwongen tijdelijk over te stappen op alternatieve merken, waardoor extra kosten ontstaan voor het testen van prototypes en het aanpassen van programma's. Voordeel op lange termijn: Bedrijven zijn gedwongen om alternatieve productbibliotheken met meerdere merken op te bouwen, waardoor de afhankelijkheid van één enkele leverancier wordt verminderd en de algehele risicobestendigheid van de toeleveringsketen wordt vergroot. 2. Voor het concurrentielandschap: gestratificeerde binnenlandse markt, voordelen voor ondersteunende industrieën Een thuismarktpatroon met twee leiders begint vorm te krijgen: Hikrobot domineert het hoogwaardige segment van geïntegreerde oplossingen, terwijl Huaray de vraag naar vervanging absorbeert met stabiele aandelen om het reguliere marktaandeel te veroveren. Merken als Daheng en MindVision veroveren snel marktruimte die voorheen in handen was van kleine integrators. Geïmporteerde merken zien een mild herstel van de vraag op de korte termijn: spelers als Basler en Cognex hebben gedeeltelijke hoogwaardige vervangingsorders veiliggesteld, maar doorlooptijden van meer dan 8 weken beperken hun toepassing tot alleen hoogwaardige precisie-inspectiescenario's. 3. Voor Hikrobot zelf: verlies op korte termijn van particuliere klanten, verbeterde bedrijfswaarde op lange termijn Nadelen op de korte termijn: een groot volume aan kleine detailhandelsbestellingen gaat verloren voor concurrenten, waarbij sommige projecten worden weggekaapt door concurrerende fabrikanten; distributeurs worden geconfronteerd met toenemende voorraaddruk en toenemende ontevredenheid. Voordelen op de lange termijn: productlijnen met lage marges worden uitgefaseerd, waardoor het productportfolio verschuift naar hoogwaardige 3D-visie- en AI-inspectieoplossingen. Zodra de Tonglu-productiebasis de volledige capaciteit bereikt, zal de totale productie verdubbelen, wat een drastisch verbeterde leveringsstabiliteit op de lange termijn tot gevolg heeft. Directe langetermijncontracten met grote klanten houden ook de komende jaren inkomstenstromen vast. 五. Wanneer zullen de tekorten afnemen? Praktische oplossingen die nu beschikbaar zijn Dit is de grootste zorg van alle beroepsbeoefenaars in de sector. We bieden prognoses op basis van productiecapaciteit en productcycli, samen met implementeerbare oplossingen voor reguliere toepassingsscenario's. 1. Verwachte tijdlijn voor herstel van de voorraden Op basis van de huidige vooruitgang wordt verwacht dat de Tonglu Intelligent Manufacturing Base tegen eind 2026 de volledige capaciteit zal bereiken. Gekoppeld aan stabiele massaproductieopbrengsten van de CU-serie en de nieuw gelanceerde upstream CMOS wafer-productiecapaciteit, wordt verwacht dat het aanbod van standaard 2D-gebiedsscancamera's in het eerste kwartaal van 2027 weer normaal zal zijn. Het is belangrijk op te merken dat de oudere CS- en CH-series definitief zijn stopgezet en dat er geen plannen zijn voor hervatting van de productie. Toekomstig systeemontwerp moet het nieuwe platform of alternatieve merken volledig overnemen. 2. Gemakkelijk toepasbare cameraselectiestrategieën Er worden twee categorieën aanbevelingen gegeven voor de meest gebruikte cameratoepassingen in verschillende sectoren: Noodvervangingsoplossing Merken als Huaray en Daheng bieden producten aan met volledig overeenkomende parameters die gelijkwaardig zijn aan de stopgezette oudere Hikrobot-modellen, ondersteund door een ruime spotinventaris. Er zijn minimale softwareaanpassingen nodig om een snelle migratie mogelijk te maken. Projectoplossing voor de lange termijn Bedrijven die nieuwe projecten plannen, kunnen vooraf bestellingen plaatsen om voorraad van Hikrobots nieuwe CU-serie camera's te reserveren. Slotopmerkingen Terugkijkend op de ontwikkeling van de Chinese machine vision-industrie gaat elke herhaling van de productiecapaciteit en het productassortiment gepaard met cyclische schommelingen in vraag en aanbod. Het aanhoudende tekort aan Hikrobot-camera's is in wezen een onvermijdelijke transitie voor een marktleider die opwaardeert van een pure hardwarefabrikant naar een aanbieder van volledige oplossingen. Het uitfaseren van verouderde productiecapaciteit, het migreren naar nieuwe hardwareplatforms en het herstructureren van distributiekanalen en zakelijke prioriteiten gaan allemaal gepaard met groeipijnen. De cyclische volatiliteit in de stroomopwaartse toeleveringsketens van halfgeleiders en de explosieve vraag vanuit de nieuwe energiesector hebben de sectorbrede impact van deze transformatie versterkt. Voor alle spelers in de sector is het verstandiger om, in plaats van stil te staan bij debatten over opzettelijke prijsmanipulatie, camerabibliotheken met meerdere merken en gediversifieerde supply chain-back-ups op te zetten om stabiele activiteiten te behouden te midden van verschuivingen in de sector.

SICK WL12L-2B530 Foto-elektrische Sensor Lange Afstand Hoge Prestaties Industrieel

SICK SRS50-HZA0-S21 High Precision Encoder betrouwbaar voor industriële automatisering

SICK GTE6-P4212 Fotosensor 5m Hoge Snelheid IP67 Industrieel Robuust

GTE6-P1212 SICK Laser Sensor IP69K Foto-elektrische sensor Duurzaam Bkgd Onderdrukking 250-300m

AC2024 IFM-druksensor Ultrasone afstandsmeting Industrieel betrouwbaar

EVC013 IFM M8 Cable Edge Computing Cybersecurity Industrial IoT Plug And Play Robuuste controller

AL2401 Ifm Io Link Module Io Link Controller Industrial Automation Positioning High Precision

HOKUYO EWF-11A Draadloze IP65 Omgevingssensor voor Industrieel Gebruik

86432 Murrelektronik Limited Switch IP67 Industrial Control Stainless Terminal Block

50040 Murrelektronik Optocoupler Relay Industrial Automation Compact Terminal Block OEM

EL6752 Beckhoff Plc Modules CAT Module High Speed Modular I/O For Smart Manufacturing

X20CP1586 B&R Plc Controller Krachtig B&R X20 Plc 1,6 GHz Standard

KT5W-2N1116 SICK Laser Sensor Proximity Sensor High Precision Industrial Fast Response

+GF+ 3-2751-3 10m - pH-detectie/signaaluitgang - chemisch bestand onderwater slimme sensor

SICK WL12L-2B530 Foto-elektrische Sensor Lange Afstand Hoge Prestaties Industrieel

SICK IQ40-40NNSKC0K Fotosensor Hoge Precisie Stabiel Voor Industriële Automatisering

kwaliteit Sick Laser Sensor & IFM-druksensor fabriek

SICK AFM60A-BBPC262144 - Absolute-value-detect/Profinet-bus-data-output - IP65 legering door hol 262144PPR Absolute Rotary Encoder

SICK AFM60A-BGNB018x12 - Absolute-positie-verzameling/parallell-multi-turn-gegevens-overdracht - IP65-legering door holle 18bit-multi-turn absolute encoder

SICK AFM60A-S1NB018x12 - Absolute-positie-lezen/parallelle-gegevens-uitgang - IP65 aluminium enkelkabel solide schacht multi-turn absolute encoder

SICK AFM60B-BHAA004096 - Absolute detectie/SSI-signaaloverdracht - IP65 gelegeerd blind hol 4096PPR absolute roterende encoder

SICK AFM60B-S1AA004096 - Absolute positieregistratie/SSI-seriële gegevensoverdracht - IP65 aluminium enkele kabel massieve as 4096PPR Absolute Encoder

SICK AFS60E-BDAC004096 - Absolute positie-meting/SSI-signaal-overdracht - IP65 metalen blinde holle 4096PPR Absolute roterende encoder

SICK AFM60E-BDAC004096 - Absoluut positie vastleggen/SSI-signaal verzenden - IP65 gelegeerd blind hol 4096PPR absolute encoder

SICK AFS60A-BDNB262144 - Absolute positie lezen/PROFINET-bus verzenden - IP67 roestvrij blind hol 262144PPR Absolute Encoder