CN107886500A - 一种基于机器视觉和机器学习的产品生产监控方法及系统 - Google Patents
一种基于机器视觉和机器学习的产品生产监控方法及系统 Download PDFInfo
- Publication number
- CN107886500A CN107886500A CN201710954943.1A CN201710954943A CN107886500A CN 107886500 A CN107886500 A CN 107886500A CN 201710954943 A CN201710954943 A CN 201710954943A CN 107886500 A CN107886500 A CN 107886500A
- Authority
- CN
- China
- Prior art keywords
- image
- product
- detected
- machine learning
- defect
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010801 machine learning Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 138
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 8
- 238000011946 reduction process Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 24
- 239000000047 product Substances 0.000 description 118
- 238000001514 detection method Methods 0.000 description 48
- 238000004422 calculation algorithm Methods 0.000 description 21
- 239000004744 fabric Substances 0.000 description 21
- 229920000742 Cotton Polymers 0.000 description 16
- 241000894007 species Species 0.000 description 16
- 238000001914 filtration Methods 0.000 description 10
- 238000009941 weaving Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004513 sizing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000004677 Nylon Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 229920001778 nylon Polymers 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000036548 skin texture Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- IXSZQYVWNJNRAL-UHFFFAOYSA-N etoxazole Chemical group CCOC1=CC(C(C)(C)C)=CC=C1C1N=C(C=2C(=CC=CC=2F)F)OC1 IXSZQYVWNJNRAL-UHFFFAOYSA-N 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000693 micelle Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 125000003003 spiro group Chemical group 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
- G06T2207/30232—Surveillance
Abstract
本发明提供一种基于机器视觉和机器学习的产品生产监控方法及系统，所述方法包括：对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。本发明提供的基于机器视觉和机器学习的产品生产监控方法及系统，当提取到待检测产品的图像中的图像特征后，利用预设的机器学习模型确定待检测产品的缺陷种类，根据该缺陷种类向受控设备发送控制指令，来达到消除产品缺陷的目的，整个过程实现全自动化，提高了产品生产的效率。
Description
技术领域
本发明涉及工业互联网技术领域，尤其涉及一种基于机器视觉和机器学习的产品生产监控方法及系统。
背景技术
工业互联网通过将具有感知功能的各类型终端、基于泛在技术的计算模式、以及互联网、移动通信等多种传输方式不断地融合到工业生产的各个环节，实现工业生产效率的大幅提高，改善产品质量，减轻工业成本和能耗，将传统工业转变为智能工业。
产品生产过程中由于各种原因会生产出不同质量的产品，有的产品合格有的产品不合格，不合格的产品中存在各种缺陷，现有技术中，产品生产过程中的产品检测与分类主要通过两种方案实现：一、人工检测与分类，通过对检测人员的培训，以及工作经验的长期积累，使检测人员具有辨别产品质量的能力。二、机器检测与分类，通过采集合格产品的图像信息作为样本库中的标准图像，然后通过图像采集设备，采集生产线上产品的图像，将待检测图像与标准图像进行对比分析，得出产品的质量是否合格的结果。
上述两类方案分别存在如下不足：其中，方案一对产品的检测，对产品生产的监控全部由人完成，受人为因素影响较大，检测准确率低，检测效率低，产品的生产效率低，人工成本高；方案二只是简单地检测出产品的缺陷并进行分类，找出不合格产品，检测的灵活性差，若生产的产品存在质量缺陷问题，仍然需要操作人员对缺陷进行分析后调整生产设备，解决产品的质量缺陷问题，产品的生产效率低，对操作人员的操作技能和经验要求较高。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于机器视觉和机器学习的产品生产监控方法及系统，解决了现有技术中产品生产过程的监控都有操作人员完成，监控的准确性差，监控效率低，产品生产效率低的技术问题。
(二)技术方案
为了解决上述技术问题，一方面，本发明提供一种基于机器视觉和机器学习的产品生产监控方法，包括：
对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；
若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。
进一步地，所述预设的机器学习模型中包含缺陷种类、图像特征和控制指令三者的一一对应关系。
进一步地，所述方法还包括：
对待检测产品的图像进行特征提取之前需要对所述待检测产品的图像依次进行分割处理、灰度化处理和降噪处理。
进一步地，所述方法还包括：
若无法根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则发出报警信号，以指示操作人员有新的缺陷产生，需要对所述预设的机器学习模型进行更新。
进一步地，所述灰度化处理具体为：通过公式T＝1/3(R+G+B)对所述待检测产品的图像进行处理，其中，T为像素的灰度值，R为像素RGB值中的R值，G为像素RGB值中的G值，B为像素RGB值中的B值。
另一方面，本发明提供一种基于机器视觉和机器学习的产品生产监控系统，包括：
图像采集设备，用于获取待检测产品的图像；
本地决策设备，用于对所述待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令；
受控设备，用于执行所述控制指令。
进一步地，所述本地决策设备还用于分别对所述待检测产品的图像依次进行分割处理、灰度化处理和降噪处理。
再一方面，本发明提供一种用于监控基于机器视觉和机器学习的产品生产的电子设备，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
又一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。
又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
(三)有益效果
本发明提供的基于机器视觉和机器学习的产品生产监控方法及系统，当提取到待检测产品的图像中的图像特征后，利用预设的机器学习模型确定待检测产品的缺陷种类，根据该缺陷种类向受控设备发送控制指令，来达到消除产品缺陷的目的，整个过程实现全自动化，提高了产品生产的效率。
附图说明
图1为依照本发明实施例的基于机器视觉和机器学习的产品生产监控系统示意图；
图2为依照本发明实施例的基于机器视觉和机器学习的产品生产监控方法示意图；
图3为本发明实施例提供的用于监控基于机器视觉和机器学习的产品生产的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
图1为依照本发明实施例的基于机器视觉和机器学习的产品生产监控系统示意图，如图1所示，本发明实施例提供一种基于机器视觉和机器学习的产品生产监控系统，包括：图像采集设备10、本地决策设备20和受控设备30，其中，图像采集设备10用于获取待检测产品的图像；本地决策设备20用于对所述待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令；受控设备30用于执行所述控制指令。
具体的，当前，机器学习和模式识别技术在工厂中的应用主要是在工业检测领域，能极大地增加了产品的质量及可靠性，确保了生产的效率。己经实现的产品检测应用的领域有玻璃制品裂纹检测，零件边缘及平面尺寸检测，带钢表面缺陷检测，以及产品包装印刷质量的检测等。
机械零件具体检测时主要包含了零件几何尺寸与形位误差的测量、工件表面或内部的缺陷检测以及零件的自动识别与分类等。在测量巧轮、螺纹等一些结构复杂的零件时，只需单幅或多幅图像便可获得其结构的轮廓信息；然而，测量微小尺寸工件时，需要通过调节机器视觉系统中摄像机的放大倍数和分辨率来实现各种测量范围的高精度检测；测量大尺寸工件时，则需要利用机器视觉技术拼接零件不同部位的图像，来获取零件结构的完整尺寸。
本发明实施例的基于机器视觉和机器学习的产品生产监控系统具体包括：图像采集设备10、本地决策设备20和受控设备30，其中，图像采集设备10主要负责基础数据的采集，并通过内部的采集卡传递给本地决策设备20。例如，图像采集设备10要对工厂生产线上的产品进行信息采集，需要通过事先设定好拍摄的角度、光照等条件，以保证在后续的分析判断中，能够从拍摄资料中获取到更多的细节数据。
图像采集设备10对每一件经过其的产品进行拍摄，将拍摄的数据通过有线连接(工业以太网等)或是无线传输(蓝牙、zigbee，wifi，GPRS/3G/4G/5G)的方式，传递到本地决策设备20。
本地决策设备20中存储有机器学习模型，运行着模式识别和机器学习的算法和程序，且算法和程序的种类并不唯一，不同的算法可以对应不同产品的检测方案。本地决策设备20可以是一台或多台普通的台式机电脑、服务器或专用设备上，本地决策设备20接收来自于图像采集设备10采集的待检测图像数据，用特征提取算法提取待检测产品的图像中的图像特征，根据所述图像特征利用机器学习模型确定待检测产品的缺陷种类、产生缺陷的原因和消除缺陷的控制指令，并根据所述缺陷种类向受控设备发送控制指令。
受控设备30用于执行所述控制指令，受控设备30可以为工厂中的产品生产设备，通过执行所述控制指令实现对产品生产设备的调整和修正，从而消除产品的缺陷。
受控设备30还可以是传送带、产品打包设备等。受控设备30收到来自本地决策设备20的控制指令，控制指令中包括消除产品缺陷的具体修正参数、不合格产品的编号等，这些信息分别传递给生产线上的生产设备，让其进行参数修正，以及传送带和产品打包设备，让其剔除掉不合格产品。
进一步地，所述本地决策设备还用于分别对所述待检测产品的图像依次进行分割处理、灰度化处理和降噪处理。
具体的，在对待检测产品的图像进行特征提取之前，本地决策设备20需要对待检测产品的图像进行预处理，首先利用本地决策设备20中运行的图像分割算法对待检测产品的图像进行分割，提取感兴趣的目标，然后，利用灰度化处理算法对待检测产品的图像进行灰度化处理，使彩色图像转化成灰度图，通过对待检测产品的图像进行分割处理和灰度化处理能够使后续的图像处理的计算量降低，提高图像处理的效率，然后还需要对待检测产品的图像进行降噪处理，可以通过相关的滤波器完成，通过滤波处理能够突出有用信息，降低噪声干扰。
本发明提供的基于机器视觉和机器学习的产品生产监控系统，当提取到待检测产品的图像中的图像特征后，利用预设的机器学习模型确定待检测产品的缺陷种类，根据该缺陷种类向受控设备发送控制指令，来达到消除产品缺陷的目的，整个过程实现全自动化，提高了产品生产的效率。
实施例2：
图2为依照本发明实施例的基于机器视觉和机器学习的产品生产监控方法示意图，如图2所示，本发明实施例提供一种基于机器视觉和机器学习的产品生产监控方法与实施例1中的产品生产监控系统相对应，具体包括：
步骤S10、对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；
步骤S20、若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。
具体的，本发明实施例的基于机器视觉和机器学习的产品生产监控方法的工作流程如下：
首先，获取待检测产品的图像。可以用图像采集设备完成，图像采集设备可以是照相机或摄像机等。
然后，利用特征提取算法对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征。
再根据所述图像特征利用预设的机器学习模型确定待检测产品的缺陷种类，产生缺陷的原因和消除缺陷的控制指令，即，将提取的图像特征与机器学习模型中存储的样本中的图像特征进行匹配，匹配度高于一定阈值则认为匹配成功，否则判断为匹配不成功，将机器学习模型中的匹配成功的图像特征对应的缺陷种类作为待检测产品的缺陷种类。
最后，根据缺陷种类向受控设备发送控制指令，以指示受控设备执行该控制指令，通过执行控制指令实现对产品生产设备的调整和修正，从而消除产品的缺陷。
进一步地，所述预设的机器学习模型中包含缺陷种类、图像特征和控制指令三者的一一对应关系。
具体的，在建立机器学习模型的过程中，需要采集多个“缺陷种类-图像特征-控制指令”样本，所述样本是操作人员通过实际生产中遇到的产品的缺陷种类，通过特征提取算法对该缺陷种类的图像信息进行特征提取，得到图像特征，并针对该缺陷分析出产生缺陷的原因和消除该缺陷的控制指令。每个样本将缺陷种类、图像特征和控制指令紧密地关联起来，呈一一对应关系，通过匹配图像特征就可以得出缺陷种类、产生缺陷的原因和消除该缺陷的控制指令。
进一步地，所述方法还包括：
对待检测产品的图像进行特征提取之前需要对所述待检测产品的图像依次进行分割处理、灰度化处理和降噪处理。
具体的，在对待检测产品的图像进行特征提取之前，需要对待检测产品的图像进行预处理，首先利用本地决策设备中运行的图像分割算法对待检测产品的图像进行分割，提取感兴趣的目标，然后，利用灰度化处理算法对待检测产品的图像进行灰度化处理，使彩色图像转化成灰度图，通过对待检测产品的图像进行分割处理和灰度化处理能够使后续的图像处理的计算量降低，提高图像处理的效率，然后还需要对待检测产品的图像进行降噪处理，可以通过相关的滤波器完成，通过滤波处理能够突出有用信息，降低噪声干扰。
进一步地，所述方法还包括：若无法根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则发出报警信号，以指示操作人员有新的缺陷产生，需要对所述预设的机器学习模型进行更新。
具体的，在机器学习模型的建立过程中，不可能将所有缺陷的样本都采集到，当遇到根据提取的图像特征利用预设的机器学习模型无法确定待检测产品的缺陷种类时，则说明所提取的图像特征并不在所述机器学习模型中的样本之中，此时，将发出报警信号，以指示操作人员有新的缺陷产生，需要操作人员通过特征提取算法对该缺陷种类的图像信息进行特征提取，得到得到该缺陷产品的图像特征，并针对该缺陷分析出产生缺陷的原因，制定出消除该缺陷的控制指令，建立一个新的“缺陷种类-图像特征-控制指令”样本，添加到所述机器学习模型中。另一方面，机器学习模型在识别能够识别出的图像特征时，同样会将采集到的新的图像特征，以及识别出的缺陷种类和控制指令，组成一个新的样本添加到机器学习模型中，以实现自我学习，通过多次的迭代，使机器学习模型的图像特征识别能力越来越强，识别准确率也越来越高。
进一步地，所述灰度化处理具体为：通过公式T＝1/3(R+G+B)对所述待检测产品的图像进行处理，其中，T为像素的灰度值，R为像素RGB值中的R值，G为像素RGB值中的G值，B为像素RGB值中的B值。
具体的，利用灰度化处理算法对待检测产品的图像进行灰度化处理，使彩色图像转化成灰度图，算法对应的公式为T＝1/3(R+G+B)对所述待检测产品的图像进行处理，其中，T为像素的灰度值，R为像素RGB值中的R值，G为像素RGB值中的G值，B为像素RGB值中的B值。
通过对待检测产品的图像进行分割处理和灰度化处理能够使后续的图像处理的计算量降低，提高图像处理的效率。
进一步地，报警信号通过操作人员终端发出。
具体的，本地决策设备无法确定待检测产品的缺陷种类时，将通过操作人员终端发出报警信号以提醒操作人员及时处理，操作人员终端可以设置在工厂监控室的电脑上，也可以是操作人员随身携带的移动终端。
下面通过两个具体的应用实例进一步说明本发明实施例的方案：
例一：对胶管生产的监控方法
现有技术中对胶管的生产监控是依靠人工完成的，主要是凭肉眼观察缺陷，依靠检测者的技术经验，凭借外观来判定胶管表面有无凸起、裂缝等缺陷，采用方法是：检测人员站在生产线旁，肉眼观察表面有无缺陷，手工用刀具割断含有缺陷的胶管段，但肉眼检测能为毕竟有暇，从而造成胶管表面缺陷的大量误检或漏检，这种检测方法有如下缺点：
1)首先，检测结果受检测人员的素质、经验等主观因素的影响。由于经验水平的不同，不同的检测人员对同样缺陷会有不同的判断，将导致缺陷种类不准，缺乏准确性和规范化，降低了检测的可信度；
2)检测人员的劳动强度大，容易疲乏，很难检测到细微缺陷，极易造成误判和漏检，影响对产品质量的有效监控；
3)人工检测速度慢，工作效率低，无法满足企业高速的制造节奏，不适应现代化工业大生产的要求，难以实现大批量、高质量的自动化流水线生产过程及实现产品的零废品率检测的要求。
胶管缺陷的产生原因主要存在于胶管生产过程中的挤出步骤，通过挤出机产出对应形状的胶管；胶料通过挤出机的喂料口进入机器，并通过机螺杆塑化、混合。由于挤出机和生产过程中喂料因素制约，胶管的表面缺陷主要分为三类：凸起、裂痕(缝)、白斑。
基于本发明实施例中的方案对于工厂胶管生产的监控步骤主要分为以下几步：
步骤一：设定采集器视角、周围光照、拍摄间隔、拍摄分辨率等条件。保证获取到合乎检测规范的待检测产品的图像数据，保证获取到足够的特征细节。
步骤二：图像预处理。在采集过程中，由于图像采集设备原因或周边环境的影响，如光照不均匀等因素，会引入噪声。另外，图像在传输或转换过程中，由于噪声、衰减等原因，都会造成不同程度的图像质量下降，体现为部分图像边缘、轮廓模糊或图像灰度突变等现象，或者产生虚假的边缘与轮廓信息而影响后续检测精度。图像预处理主要就是对原始图像进行噪声滤波和图像增强操作，在不影响有效图像信息的前提下尽量提高图像的能识别质量。通过预处理操作，将图像中的有用信息尽量突出，衰减无用信息，降低后续处理的难度，提高检测系统的检测效率。
具体的预处理步骤又分为：图像分割、灰度化处理、图像滤波。具体来说，图像分割是将目标对象外的部分去除掉，保留图像中感兴趣的区域即胶管目标对象区域。一方面可以减少所需要处理的数据量，提高检测速率；另一方面，能够有效地排除无效数据对检测带来的干扰，有助于提高检测精度。
灰度化处理，是将原本拍摄的彩色图片，根据每一个像素点的RGB值，计算其灰度，并将每个像素点的灰度值存储在一个二维数组中，灰度计算公式为：
通过灰度化图像，能够进一步的压缩图像存储空间，便于图像的传输和处理，对于图像中有用信息的提取，通过分析量化后的灰度值，方便进行特征提取，而且也方便后期的几何变化和滤波处理。
滤波算法，由于环境因素影响，采集到的图像不可避免的存在各种类型的噪声，通过滤波算法能够突出有用信息，降低噪声干扰。
步骤三：图像特征提取。在本例中，对于胶管的图像特征检测，主要是边缘检测、三维缺陷检测两种。前者是对胶管的有效范围进行提取，舍弃产品之外的背景信息，同时，还可以使用边缘提取算子，根据胶管的梯度值变化，对于胶管上存在的白斑或色差类缺陷进行检测；后者是完成胶管的三维图像分析，通过拍摄数据中的亮暗特征，建立起胶管三维模型，对于凹凸类型的缺陷，其特点是与光滑表面在深度或高度上有不同，这在光线照射下，出现一面亮，一面暗的视觉效果，而边缘检测中存在的平面类缺陷(例如白斑)则不会有这样的特征。在图像特征提取后，获得缺陷区域的面积、缺陷区域周长、缺陷局域的圆形度和缺陷区域的长径比等参数。缺陷区域的面积可以通过统计缺陷边界内部的像素点个数获得。长径比为缺陷区域内任意两点之间最长的距离和其垂线方向上最长两点距离的比值。
步骤四：特征分类。在上一步中完成的图像特征提取，根据本地决策设备中运行的机器学习算法，对已有特征进行分类，在本例中，胶管表面缺陷主要被分为三类：凸起、裂痕、白斑。经过前一步的特征提取，使用二叉决策树分类器，以分层结构判断各类特征。根据上面采集到的缺陷区域的面积、缺陷区域周长、缺陷局域的圆形度和缺陷区域的长径比等参数进行判断。例如，裂缝缺陷相对于白斑和凸起缺陷，其长径比明显要大，当缺陷区域的长径比大于某一预设长径比阈值时，判断该缺陷为裂缝缺陷，当缺陷区域的长径比小于等于该预设长径比阈值时，判断该缺陷为白斑或者凸起；然后再根据缺陷区域的面积确定该缺陷是白斑还是凸起，当缺陷区域的面积大于某一预设面积阈值时，判断该缺陷为白斑，当缺陷区域的面积小于等于该预设面积阈值时，判断该缺陷为凸起。
本地决策设备中算法对于这一步的分类还可以进行进一步的处理，即根据缺陷类型对生产工序进行判定，例如尼龙涂层未完全熔融等原因，会导致其表面出现凸起，胶料内若有胶团、硬质颗粒等杂质，就会在挤出机挤出橡胶的过程产生凸起；胶料中水分或低分子挥发物太多，胶料热炼或喂料中混入空气，或挤出机在工作中使得胶管表面湿度太高，会导致胶管膨胀出现裂痕；挤出设备胶料飞溅，或熔融的白色尼龙点滴沾染在黑色橡胶外表面会导致形成白斑缺陷。以上都是特定的缺陷，其对应的具体生产工序，即为产品缺陷产生的原因，而每种原因都有对应的控制策略，将缺陷种类，图像特征，产生缺陷的原因和控制指令一一对应起来就组成了机器学习模型的样本。基于机器学习技术，在对缺陷对应工序进行了样本训练学习之后，就可以在分类产品缺陷的基础上，进一步的完成缺陷对应工序的分类决策，能够更快、更准确、更便捷的找出生产中存在的问题，进而生成控制指令，用于控制成产设备。
步骤五：本地决策设备将控制指令下发到受控设备预警，并在终端上显示。本地决策设备在得出分类结果之后，根据结果输出决策，决策数据会被发送到受控设备终端以供执行相应的操作，比如不合格产品的剔除，问题工序的修正等，同时，本地决策设备还会将其保存到数据库中用以日志记录；当出现了无法分类的异常数据时，会将数据上报给管理人员终端进行处理，管理人员在处理完异常数据信息之后，可以通过本地决策设备的机器学习训练机制，完善该类型数据的训练分类。
例二：对织布生产的监控方法
现有技术中对织布的生产监控是依靠人工完成的，主要是人工肉眼识别的检测方法，这种方法与例一中的胶管检测有类似的弊端，即存在一般性人工检测的缺点，具体包括：人工成本高昂、检测的准确度依赖于人工的经验和工作状态；不同于例一中的胶管检测的是，胶管的规格尺寸变更周期远小于布匹样式，许多工厂还提供了自定义样式布匹的生产模式，织布行业产品样式的多变，使得人工检测的准确性遭受到了极大地挑战。
不同于人工检测存在的人眼视觉误差及分辨率上限等问题，机器视觉能够通过创建织布的规格分类器，快速正确的完成检测产品的规格分类，再进一步的对该分类下的织布图案、纹理检测分析，通过双层分类检测机制，能够实时有效的实现纺织生产过程中对于织物的实时性检测和检测的高精度要求。
基于本发明实施例中的方案对织布生产监控的具体步骤如下：
步骤一：设定采集器视角、周围光照、拍摄间隔、拍摄分辨率等条件。保证获取到合乎检测规范的待检测产品的图像数据，保证获取到足够的特征细节。
步骤二：图像预处理。在采集过程中，由于图像采集设备原因或周边环境的影响，如光照不均匀等因素，会引入噪声。另外，图像在传输或转换过程中，由于噪声、衰减等原因，都会造成不同程度的图像质量下降，体现为部分图像边缘、轮廓模糊或图像灰度突变等现象，或者产生虚假的边缘与轮廓信息而影响后续检测精度。图像预处理主要就是对原始图像进行噪声滤波和图像增强操作，在不影响有效图像信息的前提下尽量提高图像的能识别质量。通过预处理操作，将图像中的有用信息尽量突出，衰减无用信息，降低后续处理的难度，提高检测系统的检测效率。
具体的预处理步骤又分为：图像分割、灰度化处理、图像滤波。具体来说，图像分割是将目标对象外的部分去除掉，保留图像中感兴趣的区域即织布目标对象区域。一方面可以减少所需要处理的数据量，提高检测速率；另一方面，能够有效地排除无效数据对检测带来的干扰，有助于提高检测精度。除此之外，织布图像切割结果，还是下一步织布规格分类的重要参考参数。
灰度化处理，是将原本拍摄的彩色图片，根据每一个像素点的RGB值，计算其灰度，并将每个像素点的灰度值存储在一个二维数组中，灰度计算公式为公式1。
通过灰度化图像，能够进一步的压缩图像存储空间，便于图像的传输和处理，对于图像中有用信息的提取，通过分析量化后的灰度值，方便进行特征提取，而且也方便后期的几何变化和滤波处理。
滤波算法，由于环境因素影响，采集到的图像不可避免的存在各种类型的噪声，通过滤波算法能够突出有用信息，降低噪声干扰。
步骤三：图像特征提取。本例中，对于织布的检测，主要分为织布毛刺检测、织布针脚缺陷检测、织布纹理检测三项。步骤二已经完成了图像的预处理，现在将进行图像多次分类及特征的提取。
规格分类，通过机器视觉对步骤二中分割的图像进行扫描，根据图像边缘形状、织布大小，对比本地决策设备中已有的织布规格分类标准，对织布进行第一次分类。该次分类依据的是产品的边缘参数和规格大小，通过本次分类，能够初步确定产品的样式范围，降低后续特征提取时的检测计算量，提高产品的检测效率。
特征提取。通过机器视觉算法对目标图像进行分析处理，得到瑕疵区域，并对该区域进行编号、定位，继续在出现瑕疵的区域周围分别提取特征值，结合人类视觉感知特点的“Tamura纹理特征”中的粗糙度、对比度、线性度、规整度、粗略度、方向度等，一同作为特征值进行提取。
步骤四：特征分类。根据上一步中完成的特征提取，以及本地决策设备中运行的机器学习算法，对已有特征值进行分类。在本例中，织布进行检测分类的是毛刺、针脚错误、纹理缺陷三项。经过前一步的特征提取，本地决策设备中的算法对于这一步的分类还可以进行进一步的处理，即根据缺陷类型对生产工序进行判定，例如针脚错位，可以根据错位的针脚在整块织布上的定位，确定机器运行出错的位置；而对于纹理缺陷，可以通过纹理上的瑕疵，定位出错的印染机器及其工序，即为产品缺陷产生的原因，而每种原因都有对应的控制策略，将缺陷种类，图像特征，产生缺陷的原因和控制指令一一对应起来就组成了机器学习模型的样本。基于机器学习技术，在对缺陷对应工序进行了样本训练学习之后，就可以在分类产品缺陷的基础上，进一步的完成缺陷对应工序的分类决策，能够更快、更准确、更便捷的找出生产中存在的问题，进而生成控制指令，用于控制成产设备。
步骤五：本地决策设备将控制指令下发到受控设备预警，并在终端上显示。本地决策设备在得出分类结果之后，根据结果输出决策，决策数据会被发送到受控设备终端以供执行相应的操作，比如不合格产品的剔除，问题工序的修正等，同时，本地决策设备还会将其保存到数据库中用以日志记录；当出现了无法分类的异常数据时，会将数据上报给管理人员终端进行处理，管理人员在处理完异常数据信息之后，可以通过本地决策设备的机器学习训练机制，完善该类型数据的训练分类。
本发明提供的基于机器视觉和机器学习的产品生产监控方法，当提取到待检测产品的图像中的图像特征后，利用预设的机器学习模型确定待检测产品的缺陷种类，根据该缺陷种类向受控设备发送控制指令，来达到消除产品缺陷的目的，整个过程实现全自动化，提高了产品生产的效率。
实施例3：
图3为本发明实施例提供的用于监控基于机器视觉和机器学习的产品生产的电子设备的结构示意图，如图3所示，所述设备包括：处理器(processor)801、存储器(memory)802和总线803；
其中，处理器801和存储器802通过所述总线803完成相互间的通信；
处理器801用于调用存储器802中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；
若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。
实施例4：
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；
若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。
实施例5：
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；
若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于机器视觉和机器学习的产品生产监控方法，其特征在于，包括：
对待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；
若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令。
2.根据权利要求1所述的方法，其特征在于，所述预设的机器学习模型中包含缺陷种类、图像特征和控制指令三者的一一对应关系。
3.根据权利要求1所述的方法，其特征在于，还包括：
对待检测产品的图像进行特征提取之前需要对所述待检测产品的图像依次进行分割处理、灰度化处理和降噪处理。
4.根据权利要求1-3所述的方法，其特征在于，还包括：
若无法根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则发出报警信号，以指示操作人员有新的缺陷产生，需要对所述预设的机器学习模型进行更新。
5.根据权利要求3所述的方法，其特征在于，所述灰度化处理具体为：通过公式T＝1/3(R+G+B)对所述待检测产品的图像进行处理，其中，T为像素的灰度值，R为像素RGB值中的R值，G为像素RGB值中的G值，B为像素RGB值中的B值。
6.一种基于机器视觉和机器学习的产品生产监控系统，其特征在于，包括：图像采集设备，用于获取待检测产品的图像；
本地决策设备，用于对所述待检测产品的图像进行特征提取，得到所述待检测产品的图像特征；若能根据所述图像特征利用预设的机器学习模型确定所述待检测产品的缺陷种类，则根据所述缺陷种类向受控设备发送控制指令，以指示所述受控设备执行所述控制指令；
受控设备，用于执行所述控制指令。
7.根据权利要求6所述的系统，其特征在于，所述本地决策设备还用于分别对所述待检测产品的图像依次进行分割处理、灰度化处理和降噪处理。
8.一种用于监控基于机器视觉和机器学习的产品生产的电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
9.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至5任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710954943.1A CN107886500A (zh) | 2017-10-13 | 2017-10-13 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710954943.1A CN107886500A (zh) | 2017-10-13 | 2017-10-13 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107886500A true CN107886500A (zh) | 2018-04-06 |
Family
ID=61781378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710954943.1A Pending CN107886500A (zh) | 2017-10-13 | 2017-10-13 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107886500A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测系统和方法 |
| CN108982544A (zh) * | 2018-06-20 | 2018-12-11 | 青岛联合创智科技有限公司 | 一种印制电路板瑕疵部件检测方法 |
| CN109115805A (zh) * | 2018-10-25 | 2019-01-01 | 广东华中科技大学工业技术研究院 | 基于超声和光学双成像的透明构件缺陷检测装置及方法 |
| CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
| CN109559304A (zh) * | 2018-11-23 | 2019-04-02 | 聚时科技(上海)有限公司 | 用于工业视觉检测的图像品质在线评估方法、装置及应用 |
| CN109886302A (zh) * | 2019-01-21 | 2019-06-14 | 河北新兴铸管有限公司 | 基于机器学习的管径判断方法及终端设备 |
| CN109927030A (zh) * | 2019-03-28 | 2019-06-25 | 云南国土资源职业学院 | 一种外观零部件检测的机器人视觉定位方法 |
| CN110290203A (zh) * | 2019-06-25 | 2019-09-27 | 东莞德福得精密五金制品有限公司 | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 |
| CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
| CN110646064A (zh) * | 2019-09-24 | 2020-01-03 | 红云红河烟草(集团)有限责任公司 | 一种基于k波雷达物位成像技术的生产线阻料诊断的方法 |
| WO2020007118A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏外围电路检测方法、装置、电子设备及存储介质 |
| WO2020007119A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏外围电路检测方法、装置、电子设备及存储介质 |
| CN111062908A (zh) * | 2018-10-01 | 2020-04-24 | Skc株式会社 | 检测膜缺陷的方法及系统 |
| CN111563872A (zh) * | 2019-01-29 | 2020-08-21 | 东京毅力科创株式会社 | 图像识别系统和图像识别方法 |
| CN111784666A (zh) * | 2020-06-30 | 2020-10-16 | 深兰科技(达州)有限公司 | 基于学习记忆的led灯珠缺陷检测方法 |
| CN111929239A (zh) * | 2020-07-20 | 2020-11-13 | 浙江四点灵机器人股份有限公司 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
| US10908980B2 (en) | 2018-11-20 | 2021-02-02 | Rohde & Schwarz Gmbh & Co. Kg | Method and system for detecting faulty devices |
| CN112330606A (zh) * | 2020-10-20 | 2021-02-05 | 西安工程大学 | 一种基于机器学习的缺陷检测方法 |
| CN113435699A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种质量智能管控方法及系统 |
| CN113454548A (zh) * | 2019-02-28 | 2021-09-28 | 纳米电子成像有限公司 | 流水线的动态训练 |
| CN113450302A (zh) * | 2020-03-24 | 2021-09-28 | 东莞新能德科技有限公司 | 基于机器学习极耳检测方法、装置及计算机可读存储介质 |
| CN113490556A (zh) * | 2019-02-27 | 2021-10-08 | 锂工科技股份有限公司 | 用于智能电池收集、分类和包装的方法和系统 |
| CN113748389A (zh) * | 2019-02-26 | 2021-12-03 | Wago管理有限责任公司 | 用于监控工业过程步骤的方法和设备 |
| CN114594746A (zh) * | 2022-05-10 | 2022-06-07 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及系统 |
| CN115138596A (zh) * | 2022-06-07 | 2022-10-04 | 上海壹佰米网络科技有限公司 | 一种视觉检测的方法及装置 |
| CN115496759A (zh) * | 2022-11-17 | 2022-12-20 | 歌尔股份有限公司 | 灰尘检测方法和装置、存储介质 |
| 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 |
| CN116309563A (zh) * | 2023-05-17 | 2023-06-23 | 成都数之联科技股份有限公司 | 面板边缘的缺陷检测方法、装置、介质、设备及程序产品 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101536011A (zh) * | 2005-01-21 | 2009-09-16 | 光子动力学公司 | 自动缺陷修复系统 |
| CN103868935A (zh) * | 2014-02-14 | 2014-06-18 | 中国科学院合肥物质科学研究院 | 基于计算机视觉的烟支外观质量检测方法 |
| CN103914581A (zh) * | 2013-12-27 | 2014-07-09 | 华中科技大学 | 一种塑料注射成型工艺参数优化方法 |
| CN106290378A (zh) * | 2016-08-23 | 2017-01-04 | 东方晶源微电子科技（北京）有限公司 | 缺陷分类方法和缺陷检查系统 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
-
2017
- 2017-10-13 CN CN201710954943.1A patent/CN107886500A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101536011A (zh) * | 2005-01-21 | 2009-09-16 | 光子动力学公司 | 自动缺陷修复系统 |
| CN103914581A (zh) * | 2013-12-27 | 2014-07-09 | 华中科技大学 | 一种塑料注射成型工艺参数优化方法 |
| CN103868935A (zh) * | 2014-02-14 | 2014-06-18 | 中国科学院合肥物质科学研究院 | 基于计算机视觉的烟支外观质量检测方法 |
| CN106290378A (zh) * | 2016-08-23 | 2017-01-04 | 东方晶源微电子科技（北京）有限公司 | 缺陷分类方法和缺陷检查系统 |
| CN106770332A (zh) * | 2017-02-14 | 2017-05-31 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108627520A (zh) * | 2018-05-25 | 2018-10-09 | 北京英斯派克科技有限公司 | 一种非均质固体材料外观质量的在线检测系统和方法 |
| CN108982544A (zh) * | 2018-06-20 | 2018-12-11 | 青岛联合创智科技有限公司 | 一种印制电路板瑕疵部件检测方法 |
| WO2020007118A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏外围电路检测方法、装置、电子设备及存储介质 |
| JP2020530125A (ja) * | 2018-07-02 | 2020-10-15 | 北京百度網訊科技有限公司 | ディスプレイスクリーン周辺回路の検出方法、ディスプレイスクリーン周辺回路の検出装置、電子機器及び記憶媒体 |
| WO2020007119A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏外围电路检测方法、装置、电子设备及存储介质 |
| CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
| CN111062908A (zh) * | 2018-10-01 | 2020-04-24 | Skc株式会社 | 检测膜缺陷的方法及系统 |
| CN109115805A (zh) * | 2018-10-25 | 2019-01-01 | 广东华中科技大学工业技术研究院 | 基于超声和光学双成像的透明构件缺陷检测装置及方法 |
| US10908980B2 (en) | 2018-11-20 | 2021-02-02 | Rohde & Schwarz Gmbh & Co. Kg | Method and system for detecting faulty devices |
| CN109559304A (zh) * | 2018-11-23 | 2019-04-02 | 聚时科技(上海)有限公司 | 用于工业视觉检测的图像品质在线评估方法、装置及应用 |
| CN109886302A (zh) * | 2019-01-21 | 2019-06-14 | 河北新兴铸管有限公司 | 基于机器学习的管径判断方法及终端设备 |
| CN111563872A (zh) * | 2019-01-29 | 2020-08-21 | 东京毅力科创株式会社 | 图像识别系统和图像识别方法 |
| CN111563872B (zh) * | 2019-01-29 | 2023-11-21 | 东京毅力科创株式会社 | 图像识别系统和图像识别方法 |
| CN113748389A (zh) * | 2019-02-26 | 2021-12-03 | Wago管理有限责任公司 | 用于监控工业过程步骤的方法和设备 |
| CN113490556A (zh) * | 2019-02-27 | 2021-10-08 | 锂工科技股份有限公司 | 用于智能电池收集、分类和包装的方法和系统 |
| CN113454548A (zh) * | 2019-02-28 | 2021-09-28 | 纳米电子成像有限公司 | 流水线的动态训练 |
| CN109927030A (zh) * | 2019-03-28 | 2019-06-25 | 云南国土资源职业学院 | 一种外观零部件检测的机器人视觉定位方法 |
| CN110336845A (zh) * | 2019-04-02 | 2019-10-15 | 中国联合网络通信集团有限公司 | 工业产品质量实时监测方法、设备及系统 |
| CN110290203A (zh) * | 2019-06-25 | 2019-09-27 | 东莞德福得精密五金制品有限公司 | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 |
| CN110646064A (zh) * | 2019-09-24 | 2020-01-03 | 红云红河烟草(集团)有限责任公司 | 一种基于k波雷达物位成像技术的生产线阻料诊断的方法 |
| CN113450302A (zh) * | 2020-03-24 | 2021-09-28 | 东莞新能德科技有限公司 | 基于机器学习极耳检测方法、装置及计算机可读存储介质 |
| CN111784666A (zh) * | 2020-06-30 | 2020-10-16 | 深兰科技(达州)有限公司 | 基于学习记忆的led灯珠缺陷检测方法 |
| CN111929239A (zh) * | 2020-07-20 | 2020-11-13 | 浙江四点灵机器人股份有限公司 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
| CN112330606A (zh) * | 2020-10-20 | 2021-02-05 | 西安工程大学 | 一种基于机器学习的缺陷检测方法 |
| CN113435699A (zh) * | 2021-05-24 | 2021-09-24 | 深圳大学 | 一种质量智能管控方法及系统 |
| CN114594746A (zh) * | 2022-05-10 | 2022-06-07 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及系统 |
| CN114594746B (zh) * | 2022-05-10 | 2022-08-12 | 广东祥利科技有限公司 | 改性橡胶智能生产检测控制方法及系统 |
| CN115138596A (zh) * | 2022-06-07 | 2022-10-04 | 上海壹佰米网络科技有限公司 | 一种视觉检测的方法及装置 |
| 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 |
| CN115496759A (zh) * | 2022-11-17 | 2022-12-20 | 歌尔股份有限公司 | 灰尘检测方法和装置、存储介质 |
| CN116309563A (zh) * | 2023-05-17 | 2023-06-23 | 成都数之联科技股份有限公司 | 面板边缘的缺陷检测方法、装置、介质、设备及程序产品 |
| CN116309563B (zh) * | 2023-05-17 | 2023-07-18 | 成都数之联科技股份有限公司 | 面板边缘的缺陷检测方法、装置、介质、设备及程序产品 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886500A (zh) | 一种基于机器视觉和机器学习的产品生产监控方法及系统 | |
| CN109406533A (zh) | 一种产品表面缺陷的检测系统及方法 | |
| CN110658202A (zh) | 一种基于深度学习的工业元器件外观缺陷检测方法 | |
| CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
| CN113592867B (zh) | 一种基于碳纤维布面残留捆绑纱的检测方法 | |
| CN104792789A (zh) | 化纤纸管外观检测装置及方法 | |
| CN107036542A (zh) | 一种齿环内外径外观检测方法及装置 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
| CN104048966B (zh) | 一种基于大律法的布面疵点检测及分类方法 | |
| CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
| CN111766245B (zh) | 一种基于机器视觉的纽扣电池负极壳缺陷检测方法 | |
| CN109385876A (zh) | 一种机织物的智能质量管理系统及其方法 | |
| CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 | |
| CN113592852A (zh) | 一种碳纤维碳丝质量在线检测系统和方法 | |
| Pereira et al. | Computer vision techniques for detecting yarn defects | |
| CN114519696B (zh) | 基于光学智能化的pvc热收缩膜检测方法及系统 | |
| CN113592813B (zh) | 基于深度学习语义分割的新能源电池焊接缺陷检测方法 | |
| CN116051502A (zh) | 一种基于图像处理与深度学习相结合的大丝束碳纤维缺陷检测方法及系统 | |
| CN110813795B (zh) | 一种化纤丝锭纸筒破损在线检测装置及方法 | |
| CN113936001A (zh) | 一种基于图像处理技术的纺织品表面瑕疵点检测方法 | |
| CN116563276B (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
| CN110412055A (zh) | 一种基于多光源暗场照明的透镜白雾缺陷检测方法 | |
| CN116727295A (zh) | 一种全自动化废旧织物识别分拣控制系统 | |
| CN107121063A (zh) | 检测工件的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180406 |