CN114219799A - 一种智能制造用次品分析方法及系统 - Google Patents
一种智能制造用次品分析方法及系统 Download PDFInfo
- Publication number
- CN114219799A CN114219799A CN202111580128.6A CN202111580128A CN114219799A CN 114219799 A CN114219799 A CN 114219799A CN 202111580128 A CN202111580128 A CN 202111580128A CN 114219799 A CN114219799 A CN 114219799A
- Authority
- CN
- China
- Prior art keywords
- product
- appearance image
- detected
- image information
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 158
- 230000002950 deficient Effects 0.000 title claims abstract description 89
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 110
- 238000007689 inspection Methods 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 59
- 238000007619 statistical method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000007547 defect Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000007639 printing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 28
- 238000012216 screening Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及一种智能制造用次品分析方法及系统，其方法包括以下步骤：建立次品检验分析平台，录入待检测产品的产品信息；获取待测产品的外观图像信息，判断外观图像信息的有效性；将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；若待测产品不合格则对其外观图像信息上的差异点进行标注，确定差异点产生工序；连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息。本申请具有高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量。
Description
技术领域
本申请涉及智能制造次品分析的领域，尤其是涉及一种智能制造用次品分析方法及系统。
背景技术
智能制造是指具有信息自感知、自决策、自执行等功能的先进制造过程、系统与模式的总称。具体体现在制造过程的各个环节与新一代信息技术的深度融合，如物联网、大数据、云计算、人工智能等。智能制造大体具有四大特征：以智能工厂为载体，以关键制造环节的智能化为核心，以端到端数据流为基础，和以网通互联为支撑。但是在工业生产中，不论生产设备如何精良、生产工艺如何先进，都无法避免不合格产品的出现。
目前，各行各业各种领域中，针对不同的产品具有不同的检测方案，这些检测方案往往由于产品的外形等不同而无法通用，这就导致生产者需要配备多种检测设备导致检测成本居高不下。并且还有许多行业应用人工目检进行产品检测，该种检测方法人工成本高、漏检率高，容易导致不合格品混入合格品中，从而降低产品质量。并且即使将次品顺利检出，仍然缺乏对次品进行智能有效的分析，不能及时追根溯源发现产生次品的原因。特别是一些连续加工生产型的加工方式，其生产设备往往具有多个且依靠特定顺序对原材料进行加工，如冲压生产、印刷生产、雕刻生产等，往往容易出现因其中一个加工环节的生产设备故障导致次品产生。
针对上述中的相关技术，发明人认为现有产品检验过程中即使将次品顺利检出，仍然缺乏对次品进行智能有效的分析，不能及时追根溯源发现产生次品的原因。
发明内容
为了改善现有产品检验过程中即使将次品顺利检出，仍然缺乏对次品进行智能有效的分析，不能及时追根溯源发现产生次品的原因的问题，本申请提供一种智能制造用次品分析方法及系统。
第一方面，本申请提供一种智能制造用次品分析方法，采用如下的技术方案：
一种智能制造用次品分析方法，包括以下步骤：
建立次品检验分析平台，录入待检测产品的产品信息，所述产品信息包括产品名称信息、产品类型信息、产品标准外观图像信息、产品工艺流程信息和产品检验点信息；
获取待测产品的外观图像信息，对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性；
将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；
若待测产品不合格则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序；
连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息。
通过采用上述技术方案，建立次品检验分析平台，录入待检测产品的产品信息，并获取获取待测产品的外观图像信息，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，在对有效的待测产品的外观图像信息进行对比分析，实现高效筛选次品的效果；并进一步对次品产生原因进行统计分析，智能判断产生次品的原因和工序，并生成报警信息通知管理人员，达到了高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量。
优选的，所述产品标准外观图像信息包括产品整体标准外观图像和各个产品检验点标准外观图像，所述产品标准外观图像信息具体包括以下采集步骤：
通过预设置的图像采集设备多次采集标准合格产品的图像信息，将多次采集到的标准合格产品的图像信息采用统计平均法生成产品整体标准外观图像；
通过预设置的图像采集设备多次采集标准合格产品上各个检验点的高清放大图像信息，依次对各个检验点的多张高清放大图像采用统计平均法生成各个产品检验点标准外观图像；
将各个产品检验点标准外观图像进行拼接，生成产品高清放大整体外观图像，将产品高清放大整体外观图像缩放至产品整体标准外观图像同等比例进行重合对比得到相似度值，若相似度值大于预设的相似度阈值则判定图像采集成功，将产品整体标准外观图像和各个产品检验点标准外观图像打包生成产品标准外观图像信息。
通过采用上述技术方案，通过多次采集标准合格样品获取产品整体标准外观图像和各个产品检验点标准外观图像，确保产品标准外观图像信息的精确性，便于高效精准筛选出次品。并且在生成产品整体标准外观图像和各个产品检验点标准外观图像后，通过对各个产品检验点标准外观图像进行拼接缩放后，验证产品整体标准外观图像的正确性，进一步有效提高了产品标准外观图像信息的精确性。
优选的，所述获取待测产品的外观图像信息，对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性具体包括以下步骤：
通过预设的图像采集设备采集待测产品的外观图像信息，所述待测产品的外观图像信息包括待测产品整体外观图像和待测产品各个检验点的外观图像；
对待测产品整体外观图像进行初步识别，对待测产品整体外观图像进行坐标定位，判断采集到的待测产品整体外观图像的采集角度与预设置的采集角度是否一致，若一致则待测产品整体外观图像有效；
对待测产品各个检验点的外观图像根据产品检验点信息中的检验点编号进行编号，判断是否缺失，若无缺失则对待测产品各个检验点的外观图像进行坐标定位，判断采集到的待测产品各个检验点外观图像的采集角度与预设置的采集角度是否一致，若一致则待测产品各个检验点的外观图像有效。
通过采用上述技术方案，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，避免对采集的无效图像信息进行分析和对比进而得到错误的对比结果的现象，节约对比分析运算资源，达到高效精准筛选出次品的效果。
优选的，所述将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格具体包括以下步骤：
将待测产品整体外观图像信息与产品整体标准外观图像信息进行对比分析获取对比相似度值；
将待测产品各个检验点的外观图像通过编号与各个产品检验点标准外观图像一一对比分析获取图像缺陷信息；
若对比相似度值大于预设阈值且不存在图像缺陷信息时判断待测产品的外观图像信息合格，反之则不合格。
通过采用上述技术方案，依次对待测产品的整体外观图像信息和各个检验点的外观图像进行对比分析，获取产品整体对比相似度和图像缺陷信息，并以此判断待测产品是否合格，提高待测产品检验的精准性，实现智能化检验待测产品的效果。
优选的，所述图像缺陷信息由管理人员根据产品信息设置，所述图像缺陷信息包括但不限于点缺陷、异色点、色差、桔皮、气泡、丝印偏移、印刷不良、划痕、毛刺和毛边。
通过采用上述技术方案，管理人员可以根据产品的实际生产需求设定需求筛选的图像缺陷信息，便于智能精准筛选出次品，提高次品筛选效率，有助于对次品产生原因进行分析，便于管理人员及时发现导致次品产生的设备或工序，有助于管理人员改进工艺提高产品生产质量。
优选的，所述若待测产品不合格则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序具体包括以下步骤：
若待测产品不合格则对其外观图像信息上的差异点进行标注，所述差异点包括图像缺陷信息和图像对比不同点；
根据不合格产品的外观图像信息上的差异点的位置信息确定差异点所属产品部位；
根据产品工艺流程信息确定产品部位的加工产生工序即差异点产生工序，所述差异点产生工序包括直接产生该部位的加工工序及产生该部位所必需的上层加工工序。
通过采用上述技术方案，通过对次品上的差异点进行统计分析，确定导致每个次品产生的生产工序，便于对次品产生原因进行追根溯源，有助于管理人员及时发现生产缺陷并进行改正，达到有效提高生产效率和生产质量的效果。
优选的，所述连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息具体包括以下步骤：
根据预设的生产周期在同一生产周期内连续对同一产线的不合格品的差异点产生工序进行统计分析，根据预设的差异工序计算公式计算各个工序的差异点产生占比；
若某工序的差异点产生占比大于预设的差异占比阈值时判断该产生工序的生产设备运行状态异常，向管理人员发送报警信息
根据预设的生产周期对同一生产周期内次品数量和已生产的产品数量进行统计，并实时计算良品率；
若良品率小于预设的良品率阈值时，则将各个生产工序的差异点产生占比整合生成报警信息发送至管理人员处。
通过采用上述技术方案，通过对差异点产生工序的统计分析和对产品良品率的监控，能够在产品良品率出现异常时及时向管理人员提供导致次品产生的若干个生产工序，便于管理人员及时调节改正，达到有效提高生产效率和生产质量的效果。并且在某工序的差异点产生占比大于预设的差异占比阈值时，判定该生产工序运行状态异常，及时发出报警信息通知管理人员，更加智能精确为管理人员指出次品产生原因，进一步提高管理人员改进调节生产设备的效率，达到有效提高生产效率和生产质量的效果。
优选的，所述预设的差异工序计算公式为Y=X/A*100%，其中X为某加工工序产生差异点的次数，A为不合格产品的差异点总数。
通过采用上述技术方案，通过计算各个生产工序的差异点产生占比，便于在某工序的差异点产生占比大于预设的差异占比阈值时，判定该生产工序运行状态异常，及时发出报警信息通知管理人员，更加智能精确为管理人员指出次品产生原因，进一步提高管理人员改进调节生产设备的效率，达到有效提高生产效率和生产质量的效果。
第二方面，本申请提供一种智能制造用次品分析系统，采用如下的技术方案：
一种智能制造用次品分析系统，包括：
服务器模块，用于建立次品检验分析平台，录入待检测产品的产品信息，所述产品信息包括产品名称信息、产品类型信息、产品标准外观图像信息、产品工艺流程信息和产品检验点信息；
图像采集模块，用于获取待测产品的外观图像信息；
初步检验模块，用于对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性；
图像对比模块，用于将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；
差异点分析模块，用于在待测产品不合格时则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序；
设备监测模块，用于连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息；
所述服务器模块、图像采集模块、初步检验模块、图像对比模块、差异点分析模块和设备监测模块相互通信连接。
通过采用上述技术方案，建立次品检验分析平台，录入待检测产品的产品信息，并获取获取待测产品的外观图像信息，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，在对有效的待测产品的外观图像信息进行对比分析，实现高效筛选次品的效果；并进一步对次品产生原因进行统计分析，智能判断产生次品的原因和工序，并生成报警信息通知管理人员，达到了高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量。
第三方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如上述方法任一种方法的计算机程序。
通过采用上述技术方案，建立次品检验分析平台，录入待检测产品的产品信息，并获取获取待测产品的外观图像信息，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，在对有效的待测产品的外观图像信息进行对比分析，实现高效筛选次品的效果；并进一步对次品产生原因进行统计分析，智能判断产生次品的原因和工序，并生成报警信息通知管理人员，达到了高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量。
综上所述，本申请包括以下至少一种有益技术效果：
1.建立次品检验分析平台，录入待检测产品的产品信息，并获取获取待测产品的外观图像信息，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，在对有效的待测产品的外观图像信息进行对比分析，实现高效筛选次品的效果；并进一步对次品产生原因进行统计分析，智能判断产生次品的原因和工序，并生成报警信息通知管理人员，达到了高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量；
2.通过对差异点产生工序的统计分析和对产品良品率的监控，能够在产品良品率出现异常时及时向管理人员提供导致次品产生的若干个生产工序，便于管理人员及时调节改正，达到有效提高生产效率和生产质量的效果；并且在某工序的差异点产生占比大于预设的差异占比阈值时，判定该生产工序运行状态异常，及时发出报警信息通知管理人员，更加智能精确为管理人员指出次品产生原因，进一步提高管理人员改进调节生产设备的效率，达到有效提高生产效率和生产质量的效果；
3.依次对待测产品的整体外观图像信息和各个检验点的外观图像进行对比分析，获取产品整体对比相似度和图像缺陷信息，并以此判断待测产品是否合格，提高待测产品检验的精准性，实现智能化检验待测产品的效果。
附图说明
图1是本申请实施例中智能制造用次品分析方法的方法框图；
图2是本申请实施例中生成标准外观图像信息的方法框图；
图3是本申请实施例中判断待检测产品外观图像信息有效性的方法框图；
图4是本申请实施例中判断待测产品的外观图像信息是否合格的方法框图；
图5是本申请实施例中确定产品差异点产生工序的方法框图；
图6是本申请实施例中分析次品产生原因的方法框图；
图7是本申请实施例中智能制造用次品分析系统的系统框图。
附图标记说明：1、服务器模块；2、图像采集模块；3、初步检验模块；4、图像对比模块；5、差异点分析模块6、设备监测模块。
具体实施方式
以下结合附图1-7对本申请作进一步详细说明。
本申请实施例公开一种智能制造用次品分析方法。参照图1，一种智能制造用次品分析方法，包括以下步骤：
S1、录入待检测产品的产品信息：建立次品检验分析平台，录入待检测产品的产品信息，所述产品信息包括产品名称信息、产品类型信息、产品标准外观图像信息、产品工艺流程信息和产品检验点信息；
S2、判断外观图像信息的有效性：获取待测产品的外观图像信息，对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性；
S3、判断待测产品的外观图像信息是否合格：将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；
S4、确定不合格产品的差异点产生工序：若待测产品不合格则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序；
S5、连续对差异点产生工序进行统计分析：连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息。建立次品检验分析平台，录入待检测产品的产品信息，并获取获取待测产品的外观图像信息，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性。再对有效的待测产品的外观图像信息进行对比分析，实现高效筛选次品的效果。并进一步对次品产生原因进行统计分析，智能判断产生次品的原因和工序，并生成报警信息通知管理人员，达到了高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量。
参照图2，所述产品标准外观图像信息包括产品整体标准外观图像和各个产品检验点标准外观图像，所述产品标准外观图像信息具体包括以下采集步骤：
A1、生成产品整体标准外观图像：通过预设置的图像采集设备多次采集标准合格产品的图像信息，将多次采集到的标准合格产品的图像信息采用统计平均法生成产品整体标准外观图像；
A2、生成各个产品检验点标准外观图像：通过预设置的图像采集设备多次采集标准合格产品上各个检验点的高清放大图像信息，依次对各个检验点的多张高清放大图像采用统计平均法生成各个产品检验点标准外观图像；
A3、打包生成产品标准外观图像信息：将各个产品检验点标准外观图像进行拼接，生成产品高清放大整体外观图像，将产品高清放大整体外观图像缩放至产品整体标准外观图像同等比例进行重合对比得到相似度值，若相似度值大于预设的相似度阈值则判定图像采集成功，将产品整体标准外观图像和各个产品检验点标准外观图像打包生成产品标准外观图像信息。通过多次采集标准合格样品获取产品整体标准外观图像和各个产品检验点标准外观图像，确保产品标准外观图像信息的精确性，便于高效精准筛选出次品。并且在生成产品整体标准外观图像和各个产品检验点标准外观图像后，通过对各个产品检验点标准外观图像进行拼接缩放后，验证产品整体标准外观图像的正确性，进一步有效提高了产品标准外观图像信息的精确性。
参照图3，上述步骤S2中所述获取待测产品的外观图像信息，对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性具体包括以下步骤：
B1、采集待测产品的外观图像信息：通过预设的图像采集设备采集待测产品的外观图像信息，所述待测产品的外观图像信息包括待测产品整体外观图像和待测产品各个检验点的外观图像；
B2、对待测产品整体外观图像进行识别效验：对待测产品整体外观图像进行初步识别，对待测产品整体外观图像进行坐标定位，判断采集到的待测产品整体外观图像的采集角度与预设置的采集角度是否一致，若一致则待测产品整体外观图像有效；
B3、对待测产品各个检验点的外观图像进行识别效验：对待测产品各个检验点的外观图像根据产品检验点信息中的检验点编号进行编号，判断是否缺失，若无缺失则对待测产品各个检验点的外观图像进行坐标定位，判断采集到的待测产品各个检验点外观图像的采集角度与预设置的采集角度是否一致，若一致则待测产品各个检验点的外观图像有效。先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，避免对采集的无效图像信息进行分析和对比进而得到错误的对比结果的现象，节约对比分析运算资源，达到高效精准筛选出次品的效果。
参照图4，上述步骤S3中所述将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格具体包括以下步骤：
C1、获取对比相似度值：将待测产品整体外观图像信息与产品整体标准外观图像信息进行对比分析获取对比相似度值；
C2、获取图像缺陷信息：将待测产品各个检验点的外观图像通过编号与各个产品检验点标准外观图像一一对比分析获取图像缺陷信息；
C3、判断待测产品的外观图像信息是否合格：若对比相似度值大于预设阈值且不存在图像缺陷信息时判断待测产品的外观图像信息合格，反之则不合格。所述预设阈值由管理人员设置。其中需要说明的是图像对比分析获取对比相似度值的算法为现有技术再此不再赘述。依次对待测产品的整体外观图像信息和各个检验点的外观图像进行对比分析，获取产品整体对比相似度和图像缺陷信息，并以此判断待测产品是否合格，提高待测产品检验的精准性，实现智能化检验待测产品的效果。
上述图像缺陷信息由管理人员根据产品信息设置，所述图像缺陷信息包括但不限于点缺陷、异色点、色差、桔皮、气泡、丝印偏移、印刷不良、划痕、毛刺和毛边。管理人员可以根据产品的实际生产需求设定需求筛选的图像缺陷信息，便于智能精准筛选出次品，提高次品筛选效率，有助于对次品产生原因进行分析，便于管理人员及时发现导致次品产生的设备或工序，有助于管理人员改进工艺提高产品生产质量。
参照图5，上述步骤S4中所述若待测产品不合格则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序具体包括以下步骤：
D1、对差异点进行标注：若待测产品不合格则对其外观图像信息上的差异点进行标注，所述差异点包括图像缺陷信息和图像对比不同点；
D2、确定差异点所属产品部位：根据不合格产品的外观图像信息上的差异点的位置信息确定差异点所属产品部位；
D3、确定差异点产生工序：根据产品工艺流程信息确定产品部位的加工产生工序即差异点产生工序，所述差异点产生工序包括直接产生该部位的加工工序及产生该部位所必需的上层加工工序。通过对次品上的差异点进行统计分析，确定导致每个次品产生的生产工序，便于对次品产生原因进行追根溯源，有助于管理人员及时发现生产缺陷并进行改正，达到有效提高生产效率和生产质量的效果。
参照图6，上述步骤S5中所述连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息具体包括以下步骤：
E1、计算各个工序的差异点产生占比：根据预设的生产周期在同一生产周期内连续对同一产线的不合格品的差异点产生工序进行统计分析，根据预设的差异工序计算公式计算各个工序的差异点产生占比；
所述预设的差异工序计算公式为Y=X/A*100%，其中X为某加工工序产生差异点的次数，A为不合格产品的差异点总数；
E2、判断产生工序的生产设备运行状态：若某工序的差异点产生占比大于预设的差异占比阈值时判断该产生工序的生产设备运行状态异常，向管理人员发送报警信息
E3、实时计算良品率：根据预设的生产周期对同一生产周期内次品数量和已生产的产品数量进行统计，并实时计算良品率；
E4、良品率小于预设的良品率阈值时生成报警信息：若良品率小于预设的良品率阈值时，则将各个生产工序的差异点产生占比整合生成报警信息发送至管理人员处。所述差异占比阈值和良品率阈值均由管理人员设置，本实施例中差异占比阈值设置为50%，良品率阈值设置为99%。通过对差异点产生工序的统计分析和对产品良品率的监控，能够在产品良品率出现异常时及时向管理人员提供导致次品产生的若干个生产工序，便于管理人员及时调节改正，达到有效提高生产效率和生产质量的效果。并且在某工序的差异点产生占比大于预设的差异占比阈值时，判定该生产工序运行状态异常，及时发出报警信息通知管理人员，更加智能精确为管理人员指出次品产生原因，进一步提高管理人员改进调节生产设备的效率，达到有效提高生产效率和生产质量的效果。
本申请实施例还公开一种智能制造用次品分析系统。参照图7，一种智能制造用次品分析系统，包括：
服务器模块1，用于建立次品检验分析平台，录入待检测产品的产品信息，所述产品信息包括产品名称信息、产品类型信息、产品标准外观图像信息、产品工艺流程信息和产品检验点信息；
图像采集模块2，用于获取待测产品的外观图像信息；
初步检验模块3，用于对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性；
图像对比模块4，用于将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；
差异点分析模块5，用于在待测产品不合格时则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序；
设备监测模块6，用于连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息；
所述服务器模块1、图像采集模块2、初步检验模块3、图像对比模块4、差异点分析模块5和设备监测模块6相互通信连接。建立次品检验分析平台，录入待检测产品的产品信息，并获取获取待测产品的外观图像信息，先对待测产品的外观图像信息进行初步识别，确保待测产品的外观图像信息的有效性，在对有效的待测产品的外观图像信息进行对比分析，实现高效筛选次品的效果。并进一步对次品产生原因进行统计分析，智能判断产生次品的原因和工序，并生成报警信息通知管理人员，达到了高效筛序次品和智能分析次品原因的效果，有助于提高产品生产质量。
本申请实施例还公开一种计算机可读存储介质，其存储有能够被处理器加载并执行如上述方法中的计算机程序，计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对发明的保护范围进行限制。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明，本领域普通技术人员依然可以在不冲突的情况下，不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整，从而得到不同的、本质未脱离本发明的构思的其他技术方案，这些技术方案也同样属于本发明所要保护的范围。
Claims (10)
1.一种智能制造用次品分析方法，其特征在于：包括以下步骤：
建立次品检验分析平台，录入待检测产品的产品信息，所述产品信息包括产品名称信息、产品类型信息、产品标准外观图像信息、产品工艺流程信息和产品检验点信息；
获取待测产品的外观图像信息，对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性；
将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；
若待测产品不合格则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序；
连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息。
2.根据权利要求1所述的一种智能制造用次品分析方法，其特征在于，所述产品标准外观图像信息包括产品整体标准外观图像和各个产品检验点标准外观图像，所述产品标准外观图像信息具体包括以下采集步骤：
通过预设置的图像采集设备多次采集标准合格产品的图像信息，将多次采集到的标准合格产品的图像信息采用统计平均法生成产品整体标准外观图像；
通过预设置的图像采集设备多次采集标准合格产品上各个检验点的高清放大图像信息，依次对各个检验点的多张高清放大图像采用统计平均法生成各个产品检验点标准外观图像；
将各个产品检验点标准外观图像进行拼接，生成产品高清放大整体外观图像，将产品高清放大整体外观图像缩放至产品整体标准外观图像同等比例进行重合对比得到相似度值，若相似度值大于预设的相似度阈值则判定图像采集成功，将产品整体标准外观图像和各个产品检验点标准外观图像打包生成产品标准外观图像信息。
3.根据权利要求2所述的一种智能制造用次品分析方法，其特征在于，所述获取待测产品的外观图像信息，对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性具体包括以下步骤：
通过预设的图像采集设备采集待测产品的外观图像信息，所述待测产品的外观图像信息包括待测产品整体外观图像和待测产品各个检验点的外观图像；
对待测产品整体外观图像进行初步识别，对待测产品整体外观图像进行坐标定位，判断采集到的待测产品整体外观图像的采集角度与预设置的采集角度是否一致，若一致则待测产品整体外观图像有效；
对待测产品各个检验点的外观图像根据产品检验点信息中的检验点编号进行编号，判断是否缺失，若无缺失则对待测产品各个检验点的外观图像进行坐标定位，判断采集到的待测产品各个检验点外观图像的采集角度与预设置的采集角度是否一致，若一致则待测产品各个检验点的外观图像有效。
4.根据权利要求3所述的一种智能制造用次品分析方法，其特征在于，所述将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格具体包括以下步骤：
将待测产品整体外观图像信息与产品整体标准外观图像信息进行对比分析获取对比相似度值；
将待测产品各个检验点的外观图像通过编号与各个产品检验点标准外观图像一一对比分析获取图像缺陷信息；
若对比相似度值大于预设阈值且不存在图像缺陷信息时判断待测产品的外观图像信息合格，反之则不合格。
5.根据权利要求4所述的一种智能制造用次品分析方法，其特征在于：所述图像缺陷信息由管理人员根据产品信息设置，所述图像缺陷信息包括但不限于点缺陷、异色点、色差、桔皮、气泡、丝印偏移、印刷不良、划痕、毛刺和毛边。
6.根据权利要求4所述的一种智能制造用次品分析方法，其特征在于，所述若待测产品不合格则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序具体包括以下步骤：
若待测产品不合格则对其外观图像信息上的差异点进行标注，所述差异点包括图像缺陷信息和图像对比不同点；
根据不合格产品的外观图像信息上的差异点的位置信息确定差异点所属产品部位；
根据产品工艺流程信息确定产品部位的加工产生工序即差异点产生工序，所述差异点产生工序包括直接产生该部位的加工工序及产生该部位所必需的上层加工工序。
7.根据权利要求1所述的一种智能制造用次品分析方法，其特征在于，所述连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息具体包括以下步骤：
根据预设的生产周期在同一生产周期内连续对同一产线的不合格品的差异点产生工序进行统计分析，根据预设的差异工序计算公式计算各个工序的差异点产生占比；
若某工序的差异点产生占比大于预设的差异占比阈值时判断该产生工序的生产设备运行状态异常，向管理人员发送报警信息
根据预设的生产周期对同一生产周期内次品数量和已生产的产品数量进行统计，并实时计算良品率；
若良品率小于预设的良品率阈值时，则将各个生产工序的差异点产生占比整合生成报警信息发送至管理人员处。
8.根据权利要求7所述的一种智能制造用次品分析方法，其特征在于：所述预设的差异工序计算公式为Y=X/A*100%，其中X为某加工工序产生差异点的次数，A为不合格产品的差异点总数。
9.一种智能制造用次品分析系统，其特征在于，包括：
服务器模块(1)，用于建立次品检验分析平台，录入待检测产品的产品信息，所述产品信息包括产品名称信息、产品类型信息、产品标准外观图像信息、产品工艺流程信息和产品检验点信息；
图像采集模块(2)，用于获取待测产品的外观图像信息；
初步检验模块(3)，用于对获取的待测产品的外观图像信息进行初步识别，判断外观图像信息的有效性；
图像对比模块(4)，用于将通过有效性判断的待测产品的外观图像信息与产品标准外观图像信息进行对比分析，判断待测产品的外观图像信息是否合格；
差异点分析模块(5)，用于在待测产品不合格时则对其外观图像信息上的差异点进行标注，并根据不合格产品的外观图像信息上的差异点确定差异点产生工序；
设备监测模块(6)，用于连续对同一产线的不合格品的差异点产生工序进行统计分析，确认各个生产工序的生产设备的运行状况，并在某个生产工序的生产设备的运行状况异常时向管理人员发送报警信息；
所述服务器模块(1)、图像采集模块(2)、初步检验模块(3)、图像对比模块(4)、差异点分析模块(5)和设备监测模块(6)相互通信连接。
10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1-8中任一种方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111580128.6A CN114219799A (zh) | 2021-12-22 | 2021-12-22 | 一种智能制造用次品分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111580128.6A CN114219799A (zh) | 2021-12-22 | 2021-12-22 | 一种智能制造用次品分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114219799A true CN114219799A (zh) | 2022-03-22 |
Family
ID=80704992
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111580128.6A Pending CN114219799A (zh) | 2021-12-22 | 2021-12-22 | 一种智能制造用次品分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114219799A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114879621A (zh) * | 2022-07-11 | 2022-08-09 | 佛山市木木生活家具有限公司 | 一种家具喷涂加工控制方法、系统及装置 |
| CN115049304A (zh) * | 2022-07-07 | 2022-09-13 | 广州赛意信息科技股份有限公司 | 一种生产过程管控的可回溯管理方法、系统、介质及装置 |
| CN115660596A (zh) * | 2022-11-03 | 2023-01-31 | 创启科技(广州)有限公司 | 一种移动终端的数据交互方法及移动终端 |
| CN116258424A (zh) * | 2023-05-16 | 2023-06-13 | 宁德时代新能源科技股份有限公司 | 产品分析方法、电池产品分析方法、装置、设备及介质 |
| CN116342606A (zh) * | 2023-05-30 | 2023-06-27 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
| CN117516868A (zh) * | 2023-10-24 | 2024-02-06 | 江苏俊知传感技术有限公司 | 光分路器智能化检测系统 |
| CN117686516A (zh) * | 2024-01-29 | 2024-03-12 | 江苏优众微纳半导体科技有限公司 | 基于机器视觉的芯片外观缺陷自动检测系统 |
| CN118761677A (zh) * | 2024-09-03 | 2024-10-11 | 广州飞达音响有限公司 | 一种音响生产缺陷智能测试方法及系统 |
| CN118823014A (zh) * | 2024-09-18 | 2024-10-22 | 常州华旋传感技术有限公司 | 一种零件识别检测系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060191622A1 (en) * | 2005-02-28 | 2006-08-31 | The Boeing Company | Real-time infrared thermography inspection and control for automated composite material layup |
| CN101666616A (zh) * | 2008-09-01 | 2010-03-10 | 比亚迪股份有限公司 | 一种外观检测方法 |
| CN101762231A (zh) * | 2008-12-26 | 2010-06-30 | 比亚迪股份有限公司 | 一种手机按键外观检测装置及检测方法 |
| CN106886989A (zh) * | 2015-12-11 | 2017-06-23 | 东莞东聚电子电讯制品有限公司 | 键盘按键的自动光学检测方法 |
| CN109949291A (zh) * | 2019-03-19 | 2019-06-28 | 苏州润智和智能科技有限公司 | 一种汽车铸铝件x射线图像的缺陷检测方法 |
| CN110619620A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 导致表面缺陷的异常定位方法、装置、系统及电子设备 |
| CN112465809A (zh) * | 2020-12-15 | 2021-03-09 | 北京市计算中心 | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 |
| CN112964736A (zh) * | 2021-02-04 | 2021-06-15 | 杭州富庆纸制品有限公司 | 印刷机的印刷质量控制系统、方法、智能终端及存储介质 |
-
2021
- 2021-12-22 CN CN202111580128.6A patent/CN114219799A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060191622A1 (en) * | 2005-02-28 | 2006-08-31 | The Boeing Company | Real-time infrared thermography inspection and control for automated composite material layup |
| CN101666616A (zh) * | 2008-09-01 | 2010-03-10 | 比亚迪股份有限公司 | 一种外观检测方法 |
| CN101762231A (zh) * | 2008-12-26 | 2010-06-30 | 比亚迪股份有限公司 | 一种手机按键外观检测装置及检测方法 |
| CN106886989A (zh) * | 2015-12-11 | 2017-06-23 | 东莞东聚电子电讯制品有限公司 | 键盘按键的自动光学检测方法 |
| CN110619620A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 导致表面缺陷的异常定位方法、装置、系统及电子设备 |
| CN109949291A (zh) * | 2019-03-19 | 2019-06-28 | 苏州润智和智能科技有限公司 | 一种汽车铸铝件x射线图像的缺陷检测方法 |
| CN112465809A (zh) * | 2020-12-15 | 2021-03-09 | 北京市计算中心 | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 |
| CN112964736A (zh) * | 2021-02-04 | 2021-06-15 | 杭州富庆纸制品有限公司 | 印刷机的印刷质量控制系统、方法、智能终端及存储介质 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049304A (zh) * | 2022-07-07 | 2022-09-13 | 广州赛意信息科技股份有限公司 | 一种生产过程管控的可回溯管理方法、系统、介质及装置 |
| CN114879621A (zh) * | 2022-07-11 | 2022-08-09 | 佛山市木木生活家具有限公司 | 一种家具喷涂加工控制方法、系统及装置 |
| CN114879621B (zh) * | 2022-07-11 | 2022-09-27 | 佛山市木木生活家具有限公司 | 一种家具喷涂加工控制方法、系统及装置 |
| CN115660596A (zh) * | 2022-11-03 | 2023-01-31 | 创启科技(广州)有限公司 | 一种移动终端的数据交互方法及移动终端 |
| CN116258424B (zh) * | 2023-05-16 | 2023-09-29 | 宁德时代新能源科技股份有限公司 | 产品分析方法、电池产品分析方法、装置、设备及介质 |
| CN116258424A (zh) * | 2023-05-16 | 2023-06-13 | 宁德时代新能源科技股份有限公司 | 产品分析方法、电池产品分析方法、装置、设备及介质 |
| CN116342606A (zh) * | 2023-05-30 | 2023-06-27 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
| CN116342606B (zh) * | 2023-05-30 | 2023-10-17 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
| CN117516868A (zh) * | 2023-10-24 | 2024-02-06 | 江苏俊知传感技术有限公司 | 光分路器智能化检测系统 |
| CN117686516A (zh) * | 2024-01-29 | 2024-03-12 | 江苏优众微纳半导体科技有限公司 | 基于机器视觉的芯片外观缺陷自动检测系统 |
| CN117686516B (zh) * | 2024-01-29 | 2024-05-10 | 江苏优众微纳半导体科技有限公司 | 基于机器视觉的芯片外观缺陷自动检测系统 |
| CN118761677A (zh) * | 2024-09-03 | 2024-10-11 | 广州飞达音响有限公司 | 一种音响生产缺陷智能测试方法及系统 |
| CN118761677B (zh) * | 2024-09-03 | 2025-02-07 | 广州飞达音响有限公司 | 一种音响生产缺陷智能测试方法及系统 |
| CN118823014A (zh) * | 2024-09-18 | 2024-10-22 | 常州华旋传感技术有限公司 | 一种零件识别检测系统及方法 |
| CN118823014B (zh) * | 2024-09-18 | 2024-11-29 | 常州华旋传感技术有限公司 | 一种零件识别检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114219799A (zh) | 一种智能制造用次品分析方法及系统 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN113325001B (zh) | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 | |
| WO2017084186A1 (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
| CN111539923A (zh) | 一种焊缝缺陷的数字射线检测方法、系统及服务器 | |
| CN117686516B (zh) | 基于机器视觉的芯片外观缺陷自动检测系统 | |
| CN113888480A (zh) | 一种基于mes的质量追溯方法和系统 | |
| CN114895634A (zh) | 一种基于机器视觉的产品生产线自动控制系统 | |
| CN116337868A (zh) | 一种表面缺陷检测方法及检测系统 | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| CN115830403B (zh) | 一种基于深度学习的自动缺陷分类系统及方法 | |
| CN112330233A (zh) | 一种基于数据模型的注塑产品质量检测方法 | |
| KR20230058924A (ko) | 인공지능 기반 태양전지 결함 검출 방법 및 장치 | |
| CN118195422B (zh) | 一种多芯片的封装缺陷检测方法及系统 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN118376864A (zh) | 基于半导体冲切设备装管机构用故障诊断系统及方法 | |
| CN116308070B (zh) | 一种次品收集管理的方法及相关设备 | |
| CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
| CN115861279A (zh) | 一种人机协同的产品表面缺陷检测方法及系统 | |
| CN116934731A (zh) | 一种笔记本屏幕的缺陷检测方法、装置、设备和介质 | |
| CN115266744A (zh) | 生产线产品的检测系统及方法 | |
| CN116309597A (zh) | 一种药盒混装缺陷的视觉在线检测方法及装置 | |
| CN110992333B (zh) | COF Film缺陷AITraining数据库及应用 | |
| CN115023603A (zh) | 不良图片缺陷等级识别的方法、装置及存储介质 | |
| CN118691612B (zh) | 一种胶囊生产质量监控管理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |