CN111415343B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111415343B
CN111415343B CN202010192560.7A CN202010192560A CN111415343B CN 111415343 B CN111415343 B CN 111415343B CN 202010192560 A CN202010192560 A CN 202010192560A CN 111415343 B CN111415343 B CN 111415343B
Authority
CN
China
Prior art keywords
product
learning
image
defect
artificial intelligence
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
Application number
CN202010192560.7A
Other languages
English (en)
Other versions
CN111415343A (zh
Inventor
喻超凡
龚博
曾胜
朱礼平
叶光进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Auto Vision Technology Co ltd
Original Assignee
Zhuhai Auto Vision Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Auto Vision Technology Co ltd filed Critical Zhuhai Auto Vision Technology Co ltd
Priority to CN202010192560.7A priority Critical patent/CN111415343B/zh
Priority to US16/851,120 priority patent/US11657599B2/en
Publication of CN111415343A publication Critical patent/CN111415343A/zh
Application granted granted Critical
Publication of CN111415343B publication Critical patent/CN111415343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L28/00—Passive two-terminal components without a potential-jump or surface barrier for integrated circuits; Details thereof; Multistep manufacturing processes therefor
    • H01L28/40—Capacitors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES OR LIGHT-SENSITIVE DEVICES, OF THE ELECTROLYTIC TYPE
    • H01G4/00—Fixed capacitors; Processes of their manufacture
    • H01G4/002—Details
    • H01G4/018—Dielectrics
    • H01G4/06—Solid dielectrics
    • H01G4/08—Inorganic dielectrics
    • H01G4/12—Ceramic dielectrics
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES OR LIGHT-SENSITIVE DEVICES, OF THE ELECTROLYTIC TYPE
    • H01G4/00—Fixed capacitors; Processes of their manufacture
    • H01G4/30—Stacked capacitors

Abstract

本发明涉及电子元器件的外观检测技术领域，尤指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。本发明基于人工智能的片式多层陶瓷电容六面外观检测方法通过AI技术自动对图片进行区域分割归类，再结合传统算法对提取到的特征进行判断，更加灵活应对各种不同的缺陷；通过不断的追加样本数据来扩大学习数据量、增加学习时长，不断提升对缺陷识别的准确性，防止漏判和减少误判；通过采集到的全新图像验证学习效果，学习效果不佳的图像追加到反馈训练数据中，不断完善数据模型，检测准确率能够无限接近100％。

Description

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
技术领域
本发明涉及电子元器件的外观检测技术领域，尤指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。
背景技术
为了满足电子设备不断向小型化、大容量化、高可靠性和低成本的方向发展。多层陶瓷电容也随之迅速向前发展：种类不断增加，体积不断缩小，性能不断提高，技术不断进步，材料不断更新，轻薄短小系列产品已趋向于标准化和通用化。其应用逐步由消费类设备向投资类设备渗透和发展。移动通信设备更是大量采用片式元件,而一颗小小的电容可以直接影响到电子产品的稳定性。
在多层陶瓷电容生产厂家中，每天生产的产品数以十亿计,电子产品对品质要求也越来越高，甚至要求每个元件的每个面进行外观全数检查，而传统机器视觉检测方法存在以下弊端：
1.很难分析背景对比度低的缺陷，导致大量漏检。
2.对于调试人员要求较高，需要对图像处理有一定基础和特殊的诀窍，随着有经验人员的离职，而导致设备无法正常运转。
3.陶瓷电容的部分缺陷(如划伤，暗裂等)对位置、方向、光照等变量较敏感，易产生大量误判。
发明内容
为解决上述问题，本发明提供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，提高检测精度,减少对人的经验依赖，让检测设备智能化。
为实现上述目的，本发明采用的技术方案是：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，其检测步骤如下：
S1，收集不良样本：收集各种不同缺陷的产品样本，对样本六个面进行拍摄图片，并且把图片加载到系统资源中；
S2，标注缺陷：用标注软件对缺陷样本图片进行区域标注，先对图像上不同特征区域进行分类，然后贴上相应的标签；
S3，进行AI学习：对所有样本数据进行AI学习，通过分析各个标注区域的特征，不断自主学习达到和手动绘制标签一样的分割效果，学习过程中当前学习效果以数据模型的形式记录下来，后期系统就会具备自主识别缺陷能力；
S4，产品检测：检测设备通过高清相机获取产品六面图片，并上传到高速AI图像检测系统中，系统通过学习好的数据模型自动将新采集到的图像进行区域分割，然后对分割出来的缺陷或其他区域进行特征判定以判定产品是否符合产品外观要求，最后把判断数据录入系统中；
S5，分拣出料：若产品判断为正常产品，则把产品分到正常区域；若产品判断为缺陷产品，则把产品分到缺陷产品区域。
其中，在S1收集不良样本时，需要对缺陷样本进行分类，把具有同样缺陷的不同样本设置在同一标注列表中，并且在标注列表内采用不同序号区分样本。
进一步地，在S2标注缺陷时，其标注方法如下：
1)收集客户缺陷种类和检测需求，规划好分类方式；
2)手动标注区域，区域按像素级别分割，分割区域合并后为检测的整个产品，通常AI只是对缺陷进行标注，本发明为了实现像素级缺陷检测，并降低误判率，将产品图像进行了全域像素分割标注，并可以通过算法进行二次合并处理，即使传统算法很难检测的对比度缺陷，也可将准确率提高到99％以上。
3)形状复杂的区域可采用自动提取制作标签方式绘制；
4)标注完成后保存到对应分类标签中。
进一步地，在S3进行AI学习时，其学习过程如下：
1)对缺陷样本图像执行增强处理；
2)获取各个独立区域图像的面积、长度、宽度、像素比率、像素纹理分布以及灰度，并且将以上特征聚合为一个集合，作为特征集矢量；
3)根据特征集矢量对各个特征进行训练，确定模型参数；
4)根据模型参数建立相应的缺陷图像模型；
5)把建立的图像模型存储在系统数据库中。
其中，系统数据库中包括多个子数据库，不同缺陷样本的图像模型存储在不同的子数据库中以进行分类。
进一步地，在S3进行AI学习时，需要对相同缺陷的样本进行叠加学习，并且进行学习反馈训练，直到反馈训练检测准确率达到99％以上，在学习过程中，还可以同时追加其他缺陷样本进行AI学习。
进一步地，在学习过程中，包括拍摄原图、标注图像和学习图像的对比，在每一次学习后，得到的学习图像与标准图像更加相似，重复学习后，直到学习图像与标注图像相似度达到99％以上即可停止学习，得到一个高速AI模型。
其中，反馈训练中，使用AI学习后的系统检测缺陷样本和同样缺陷的其他样本图片对比，直到检测结果准确率达到99％以上。
进一步地，在S4产品检测时，其检测过程如下：
1)拍摄产品六面照片；
2)每个面的图像调用对应的高速AI模型，通过对独立区域二次动态提取出有效检测区域(ROI)；
3)再将有效检测区域(ROI)一次封装打包，交由GPU的CUDA核心进行实时高速AI并行运算，实现区域分割；
4)系统根据AI并行运算提取得到的像素级(精度最高：3微米/象素)分割对象特征(大小，方向，灰度等等)与数据库中的规格进行对比，识别判断产品是否具有缺陷，如有超出给定规格的区域，该产品将被判定为不良，如所有区域特征符合规格标准，该产品被判定为良品。
其中，在S4产品检测时，系统还会进行产品计数，若系统判断产品为正常产品，则系统在对应正常产品的计数器增加1，若系统判断产品为缺陷产品时，根据产品的缺陷类型，在对应缺陷产品的计数器增加1。
本发明的有益效果在于：
1.本发明基于人工智能的片式多层陶瓷电容六面外观检测方法通过AI技术自动对图片进行区域分割归类，再结合传统算法对提取到的特征进行判断，更加灵活应对各种不同的缺陷；
2.通过不断的追加样本数据来扩大学习数据量、增加学习时长，不断提升对缺陷识别的准确性，防止漏判和减少误判；
3.通过采集到的全新图像验证学习效果，学习效果不佳的图像追加到反馈训练数据中，不断完善数据模型，检测准确率能够无限接近100％。
附图说明
图1是本实施例的流程框图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。本申请可以以多种不同的形式来实现，并不限于本实施例所描述的实施方式。提供以下具体实施方式的目的是便于对本申请公开内容更清楚透彻的理解。
请参阅图1所示，本发明关于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，其检测步骤如下：
S1，收集不良样本：收集各种不同缺陷的产品样本，对样本六个面进行拍摄图片，并且把图片加载到系统资源中；
S2，标注缺陷：用标注软件对缺陷样本图片进行区域标注，先对图像上不同特征区域进行分类，然后贴上相应的标签；
S3，进行AI学习：对所有样本数据进行AI学习，通过分析各个标注区域的特征，不断自主学习达到和我们手动绘制标签一样的分割效果，学习过程中当前学习效果以数据模型的形式记录下来，后期系统就会具备自主识别缺陷能力；
S4，产品检测：检测设备通过高清相机获取产品六面图片，并上传到高速AI图像检测系统中，系统通过学习好的数据模型自动将新采集到的图像进行区域分割，然后对分割出来的缺陷或其他区域进行特征判定以判定产品是否符合产品外观要求，最后把判断数据录入系统中；
S5，分拣出料：若产品判断为正常产品，则把产品分到正常区域；若产品判断为缺陷产品，则把产品分到缺陷产品区域。
在本实施例中，在S2标注缺陷时，其标注方法如下：
1)收集客户缺陷种类和检测需求，规划好分类方式；
2)手动标注区域，区域按像素级别分割，分割区域合并后为检测的整个产品，通常AI只是对缺陷进行标注，本发明为了实现像素级缺陷检测，并降低误判率，将产品图像进行了全域像素分割标注，并可以通过算法进行二次合并处理，可将准确率提高到99％以上。
3)形状复杂的区域可采用自动提取制作标签方式绘制；
4)标注完成后保存到对应分类标签中；
其中，本实施例中缺陷样本的标注列表包括元件边缘破损、元件崩缺、瓷体沾锡、瓷体破损、瓷体脏污、瓷体亮度、瓷体裂纹、瓷体坑洼/异物、电极尺寸、大小端头、电极内延、瓷体挂锡/内延、电极划伤、电极凸起、电极内边变形、电极异物、电极黑点、电极氧化、电极有坑、电极缺少、电极破损、电极短路、端头黑点、端头破损/变形、端头损伤，即本实施例能够检测上述具有缺陷的产品，用户能够追加其他缺陷进行学习识别，使其具有识别新缺陷的能力。
在本实施例中，在S3进行AI学习时，其学习过程如下：
1)对缺陷样本图像执行增强处理；
2)获取各个独立区域图像的面积、长度、宽度、像素比率、像素纹理分布以及灰度，并且将以上特征聚合为一个集合，作为特征集矢量；
3)根据特征集矢量对各个特征进行训练，确定模型参数；
4)根据模型参数建立相应的缺陷图像模型；
5)把建立的图像模型存储在系统数据库中。
其中，系统数据库中包括多个子数据库，不同缺陷样本的图像模型存储在不同的子数据库中以进行分类。此外，在S3进行AI学习之前，还可以对拍摄图片的原图进行图像处理，如采用固定ROI加速处理或动态ROI截图处理，对原图进行裁切，然后再进行AI学习。
在本实施例中，在S3进行AI学习时，需要对相同缺陷的样本进行叠加学习，并且进行学习反馈训练，直到反馈训练检测准确率达到99％以上；并且在学习过程中，还可以同时追加其他缺陷样本进行AI学习，在学习过程中，包括拍摄原图、标注图像和学习图像的对比，在每一次学习后，得到的学习图像与标准图像更加相似，重复学习后，直到学习图像与标注图像相似度达到99％以上即可停止学习，得到一个高速AI模型。
其中，在反馈训练中，使用AI学习后的系统检测缺陷样本和同样缺陷的其他样本图片对比，直到检测结果准确率达到99％以上，通过加载新的样本来验证当前学习的图像模型效果，检查是否存在误判和错判的样本，当存在以上问题时，再将问题的样本作为学习资源，重新进行AI学习，不断完善数据库，从而形成一个准确性极高的具有自主识别能力的系统。
在本实施例中，在S4产品检测时，其检测过程如下：
1)拍摄产品六面照片；
2)每个面的图像调用对应的高速AI模型，通过对独立区域二次动态提取出有效检测区域(ROI)；
3)再将有效检测区域(ROI)一次封装打包，交由GPU的CUDA核心进行实时高速AI并行运算，实现区域分割。
4)系统根据AI并行运算提取得到的像素级(精度最高：3微米/象素)分割对象特征(大小，方向，灰度等等)与数据库中的规格进行对比，识别判断产品是否具有缺陷，如有超出给定规格的区域，该产品将被判定为不良，如所有区域特征符合规格标准，该产品被判定为良品。
其中，采用AI学习后的自主识别能力系统在S4产品检测时，系统还会进行产品计数，若系统判断产品为正常产品，则系统在对应正常产品的计数器增加1，若系统判断产品为缺陷产品时，根据产品的缺陷类型，在对应缺陷产品的计数器增加1，从而实现对检测产品的统计，并且能够记录正常产品和各种缺陷产品的数量。而且在S4产品检测时，使用均匀度和亮度极高的LED三色光源照射检测产品，使得产品表面具有足够的亮度，保证拍摄图片的清晰度，提高检测效率和效果。
需要进一步说明的是，本具体实施例所采用的标注软件、AI学习软件和图像处理可以采用现有技术的软件来实现。而且本具体实施例需结合相对应的外观检测设备使用，从而实现整个外观检测流程。
以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (8)

1.一种基于人工智能的片式多层陶瓷电容六面外观检测方法，其特征在于：其检测步骤如下：
S1，收集不良样本：收集各种不同缺陷的产品样本，对样本六个面进行拍摄图片，并且把图片加载到系统资源中；
S2，标注缺陷：用标注软件对缺陷样本图片进行区域标注，先对图像上不同特征区域进行分类，然后贴上相应的标签；
S3，进行AI学习：对所有样本数据进行AI学习，通过分析各个标注区域的特征，不断自主学习达到和手动绘制标签一样的分割效果，学习过程中当前学习效果以数据模型的形式记录下来，使得系统具备自主识别缺陷能力；在S3进行AI学习时，其具体学习过程如下：
1)对缺陷样本图像执行增强处理；
2)获取各个独立区域图像的面积、长度、宽度、像素比率、像素纹理分布以及灰度，并且将以上特征聚合为一个集合，作为特征集矢量；
3)根据特征集矢量对各个特征进行训练，确定模型参数；
4)根据模型参数建立相应的缺陷图像模型；
5)把建立的图像模型存储在系统数据库中；
S4，产品检测：检测设备通过高清相机获取产品六面图片，并上传到高速AI图像处理系统中，系统通过学习好的数据模型自动将新采集到的图像进行区域分割，然后对分割出来的缺陷或其他区域进行特征判定以判定产品是否符合产品外观要求，最后把判断数据录入系统中；在S4产品检测时，其具体检测过程如下：
1)拍摄产品六面照片；
2)每个面的图像调用对应的高速AI模型进行区域分类，通过对独立区域二次动态提取出有效检测区域；
3)再将有效检测区域一次封装打包，交由GPU的CUDA核心进行实时高速AI并行运算；
4)系统根据AI并行运算提取得到的像素级分割对象特征与数据库中的规格进行对比，识别判断产品是否具有缺陷；如有超出给定规格的区域，该产品将被判定为不良，如所有区域特征符合规格标准，该产品被判定为良品；
S5，分拣出料：若产品判断为正常产品，则把产品分到正常区域；若产品判断为缺陷产品，则把产品分到缺陷产品区域。
2.根据权利要求1所述的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，其特征在于：在S1收集不良样本时，需要对缺陷样本进行分类，把具有同样缺陷的不同样本设置在同一标注列表中，并且在标注列表内采用不同序号区分缺陷类别。
3.根据权利要求1所述的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，其特征在于：在S2标注缺陷时，其标注方法如下：
1)收集客户缺陷种类和检测需求，规划好分类方式；
2)手动标注区域，区域按像素级别分割，分割区域合并后为检测的整个产品；
3)形状复杂的区域可采用自动提取制作标签方式绘制；
4)标注完成后保存到对应分类标签中。
4.根据权利要求1所述的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，其特征在于：系统数据库中包括多个子数据库，不同缺陷样本的图像模型存储在不同的子数据库中以进行分类。
5.根据权利要求1所述的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，其特征在于：在S3进行AI学习时，需要对相同缺陷的样本进行叠加学习，并且进行学习反馈训练，直到反馈训练检测准确率达到99％以上，在学习过程中，还可以同时追加其他缺陷样本进行AI学习。
6.根据权利要求5所述的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，其特征在于：在学习过程中，包括拍摄原图、标注图像和学习图像的对比，在每一次学习后，得到的学习图像与标准图像更加相似，重复学习后，直到学习图像与标注图像相似度达到99％以上即可停止学习，得到一个高速AI模型。
7.根据权利要求6所述的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，其特征在于：反馈训练中，使用AI学习后的系统检测缺陷样本和同样缺陷的其他样本图片对比，直到检测结果准确率达到99％以上。
8.根据权利要求1所述的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，其特征在于：在S4产品检测时，系统还会进行产品计数，若系统判断产品为正常产品，则系统在对应正常产品的计数器增加1，若系统判断产品为缺陷产品时，根据产品的缺陷类型，在对应缺陷产品的计数器增加1。
CN202010192560.7A 2020-03-18 2020-03-18 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 Active CN111415343B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010192560.7A CN111415343B (zh) 2020-03-18 2020-03-18 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
US16/851,120 US11657599B2 (en) 2020-03-18 2020-04-17 Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010192560.7A CN111415343B (zh) 2020-03-18 2020-03-18 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

Publications (2)

Publication Number Publication Date
CN111415343A CN111415343A (zh) 2020-07-14
CN111415343B true CN111415343B (zh) 2020-10-27

Family

ID=71491183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010192560.7A Active CN111415343B (zh) 2020-03-18 2020-03-18 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

Country Status (2)

Country Link
US (1) US11657599B2 (zh)
CN (1) CN111415343B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN113252678A (zh) * 2021-03-24 2021-08-13 上海万物新生环保科技集团有限公司 一种移动终端的外观质检方法及设备
CN113674305B (zh) * 2021-08-25 2022-05-31 茶陵县强强陶瓷有限公司 应用于陶瓷生产的智能储坯系统及控制方法
CN117237340B (zh) * 2023-11-10 2024-01-26 江西省中鼐科技服务有限公司 一种基于人工智能的手机外壳外观检测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008282601A (ja) * 2007-05-09 2008-11-20 Matsushita Electric Ind Co Ltd アルカリ乾電池
CN103488906A (zh) * 2013-09-30 2014-01-01 中国石油大学(华东) 阀门内漏缺陷类型识别与内漏速率计算的方法
CN106596559A (zh) * 2016-12-09 2017-04-26 杭州乔戈里科技有限公司 一种轴类零件检测装置及检测方法
CN207751898U (zh) * 2017-10-30 2018-08-21 无锡和博永新科技有限公司 电子元器件六面体外观检测机
CN109187567A (zh) * 2018-08-07 2019-01-11 华侨大学 一种聚晶金刚石复合片表面白点缺陷检测系统
CN109459676A (zh) * 2018-11-28 2019-03-12 苏州天标检测技术有限公司 一种电容失效分析检测方法
CN109550712A (zh) * 2018-12-29 2019-04-02 杭州慧知连科技有限公司 一种化纤丝尾丝外观缺陷检测系统及方法
CN110265144A (zh) * 2019-07-01 2019-09-20 边源医疗科技(杭州)有限公司 基于医生反馈的医学人工智能应用评价系统
WO2020017427A1 (ja) * 2018-07-20 2020-01-23 株式会社エヌテック ラベル付き画像データ作成方法、検査方法、プログラム、ラベル付き画像データ作成装置及び検査装置
CN110852395A (zh) * 2019-11-15 2020-02-28 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
KR20210112671A (ko) * 2020-03-05 2021-09-15 주식회사 에스피투로보틱스 Mlcc 미전사칩 검사장치 및 검사방법

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008282601A (ja) * 2007-05-09 2008-11-20 Matsushita Electric Ind Co Ltd アルカリ乾電池
CN103488906A (zh) * 2013-09-30 2014-01-01 中国石油大学(华东) 阀门内漏缺陷类型识别与内漏速率计算的方法
CN106596559A (zh) * 2016-12-09 2017-04-26 杭州乔戈里科技有限公司 一种轴类零件检测装置及检测方法
CN207751898U (zh) * 2017-10-30 2018-08-21 无锡和博永新科技有限公司 电子元器件六面体外观检测机
WO2020017427A1 (ja) * 2018-07-20 2020-01-23 株式会社エヌテック ラベル付き画像データ作成方法、検査方法、プログラム、ラベル付き画像データ作成装置及び検査装置
CN109187567A (zh) * 2018-08-07 2019-01-11 华侨大学 一种聚晶金刚石复合片表面白点缺陷检测系统
CN109459676A (zh) * 2018-11-28 2019-03-12 苏州天标检测技术有限公司 一种电容失效分析检测方法
CN109550712A (zh) * 2018-12-29 2019-04-02 杭州慧知连科技有限公司 一种化纤丝尾丝外观缺陷检测系统及方法
CN110265144A (zh) * 2019-07-01 2019-09-20 边源医疗科技(杭州)有限公司 基于医生反馈的医学人工智能应用评价系统
CN110852395A (zh) * 2019-11-15 2020-02-28 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Defect Detection of Skewed Images for Multilayer Ceramic Capacitors;Chun-Chieh Tseng等;《2009 Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing》;20091231;第840-843页 *
基于机器视觉的胶囊外观规格检测系统研究;廖焕;《中国优秀硕士学位论文全文数据库（工程科技Ⅰ辑）》;20190515(第05期);第B024-507页 *
基于机器视觉的贴片元器件外观缺陷检测系统开发;吕小戈;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20151015(第10期);第I135-69页 *

Also Published As

Publication number Publication date
US20200240924A1 (en) 2020-07-30
US11657599B2 (en) 2023-05-23
CN111415343A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111415343B (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
CN108686978B (zh) 基于arm的水果类别和色泽的分拣方法及系统
CN111667455B (zh) 一种刷具多种缺陷的ai检测方法
CN105139386B (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN114757900B (zh) 基于人工智能的纺织品缺陷类型识别方法
CN114240939B (zh) 一种主板元器件外观缺陷检测方法、系统、设备及介质
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN113658131A (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN115601355A (zh) 一种产品表面缺陷检测与分类方法、装置及存储介质
US20200090319A1 (en) Machine learning method implemented in aoi device
CN114387269B (zh) 一种基于激光的纤维丝缺损检测方法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN115082776A (zh) 一种基于图像识别的电能表自动检测系统及方法
CN110826571A (zh) 一种用于图像快速识别及特征匹配的图像遍历算法
CN111563869B (zh) 用于摄像模组质检的污点测试方法
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
KR20040033767A (ko) 한국어 이미지 문자인식기능을 통한 뉴스 동영상의뉴스제목 자동추출방법
CN114820453A (zh) 一种基于深度学习的卷装长丝表面瑕疵检测方法
CN115254655A (zh) 一种基于机器视觉的多指标百香果品质分级方法
CN112184665A (zh) 一种应用于纸塑行业的人工智能缺陷侦测系统
CN114092441A (zh) 一种基于双重神经网络的产品表面缺陷检测方法及系统
CN111711814A (zh) 摄像头模组缺陷检测方法
CN110956366A (zh) 一种装维质检中分光器施工一致性检验方法
CN109785292B (zh) 一种基于机器视觉的芯线顺序判别方法

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