CN109444148B - 电感缺陷识别方法 - Google Patents
电感缺陷识别方法 Download PDFInfo
- Publication number
- CN109444148B CN109444148B CN201811295384.9A CN201811295384A CN109444148B CN 109444148 B CN109444148 B CN 109444148B CN 201811295384 A CN201811295384 A CN 201811295384A CN 109444148 B CN109444148 B CN 109444148B
- Authority
- CN
- China
- Prior art keywords
- data
- detection
- machine position
- attribute
- crack
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 142
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229910052802 copper Inorganic materials 0.000 claims abstract description 26
- 239000010949 copper Substances 0.000 claims abstract description 26
- 230000002950 deficient Effects 0.000 claims abstract description 12
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 8
- 230000005484 gravity Effects 0.000 claims description 14
- 239000002184 metal Substances 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 13
- 238000012958 reprocessing Methods 0.000 abstract description 3
- 230000000295 complement effect Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
- G01B11/285—Measuring arrangements characterised by the use of optical techniques for measuring areas using photoelectric detection means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/306—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces for measuring evenness
Landscapes
- Physics & Mathematics (AREA)
- General 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)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明揭示了电感缺陷识别方法,通过全部检测机位采集重点检测面的检测面尺寸属性、外缘破损属性、锈面属性、裂纹属性、凹凸属性、露铜属性,除锈面属性外的其余单项属性均存在多项采集数据,根据重点检测面的全部采集数据进行智能识别,对检测电感进行缺陷分类分拣,或根据重点检测面的采集数据顺序进行智能识别,对检测电感进行良品和不良品分类分拣。本发明对电感重点检测面进行综合数据的采集,采集数据较为全面,检测精度较高。能实现较为细致的筛选分拣,能筛选出易于再处理的电感,减少了资源浪费。具备细致筛选分类模式和高速筛选模式,满足不同的需求。还能实现对特殊电感的特殊要求检测。整体技术方案可靠,易于实现及实施。
Description
技术领域
本发明涉及一种电感表面缺陷识别方法,尤其涉及一种基于视觉识别的电感表面缺陷识别方法,属于电感表面缺陷视觉识别的技术领域。
背景技术
电感器(Inductor)是能够把电能转化为磁能而存储起来的元件。电感器的结构类似于变压器,但只有一个绕组。电感器具有一定的电感,它只阻碍电流的变化。如果电感器在没有电流通过的状态下,电路接通时它将试图阻碍电流流过它;如果电感器在有电流通过的状态下,电路断开时它将试图维持电流不变。电感器又称扼流器、电抗器、动态电抗器。
电感器一般由骨架、绕组、屏蔽罩、封装材料、磁心或铁心等组成,一般的封装电感在成型后,均需要通过检测设备进行表面破损、裂纹、锈斑、露铜、尺寸等方面检测,从而将不良产品筛选出来。
由于电感体积较小,其表面瑕疵很难通过人眼进行识别,需要借助光学设备进行检测,目前基本是采用CCD摄像头与LED光源结合的方式进行视觉识别。针对电感的六面分别设置CCD摄像头用于摄像后进行数据比对分析,检测出电感的表面缺陷。
但是传统针对单面的单一CCD摄像头很难检测出较为全面的数据,存在检测精度差的问题,造成良品与不良品分拣模糊,造成良品归类错误的情况发生,造成资源浪费,更有甚至会出现不良品归类错误,影响到装载电感设备的使用。
发明内容
本发明的目的是解决上述现有技术的不足,针对传统电感检测精度差的问题,提出电感缺陷识别方法。
为了达到上述目的,本发明所采用的技术方案为:
电感缺陷识别方法,包括对电感表面缺陷检测的检测设备,
电感存在重点检测面,检测设备包括对该重点检测面进行检测的至少两个检测机位,任意检测机位之间存在黑白、彩色差异或相对重点检测面的光源照射角度差异,
所述电感缺陷识别方法包括:
通过全部检测机位采集重点检测面的检测面尺寸属性、外缘破损属性、锈面属性、裂纹属性、凹凸属性、露铜属性,
所述检测面尺寸属性包括检测面面积检测数据、检测面外周尺寸轮廓线总长数据,
所述外缘破损属性包括外缘破损面积数据、外缘破损轮廓线总长数据及外缘破损深度数据,
所述锈面属性包括锈面面积数据,
所述裂纹属性包括裂纹面积数据、裂纹轮廓线总长数据及裂纹深度数据,
所述凹凸属性包括凹凸面积数据、凹凸面轮廓总长数据及凹凸面起伏数据,
所述露铜属性包括露铜面积数据、露铜凸起数据;
根据重点检测面的全部采集数据进行智能识别,对检测电感进行缺陷分类分拣,
或根据重点检测面的采集数据顺序进行智能识别,对检测电感进行良品和不良品分类分拣。
优选地,检测设备包括针对电感重点检测面进行检测的基础彩色检测机位、补充黑白检测机位和补充彩色检测机位,
基础彩色检测机位采集数据包括重点面的面积检测数据、外缘破损面积数据、锈面面积数据、裂纹面积数据、凹凸面积数据、露铜面积数据,
补充黑白检测机位采集数据包括重点面的外周尺寸轮廓线总长数据、外缘破损轮廓线总长数据、裂纹轮廓线总长数据、凹凸面轮廓总长数据,
补充彩色检测机位采集数据包括外缘破损深度数据、裂纹深度数据、凹凸面起伏数据、露铜凸起数据。
优选地,所述基础彩色检测机位、补充黑白检测机位和补充彩色检测机位存在机位设置循序,所述重点检测面的采集数据顺序即按照机位设置循序确定。
优选地,所述基础彩色检测机位为首机位,所述补充黑白检测机位为次机位,所述补充彩色检测机位为末机位。
优选地,针对任意检测机位的采集数据也存在智能识别顺序,
针对基础彩色检测机位的采集数据的识别顺序为重点面的面积检测数据、外缘破损面积数据、锈面面积数据、裂纹面积数据、凹凸面积数据、露铜面积数据,
针对补充黑白检测机位采集数据的识别顺序为包括重点面的外周尺寸轮廓线总长数据、外缘破损轮廓线总长数据、裂纹轮廓线总长数据、凹凸面轮廓总长数据,
针对补充彩色检测机位采集数据的识别顺序为包括外缘破损深度数据、裂纹深度数据、凹凸面起伏数据、露铜凸起数据。
优选地,所述电感的重点检测面上还设有导电端子,
通过全部检测机位采集重点检测面的导电端子根部金属表面属性,金属表面属性包括表面光洁度数据、表面裂缝面积数据。
本发明的有益效果主要体现在:
1.对电感重点检测面进行综合数据的采集,采集数据较为全面,检测精度较高。
2.能实现较为细致的筛选分拣,能筛选出易于再处理的电感,减少了资源浪费。
3.具备细致筛选分类模式和高速筛选模式,满足不同的需求。
4.还能实现对特殊电感的特殊要求检测。
5.整体技术方案可靠,易于实现及实施。
具体实施方式
本发明提供电感缺陷识别方法。以下对本发明技术方案进行详细描述,以使其更易于理解和掌握。
电感缺陷识别方法,包括对电感表面缺陷检测的检测设备,电感存在重点检测面,检测设备包括对该重点检测面进行检测的至少两个检测机位,任意检测机位之间存在黑白、彩色差异或相对重点检测面的光源照射角度差异。
本案的主旨是通过对电感重点面进行综合数据采集,得到更为全面的检测数据,从而通过智能识别能增加检测精度。
具体地,电感缺陷识别方法包括:
通过全部检测机位采集重点检测面的检测面尺寸属性、外缘破损属性、锈面属性、裂纹属性、凹凸属性、露铜属性,
检测面尺寸属性包括检测面面积检测数据、检测面外周尺寸轮廓线总长数据。
外缘破损属性包括外缘破损面积数据、外缘破损轮廓线总长数据及外缘破损深度数据。
锈面属性包括锈面面积数据。
裂纹属性包括裂纹面积数据、裂纹轮廓线总长数据及裂纹深度数据。
凹凸属性包括凹凸面积数据、凹凸面轮廓总长数据及凹凸面起伏数据。
露铜属性包括露铜面积数据、露铜凸起数据。
实施例一,
根据重点检测面的全部采集数据进行智能识别,对检测电感进行缺陷分类分拣。
即对全部的单项数据都智能识别,最多可按照单项数据检测进行单项数据的合格与不合格区分,筛选非常细腻。
一般情况下,是按照属性大类区分进行良品和不良品的筛选,即可分为针对各属性大类的单项缺陷类、针对至少两大类缺陷的不合格类及针对全部单项均合格的良品类。
由于设置检测项较多,可以更具任意性选择进行调配,进行较为细致的分类筛选。
实施例二,
根据重点检测面的采集数据顺序进行智能识别,对检测电感进行良品和不良品分类分拣。
即无需将全部采集数据都智能识别,按照采集数据的先后进行智能识别,当在先采集数据存在识别缺陷时,即直接判断为不良品剔除,如此能极大地提高筛选速度,也同时能确保筛选质量。
一般情况下,采集数据越多,其释放的单项数据智能识别范围越大。
具体地说明,当检测数据较少时,单项数据的容差范围会较小,举例说明,当仅检测裂纹面积数据时,其可能控制在10个单位即认为是不良品,而本案中,可以将检测裂纹面积数据控制在12个单位甚至15个单位,再通过裂纹深度数据、裂纹轮廓线总长数据进行综合判断。
因此,由于单项数据缺陷筛选出的产品,其比一般设备的检测范围还更宽,连较宽容差都不满足的产品注定是不良品。
本案的优选实施例中,检测设备包括针对电感重点检测面进行检测的基础彩色检测机位、补充黑白检测机位和补充彩色检测机位。
基础彩色检测机位采集数据包括重点面的面积检测数据、外缘破损面积数据、锈面面积数据、裂纹面积数据、凹凸面积数据、露铜面积数据。
补充黑白检测机位采集数据包括重点面的外周尺寸轮廓线总长数据、外缘破损轮廓线总长数据、裂纹轮廓线总长数据、凹凸面轮廓总长数据。
补充彩色检测机位采集数据包括外缘破损深度数据、裂纹深度数据、凹凸面起伏数据、露铜凸起数据。
基础彩色检测机位、补充黑白检测机位和补充彩色检测机位存在机位设置循序,重点检测面的采集数据顺序即按照机位设置循序确定。
更具体地,基础彩色检测机位为首机位,补充黑白检测机位为次机位,补充彩色检测机位为末机位。
此为针对采集数据的权重进行的合理设计,一般基础彩色检测机位检测的数据为识别最快响应最快且更重要的,因此其排在首位,次机位次之,末机位再次之。
另外,针对任意检测机位的采集数据也存在智能识别顺序。
针对基础彩色检测机位的采集数据的识别顺序为重点面的面积检测数据、外缘破损面积数据、锈面面积数据、裂纹面积数据、凹凸面积数据、露铜面积数据。
针对补充黑白检测机位采集数据的识别顺序为包括重点面的外周尺寸轮廓线总长数据、外缘破损轮廓线总长数据、裂纹轮廓线总长数据、凹凸面轮廓总长数据。
针对补充彩色检测机位采集数据的识别顺序为包括外缘破损深度数据、裂纹深度数据、凹凸面起伏数据、露铜凸起数据。
此也是权重设计,根据缺陷属性确定的。
最后,电感的重点检测面上还设有导电端子,存在导电端子的电感属于现有技术,在此不再赘述。
需要说明的是,导电端子在生产过程中,其存在一定翻折,而金属端子是存在翻折疲劳度的,翻折较多其容易断裂,影响到电感的装配及使用。
本案通过全部检测机位采集重点检测面的导电端子根部金属表面属性,金属表面属性包括表面光洁度数据、表面裂缝面积数据。
对表面光洁度数据和表面裂缝面积数据智能识别能检测其翻折疲劳性,从而检测出导电端子是否存在缺陷。
通过以上描述可以发现,本发明电感缺陷识别方法,对电感重点检测面进行综合数据的采集,采集数据较为全面,检测精度较高。能实现较为细致的筛选分拣,能筛选出易于再处理的电感,减少了资源浪费。具备细致筛选分类模式和高速筛选模式,满足不同的需求。还能实现对特殊电感的特殊要求检测。整体技术方案可靠,易于实现及实施。
以上对本发明的技术方案进行了充分描述,需要说明的是,本发明的具体实施方式并不受上述描述的限制,本领域的普通技术人员依据本发明的精神实质在结构、方法或功能等方面采用等同变换或者等效变换而形成的所有技术方案,均落在本发明的保护范围之内。
Claims (3)
1.电感缺陷识别方法,包括对电感表面缺陷检测的检测设备,其特征在于:
电感存在重点检测面,检测设备包括对该重点检测面进行检测的至少两个检测机位,任意检测机位之间存在黑白、彩色差异或相对重点检测面的光源照射角度差异,
所述电感缺陷识别方法包括:
通过全部检测机位采集重点检测面的检测面尺寸属性、外缘破损属性、锈面属性、裂纹属性、凹凸属性、露铜属性,
所述检测面尺寸属性包括检测面面积检测数据、检测面外周尺寸轮廓线总长数据,
所述外缘破损属性包括外缘破损面积数据、外缘破损轮廓线总长数据及外缘破损深度数据,
所述锈面属性包括锈面面积数据,
所述裂纹属性包括裂纹面积数据、裂纹轮廓线总长数据及裂纹深度数据,
所述凹凸属性包括凹凸面积数据、凹凸面轮廓总长数据及凹凸面起伏数据,
所述露铜属性包括露铜面积数据、露铜凸起数据;
根据重点检测面的全部采集数据进行智能识别,对检测电感进行缺陷分类分拣,
或根据重点检测面的采集数据顺序进行智能识别,对检测电感进行良品和不良品分类分拣;
检测设备包括针对电感重点检测面进行检测的基础彩色检测机位、补充黑白检测机位和补充彩色检测机位,
基础彩色检测机位采集数据包括重点面的面积检测数据、外缘破损面积数据、锈面面积数据、裂纹面积数据、凹凸面积数据、露铜面积数据,
补充黑白检测机位采集数据包括重点面的外周尺寸轮廓线总长数据、外缘破损轮廓线总长数据、裂纹轮廓线总长数据、凹凸面轮廓总长数据,
补充彩色检测机位采集数据包括外缘破损深度数据、裂纹深度数据、凹凸面起伏数据、露铜凸起数据;
所述基础彩色检测机位、补充黑白检测机位和补充彩色检测机位存在机位设置循序,所述重点检测面的采集数据顺序即按照机位设置循序确定;
所述基础彩色检测机位为首机位,所述补充黑白检测机位为次机位,所述补充彩色检测机位为末机位。
2.根据权利要求1所述电感缺陷识别方法,其特征在于:
针对任意检测机位的采集数据也存在智能识别顺序,
针对基础彩色检测机位的采集数据的识别顺序为重点面的面积检测数据、外缘破损面积数据、锈面面积数据、裂纹面积数据、凹凸面积数据、露铜面积数据,
针对补充黑白检测机位采集数据的识别顺序为包括重点面的外周尺寸轮廓线总长数据、外缘破损轮廓线总长数据、裂纹轮廓线总长数据、凹凸面轮廓总长数据,
针对补充彩色检测机位采集数据的识别顺序为包括外缘破损深度数据、裂纹深度数据、凹凸面起伏数据、露铜凸起数据。
3.根据权利要求1所述电感缺陷识别方法,其特征在于:
所述电感的重点检测面上还设有导电端子,
通过全部检测机位采集重点检测面的导电端子根部金属表面属性,金属表面属性包括表面光洁度数据、表面裂缝面积数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295384.9A CN109444148B (zh) | 2018-11-01 | 2018-11-01 | 电感缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811295384.9A CN109444148B (zh) | 2018-11-01 | 2018-11-01 | 电感缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109444148A CN109444148A (zh) | 2019-03-08 |
CN109444148B true CN109444148B (zh) | 2022-02-01 |
Family
ID=65550329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811295384.9A Active CN109444148B (zh) | 2018-11-01 | 2018-11-01 | 电感缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444148B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048333A (zh) * | 2012-12-07 | 2013-04-17 | 北京优纳科技有限公司 | 外观检测设备及方法 |
CN205538710U (zh) * | 2016-01-29 | 2016-08-31 | 广州番禺职业技术学院 | 一种基于机器视觉的电感质量自动检测系统 |
CN206113866U (zh) * | 2016-10-27 | 2017-04-19 | 赵本晶 | 电感六面自动化检测设备 |
CN107219230A (zh) * | 2017-05-31 | 2017-09-29 | 惠州市纬讯科技有限公司 | 一种电感外观图像采集方法 |
CN107734214A (zh) * | 2016-08-10 | 2018-02-23 | 宁波舜宇光电信息有限公司 | 具有不同大小光圈的多摄像头模组及其应用 |
-
2018
- 2018-11-01 CN CN201811295384.9A patent/CN109444148B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048333A (zh) * | 2012-12-07 | 2013-04-17 | 北京优纳科技有限公司 | 外观检测设备及方法 |
CN205538710U (zh) * | 2016-01-29 | 2016-08-31 | 广州番禺职业技术学院 | 一种基于机器视觉的电感质量自动检测系统 |
CN107734214A (zh) * | 2016-08-10 | 2018-02-23 | 宁波舜宇光电信息有限公司 | 具有不同大小光圈的多摄像头模组及其应用 |
CN206113866U (zh) * | 2016-10-27 | 2017-04-19 | 赵本晶 | 电感六面自动化检测设备 |
CN107219230A (zh) * | 2017-05-31 | 2017-09-29 | 惠州市纬讯科技有限公司 | 一种电感外观图像采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109444148A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anitha et al. | A survey on defect detection in bare PCB and assembled PCB using image processing techniques | |
CN104331710B (zh) | 开关状态识别系统 | |
CN102663358B (zh) | 变电站二次保护设备运行状态的视频图像识别方法 | |
ITTO950097A1 (it) | Procedimento per il riconoscimento di difetti nell'ispezione di supeerfici strutturate. | |
CN104766097A (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN103473778B (zh) | 一种led发光芯片插偏缺陷的检测方法 | |
CN111415343A (zh) | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 | |
CN107516308A (zh) | 一种电池盖帽正面视觉检测方法 | |
CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
CN106501282A (zh) | Fpc自动检查机器人及其智能检测方法 | |
CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN115731228B (zh) | 一种镀金芯片缺陷检测系统和方法 | |
US20200090319A1 (en) | Machine learning method implemented in aoi device | |
CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
US6544802B1 (en) | Wafer inspection system and method for selectively inspecting conductive pattern defects | |
CN109444148B (zh) | 电感缺陷识别方法 | |
CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
CN109433652B (zh) | 电感检测设备的上料运行控制方法 | |
CN111307820A (zh) | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 | |
CN109490312B (zh) | 应用于电感检测设备的检测调试方法 | |
CN109444149B (zh) | 一种电感检测设备的检测方法 | |
CN211263229U (zh) | 一种瓶装液体检测光学系统 | |
CN114813748A (zh) | 一种基于机器视觉的钢表面缺陷检测方法及系统 | |
CN107833222A (zh) | 一种非金属零件多余物检测装置及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 215300 Room 15, Building 4, Mould Equipment Zone, International Mould City, Yushan Town, Kunshan City, Suzhou City, Jiangsu Province Patentee after: Suzhou Zexun Intelligent Technology Co.,Ltd. Country or region after: China Address before: 215300 Room 15, Building 4, Mould Equipment Zone, International Mould City, Yushan Town, Kunshan City, Suzhou City, Jiangsu Province Patentee before: KUNSHAN ZEXUN AUTOMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
CP03 | Change of name, title or address |