CN108931529B - 一种连续生产卷状材料的良率预估方法 - Google Patents
一种连续生产卷状材料的良率预估方法 Download PDFInfo
- Publication number
- CN108931529B CN108931529B CN201810446415.XA CN201810446415A CN108931529B CN 108931529 B CN108931529 B CN 108931529B CN 201810446415 A CN201810446415 A CN 201810446415A CN 108931529 B CN108931529 B CN 108931529B
- Authority
- CN
- China
- Prior art keywords
- data
- yield
- cutting
- defect
- aoi
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明提供了一种连续生产卷状材料的良率预估方法,包括如下步骤:步骤1:AOI检测:使用AOI设备对每卷膜材进行非接触式、实时检测检测;步骤2:提取AOI检测数据;步骤3:数据预处理:解压AOI检测数据,提取数据表头,得到所需要的缺陷信息;步骤4:数据的筛选;步骤5:数据的分块切割:通过程序,将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割,做出分割图,与实际一一对应;步骤6:计算步骤5得到的切割图,得到准确性高的预估良率。预估良率准确性高,可靠性高,以预估良率为反馈依据,改善生产品质,提升产品良率;通过非接触式检测,不会对卷材良率造成影响;无需取样,不会造成损耗。
Description
技术领域
本发明涉及良率预估方法,尤其涉及卷状材料的良率预估方法。
背景技术
卷状材料的卷长通常大于1000米,生产连续无中断,与生产状况息息相关,卷首卷中卷末品质差异很大;随着时间发展,卷状材料生产速度有了大幅度提高。
现行连续生产的卷状材料,在生产过程中或没有良率预估;或仅有简略的良率预估方法,由每卷卷末抽样检验和在线制程检验组成,仅有等级 A/B/C/D,而无具体数值,预估良率品级为末件等级与制程等级两者中的最低等级。
末件品级:卷末末件抽样(如1米)检验,根据缺陷个数判定末件品级A/B/C/D,如下表(X:缺陷个数):
等级 | 缺陷数(个) |
A | X≤3 |
B | 3<X≤6 |
C | 6<X≤9 |
D | X>9 |
制程等级:品质检验人员在线制程检验,按一定频率检验(如生产500 米检验5分钟),根据缺陷出现米数与整卷收卷米数比例判定制程品级 A/B/C/D,如下表(L:收卷米数;X:缺陷出现米数):
卷状材料的准确良率只能待生产出成品,切成片状,才能得到。
背景技术的技术问题:
预估良率准确性低:现行良率预估技术存在以下问题导致预估良率不准确:仅靠末件抽样及部分制程检验,未对整卷进行整体检验、预估;卷材卷首卷中卷末差异很大,仅抽样末件,代表性不强,样本容量小;制程良率预估以人工检验为基础,随着生产速度的提高,人工检验的难度增加,准确性降低;
造成产品损耗:每卷取样,取样产品无法再次使用,造成损耗。
有降低产品质量的风险:制程检验时,检验人员需进入无尘洁净隔间近距离(≤0.5m)检验材料,人员是无尘洁净隔间的最大污染源,会降低洁净度,存在降低产品质量的风险。
发明内容
为了解决现有技术中问题,本发明提供了一种连续生产卷状材料的良率预估方法,包括如下步骤:
步骤1:AOI检测:使用AOI设备对每卷膜材进行非接触式、实时检测检测;
步骤2:提取AOI检测数据;
步骤3:数据预处理:解压AOI检测数据,提取数据表头,得到所需要的缺陷信息;
步骤4:数据的筛选:以实际片状成品检验标准为筛选条件,判断何种缺陷Class,何种严重度Severity会在片状成品被判定为缺陷,影响产品良率,筛选出此类Class及Severity待步骤5处理;
步骤5:数据的分块切割:通过程序,将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割,做出分割图,与实际一一对应;
旋转平移转换,θ:切割方向与膜材幅宽方向的夹角:
在程序中设置卷材的切割尺寸、切割方向,程序处理完切割图待步骤 6处理,卷材切割后剩余的边角料另作处理,故边角料区域不纳入良率统计;
步骤6:计算步骤5得到的切割图,预估良率=A÷(A+B),得到准确性高的预估良率。
作为本发明的进一步改进,步骤2具体如下:AOI检测过程会实时生成检测数据,数据包含各种缺陷信息,存储在AOI电脑,通过AOI参数设置,每卷的检测数据将在每卷生产完成后同步自动导出,并以压缩包格式存储在服务器中,提取服务器中的数据文件,得到材料的整卷数据,待步骤3处理。
作为本发明的进一步改进,步骤3中,缺陷信息为:位置信息Md Pos、 CdPos,缺陷的分类Class,缺陷的严重度Severity。
作为本发明的进一步改进,步骤4中,建立一个筛选结果与实际片状成品数据匹配的数据库,根据匹配结果,优化筛选条件;随着数据量的叠加、数据相关性的提高,数据筛选的准确性会进一步提高。
作为本发明的进一步改进,步骤6中,片状区域内有缺陷(≥1个),则记为B品,若无缺陷则记为A品。
本发明的有益效果是:
预估良率准确性高,可靠性高,以预估良率为反馈依据,改善生产品质,提升产品良率;
通过非接触式检测,不会对卷材良率造成影响;
无需取样,不会造成损耗。
附图说明
图1是本发明一种连续生产卷状材料的良率预估方法整体流程图;
图2是AOI检测及数据提取示意图;
图3是数据的筛选示意图;
图4是原始卷材示意图;
图5是按切片尺寸、切片方向切割卷材示意图;
图6是切割后卷材平移示意图;
图7是良率计算示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
名词解释:
AOI(Automatic Optic Inspector):自动光学检测仪;
Md Pos(Machine direction Position):缺陷在膜材运动方向的位置;
CdPos(Cross direction Position):缺陷在垂直膜材运动方向的位置;
Class:缺陷的类别;
Severity:缺陷的严重度;
切片:卷材生产完成后,需经过一段时间的熟成(7——10天),熟成后需按照终端客户要求,以一定方向、尺寸切成片状;
AOI是基于光学原理对卷材生产中遇到的缺陷进行实时检测的设备,由光源、镜头及CCD等成像器件配合后端的计算机采集及图像处理系统等组成。该设备与材料无接触,将材料实物通过光学扫描、图像处理在计算机内部产生实物的扫描图像,扫描图像与标准缺陷图像通过各种比对逻辑算法进行分析判断过滤和分类,最后将材料的各种缺陷以灰度图形式显示在电脑界面,反馈给用户。
本方法依托于AOI实时在线检测卷材,提取AOI检测数据,对数据进行处理,筛选出缺陷数据,根据成品切割尺寸对数据进行分块切割,最后计算整体良率。
如图1所示,一种连续生产卷状材料的良率预估方法,包括如下步骤:
步骤1:AOI检测:AOI检测为非接触式、实时检测,可做到对整卷膜材的全检,且不会对品质造成影响,不会造成损耗,使用AOI设备对每卷膜材进行检测;
步骤2:提取AOI检测数据:AOI检测过程会实时生成检测数据,数据包含各种缺陷信息(Class、Severity、Md Pos、Cd Pos等),存储在AOI 电脑,通过AOI参数设置,每卷的检测数据将在每卷生产完成后同步自动导出,并以压缩包格式存储在服务器中,提取服务器中的数据文件,得到材料的整卷数据,待步骤3处理;
步骤3:数据预处理:解压AOI检测数据,提取数据表头,得到所需要的缺陷信息:位置信息Md Pos、CdPos,缺陷的分类Class,缺陷的严重度Severity;
步骤4:数据的筛选:以实际片状成品检验标准为筛选条件,判断何种缺陷Class,何种严重度Severity会在片状成品被判定为缺陷,影响产品良率,筛选出此类Class及Severity待步骤5处理;为提高筛选数据的准确性,建立一个筛选结果与实际片状成品数据匹配的数据库,根据匹配结果,优化筛选条件;随着数据量的叠加、数据相关性的提高,数据筛选的准确性会进一步提高;
步骤5:数据的分块切割:通过程序,将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割,做出分割图,与实际一一对应;
旋转平移转换:
在程序中可设置卷材的切割尺寸、切割方向,程序处理完切割图待步骤6处理。卷材切割后剩余的边角料会另作处理,故边角料区域不纳入良率统计。
步骤6:计算步骤5得到的切割图,若片状区域内有缺陷(≥1个),则记为B品,若无缺陷则记为A品,预估良率=A÷(A+B),得到准确性高的预估良率(预估良率与实际良率误差≤5%)。
步骤4中,数据的筛选:AOI检测得出的数据繁杂,与实际成品判断 A/B品的缺陷并无法做到一一对应,故需要按照实际成品的判断依据,对 AOI检测数据进行筛选,得出与实际相匹配的缺陷数据,用于良率预估。
步骤5中,数据的分块切割:按照实际片状成品的切片尺寸、方向,对整卷数据进行分块切割,再应用筛选后的数据计算预估良率,提高预估良率的准确性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (5)
1.一种连续生产卷状材料的良率预估方法,其特征在于:
包括如下步骤:
步骤1:AOI检测:使用AOI设备对每卷膜材进行非接触式、实时检测;
步骤2:提取AOI检测数据;
步骤3:数据预处理:解压AOI检测数据,提取数据表头,得到所需要的缺陷信息;
步骤4:数据的筛选:以实际片状成品检验标准为筛选条件,判断何种严重度Severity会在片状成品被判定为缺陷,何种缺陷Class会影响产品良率,筛选出此类Class及Severity待步骤5处理;
步骤5:数据的分块切割:通过程序,将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割,做出分割图,与实际一一对应;
旋转平移转换,θ:切割方向与膜材幅宽方向的夹角:
在程序中设置卷材的切割尺寸、切割方向,程序处理完切割图待步骤6处理,卷材切割后剩余的边角料另作处理,故边角料区域不纳入良率统计;
其中,A:卷材幅宽;B:卷材卷长;a:边角料宽;b:边角料长;
步骤6:计算步骤5得到的切割图,预估良率=A÷(A+B),得到准确性高的预估良率;
此公式中,
若片状区域内有缺陷,则记为B品;
若片状区域内无缺陷,则记为A品;
A:切割块内所有A品的片数和;
B:切割块内所有B品的片数和;
A+B:模拟切割的总片数。
2.根据权利要求1所述的一种连续生产卷状材料的良率预估方法,其特征在于:步骤2具体如下:AOI检测过程会实时生成检测数据,数据包含各种缺陷信息,存储在AOI电脑,通过AOI参数设置,每卷的检测数据将在每卷生产完成后同步自动导出,并以压缩包格式存储在服务器中,提取服务器中的数据文件,得到材料的整卷数据,待步骤3处理。
3.根据权利要求1所述的一种连续生产卷状材料的良率预估方法,其特征在于:步骤3中,缺陷信息为:位置信息Md Pos、CdPos,缺陷的分类Class,缺陷的严重度Severity;
Md Pos(Machine direction Position):缺陷在膜材运动方向的位置;
CdPos(Cross direction Position):缺陷在垂直膜材运动方向的位置。
4.根据权利要求1所述的一种连续生产卷状材料的良率预估方法,其特征在于:步骤4中,建立一个筛选结果与实际片状成品数据匹配的数据库,根据匹配结果,优化筛选条件;随着数据量的叠加、数据相关性的提高,数据筛选的准确性会进一步提高。
5.根据权利要求1所述的一种连续生产卷状材料的良率预估方法,其特征在于:步骤6中,片状区域内有缺陷大于等于1个,则记为B品,若无缺陷则记为A品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446415.XA CN108931529B (zh) | 2018-05-10 | 2018-05-10 | 一种连续生产卷状材料的良率预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446415.XA CN108931529B (zh) | 2018-05-10 | 2018-05-10 | 一种连续生产卷状材料的良率预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108931529A CN108931529A (zh) | 2018-12-04 |
CN108931529B true CN108931529B (zh) | 2020-12-22 |
Family
ID=64449175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810446415.XA Active CN108931529B (zh) | 2018-05-10 | 2018-05-10 | 一种连续生产卷状材料的良率预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108931529B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096078A (zh) * | 2021-03-26 | 2021-07-09 | 深圳市盛波光电科技有限公司 | 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113155862B (zh) * | 2021-04-15 | 2023-04-18 | 恒美光电股份有限公司 | 一种偏光膜卷材良率的模拟方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002338111A (ja) * | 2001-05-10 | 2002-11-27 | Dainippon Printing Co Ltd | 欠陥マーキング方法および欠陥個所が明示されたシート状物 |
CN101839871A (zh) * | 2010-05-18 | 2010-09-22 | 华南理工大学 | 一种x射线分层摄影检测方法与系统 |
KR20110124090A (ko) * | 2010-05-10 | 2011-11-16 | 동우 화인켐 주식회사 | 편광 필름 원반의 품질 판정 시스템 및 방법 |
CN103808276A (zh) * | 2012-11-06 | 2014-05-21 | 株式会社高永科技 | 基板检查装置系统及基板检查方法 |
CN206459974U (zh) * | 2016-11-22 | 2017-09-01 | 深圳市耀德科技股份有限公司 | 一种fpc板检验设备 |
CN107167478A (zh) * | 2017-04-25 | 2017-09-15 | 明基材料有限公司 | 片材面内标记检测方法及装置 |
CN107389689A (zh) * | 2017-07-26 | 2017-11-24 | 武汉精测电子技术股份有限公司 | 一种用于缺陷检测的aoi管理系统及管理方法 |
CN107992900A (zh) * | 2017-12-18 | 2018-05-04 | 深圳市盛波光电科技有限公司 | 缺陷检测的样本获取方法、训练方法、装置、介质和设备 |
-
2018
- 2018-05-10 CN CN201810446415.XA patent/CN108931529B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002338111A (ja) * | 2001-05-10 | 2002-11-27 | Dainippon Printing Co Ltd | 欠陥マーキング方法および欠陥個所が明示されたシート状物 |
KR20110124090A (ko) * | 2010-05-10 | 2011-11-16 | 동우 화인켐 주식회사 | 편광 필름 원반의 품질 판정 시스템 및 방법 |
CN101839871A (zh) * | 2010-05-18 | 2010-09-22 | 华南理工大学 | 一种x射线分层摄影检测方法与系统 |
CN103808276A (zh) * | 2012-11-06 | 2014-05-21 | 株式会社高永科技 | 基板检查装置系统及基板检查方法 |
CN206459974U (zh) * | 2016-11-22 | 2017-09-01 | 深圳市耀德科技股份有限公司 | 一种fpc板检验设备 |
CN107167478A (zh) * | 2017-04-25 | 2017-09-15 | 明基材料有限公司 | 片材面内标记检测方法及装置 |
CN107389689A (zh) * | 2017-07-26 | 2017-11-24 | 武汉精测电子技术股份有限公司 | 一种用于缺陷检测的aoi管理系统及管理方法 |
CN107992900A (zh) * | 2017-12-18 | 2018-05-04 | 深圳市盛波光电科技有限公司 | 缺陷检测的样本获取方法、训练方法、装置、介质和设备 |
Non-Patent Citations (1)
Title |
---|
非织造,一般制造;文中伟等;《纺织机械》;20141031(第7期);第44-51页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096078A (zh) * | 2021-03-26 | 2021-07-09 | 深圳市盛波光电科技有限公司 | 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法 |
CN113096078B (zh) * | 2021-03-26 | 2024-02-06 | 深圳市盛波光电科技有限公司 | 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108931529A (zh) | 2018-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
JP4616864B2 (ja) | 外観検査方法及びその装置および画像処理評価システム | |
CN111652098B (zh) | 产品表面缺陷检测方法及装置 | |
CN108931529B (zh) | 一种连续生产卷状材料的良率预估方法 | |
CN104101600A (zh) | 连铸坯断面微小裂纹检测方法及装置 | |
CN115684176A (zh) | 一种薄膜表面缺陷在线视觉检测系统 | |
US20230298152A1 (en) | Method for analyzing minor defect based on progressive segmentation network | |
CN113758524A (zh) | 一种电路板加工监测系统 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN112683166B (zh) | 一种模切产品尺寸检测方法 | |
CN113177925B (zh) | 一种无损检测水果表面缺陷的方法 | |
WO2013038972A1 (ja) | 板ガラス検査装置、板ガラス検査方法、板ガラス製造装置、及び板ガラス製造方法 | |
CN113155862B (zh) | 一种偏光膜卷材良率的模拟方法 | |
CN115457323A (zh) | 基于视觉检测系统的手机玻璃屏非均衡表面缺陷分类方法 | |
CN111062939B (zh) | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 | |
Si et al. | Deep learning-based defect detection for hot-rolled strip steel | |
CN115218790A (zh) | 棒材检测方法、装置和系统 | |
Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
JP3218908B2 (ja) | 表面疵検査方法及びその装置 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测系统及其方法 | |
CN112634251A (zh) | 一种印刷电路的检测系统 | |
CN116934837B (zh) | 物体检测处理方法、装置、系统、电子设备及存储介质 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
US20240046617A1 (en) | Machine Learning-Based Generation of Rule-Based Classification Recipes for Inspection System |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |