CN111492401A - 包装容器中的缺陷检测的方法 - Google Patents
包装容器中的缺陷检测的方法 Download PDFInfo
- Publication number
- CN111492401A CN111492401A CN201880082213.XA CN201880082213A CN111492401A CN 111492401 A CN111492401 A CN 111492401A CN 201880082213 A CN201880082213 A CN 201880082213A CN 111492401 A CN111492401 A CN 111492401A
- Authority
- CN
- China
- Prior art keywords
- defect
- packaging container
- defects
- image data
- machine
- 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.)
- Granted
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
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T2207/30128—Food products
Abstract
本发明公开了一种液体食品的包装容器中的缺陷检测的方法,其中包装容器在机器中生产。该方法包括捕获所述包装容器的图像数据,在图像数据中定义表示所述包装容器中的缺陷的图像特征,将所述图像特征与不同类别的缺陷相关联,将所述图像特征输入到基于机器学习的模型以基于所述图像特征对所述包装容器中的缺陷类别进行后续检测,确定在所述后续检测中发生缺陷的时间戳,基于所述时间戳确定所述机器中的所述包装容器发生缺陷的相关生产参数,以及将所述缺陷的发生和类别与所述生产参数相关联。本发明还公开了一种用于包装容器中的缺陷检测的系统。
Description
技术领域
本发明涉及液体食品的包装容器中的缺陷检测领域。本发明尤其涉及一种缺陷检测方法、一种相关的计算机程序产品、一种用于缺陷检测的系统、以及一种用于生产液体食品的包装容器的灌装机,所述灌装机包括上述的缺陷检测系统。
背景技术
缺陷检测在生产线中(例如在用于生产液体或半液体食品的密封包装容器的灌装机或相关系统中制造此类包装容器中)是至关重要的,以便配置最佳操作设置并确保在一定时间段内的所需性能。所生产的包装容器中的缺陷可能导致无菌性能不佳。因此,需要开发有效的工具和程序,以识别这种系统中组件的错误行为,所述错误行为可能导致所生产的包装容器中的各种类型的缺陷。由于用于生产密封包装容器的最新一代灌装机或相关设备以很高的速度运转以进一步提高生产线的生产量,因此在不中断生产线的情况下准确地表征包装容器生产性能的所有方面一直很麻烦。这可能会导致性能欠佳并降低生产量。因此,问题是如何实施对生产的影响最小同时又需要最少资源的可靠的质量控制工具和策略。
因此,用一种改进的方法来检测用于液体食品的包装容器中的缺陷是有利的,特别是可以避免更多上述的问题和妥协,包括提供对包装容器中不同类别的缺陷的便利识别以及具有短执行时间从而能够在不中断生产线的情况下进行实时分析的缺陷检测方法。
发明内容
因此,本发明的示例优选地以单独地或以任何组合的方式通过提供根据所附专利权利要求的装置来试图缓和、减轻或消除本领域中的例如上述的一或多个缺陷、缺点或问题。
根据第一方面,提供了一种液体食品的包装容器中的缺陷检测的方法,其中包装容器在机器中生产。所述方法包括:捕获所述包装容器的图像数据,在图像数据中定义表示所述包装容器中缺陷的图像特征,将所述图像特征与不同类别的缺陷相关联,将所述图像特征输入到基于机器学习的模型,以基于所述图像特征对包装容器中的缺陷类别进行后续检测,确定在所述后续检测中发生缺陷的时间戳,基于所述时间戳确定所述机器中所述包装容器发生缺陷的相关生产参数,以及使所述缺陷的发生和类别与所述生产参数相关联。
根据第二方面,提供了一种包括指令的计算机程序产品,当所述程序由计算机执行时,所述指令使所述计算机执行根据第一方面所述的方法的步骤。
根据第三方面,提供了一种用于在机器中生产的液体食品的包装容器中缺陷检测的系统。所述系统包括:成像装置,其被配置为捕获所述包装容器的图像数据,以及处理单元,所述处理单元被配置为:在所述图像数据中定义表示所述包装容器中的缺陷的图像特征,将所述图像特征与不同类别的缺陷相关联,将所述图像特征输入基于机器学习的模型,以基于所述图像特征对包装容器中的缺陷类别进行后续检测,确定在所述后续检测中发生缺陷的时间戳,基于所述时间戳确定所述机器中所述包装容器发生缺陷的相关生产参数,以及使所述缺陷的发生和类别与所述生产参数相关联。
根据第四方面,提供了一种灌装机,其包括根据第三方面所述的系统。
在从属权利要求中限定了本发明的其他示例,其中,本公开的第二和第三方面的特征在细节上作必要修改后与第一方面相同。
本公开的一些示例提供了一种检测包装容器中的缺陷的改进方法。
本公开的一些示例提供了对包装容器中的不同类别的缺陷的便利识别。
本公开的一些示例提供了对机器中的故障部件或部件和功能的集合的便利且耗时少的识别。
本公开的一些示例提供了对资源的更有效利用,以识别机器中的错误行为。
本公开的一些示例提供了包装容器中的缺陷检测的更稳健的方法。
本公开的一些示例提供了一种缺陷检测方法,其执行时间短,从而能够进行实时分析。
本公开的一些示例提供了评估机器质量的更有效方法。
本公开的一些示例提供了较少耗时的机器故障排除。
应该强调的是,当在本说明书中使用时,术语“包括/包括”时用来列举所述的特征、整数、步骤或组件的存在,但是不排除一或多个其他特征、整数、步骤、组件或组的存在或增加。
附图说明
本发明能够实现的示例的这些和其他方面、特征和优点将参考附图,由对本发明的示例的以下描述,而显而易见并得到阐明,其中:
图1是根据本公开的示例的用于包装容器中的缺陷检测的系统的示意图;
图2a是根据本公开的示例的包装容器中的缺陷检测方法的流程图;
图2b是根据本公开的示例的包装容器中的缺陷检测方法的另一流程图;并且
图3a-b是根据本公开的示例的、用于执行图2a-b中的方法的包装容器中的缺陷检测的系统的示意图。
具体实施方式
现在将参考附图描述本发明的具体示例。然而,本发明可以以许多不同的形式来实施,并且不应被解释为限于在此阐述的示例;相反,提供这些示例使得本公开将是充分和完整的,并将本发明的范围充分传达给本领域技术人员。在附图中示出的示例的详细描述中使用的术语并不旨在限制本发明。在附图中,相同的标号表示相同的元件。
图1是用于液体或半液体食品的包装容器301中的缺陷检测的系统200的示意图。包装容器301在机器300中生产,例如在密封包装容器301内的食品的灌装机300中生产。系统200包括成像装置201,该成像装置201被配置为捕获101包装容器301的图像数据。成像装置201可以布置成在灌装机300中密封之后沿传送带运输时捕获包装容器301的图像数据。但是可以想到,成像装置201可以沿生产线的任何部分布置以在生产过程的期望部分时捕获容器301的图像数据。还可以想到的是,可以布置多个成像装置201以从生产线的不同部分和/或相对于包装容器301以不同的角度,和/或以不同的曝光设置或图像处理参数来捕获图像数据。图像数据因此可以包括从这样的多个成像装置201捕获的多个图像数据流。系统200包括配置为从成像装置201接收图像数据的处理单元202。处理单元202被配置为在图像数据中定义102表示包装容器301中的缺陷302的图像特征。因此,如果存在于包装容器301中,则所获得的图像数据的一部分具有表示上述缺陷的图像特征。例如,如果包装容器301具有缺陷(诸如褶皱或凹痕),则其捕获的图像可以在这样的褶皱或凹痕的位置处在图像数据中显示相关的图像特征,例如阴影。不同类型或类别的缺陷通常会导致不同的表征图像特征。因此,可以定义102这样的图像特征,并且还可以使处理单元202配置为将这些图像特征与不同类别的缺陷相关联103。缺陷可以包括以下任一种:包装容器301的材料中的褶皱、包装容器301的未密封袋盖、包装容器301中的撕裂或浑浊的预打孔、包装容器301中的凹痕、包装容器301的开口区域中的分层。缺陷中的每一个可与捕获的图像数据中的独特图像特质或特征相关联。例如,代表缺陷的图像特征可以通过图像的变化(例如颜色、曝光、对比度等)以及缺陷的几何形状、尺寸和位置来唯一地表征,以为包装容器301中的不同缺陷中的每一个创建“指纹”(“finger print”)。
处理单元202被配置为将独特的图像特征输入104到基于机器学习的模型,以基于图像特征对包装容器301中的缺陷类别进行后续检测105。因此,基于机器学习的模型利用已定义的缺陷的图像特征,并且当在生产线中捕获包装容器301的新图像数据时提供对这种缺陷的后续识别。基于机器学习的模型可以通过在系统200中本地实现,或者通过将处理单元202配置为在服务器上远程访问基于机器学习的模型,来由处理单元202访问。进一步可以想到的是,处理单元202本身可以在远程位置的服务器上实现,并被配置为从远程服务器与成像装置202和机器300进行通信。处理单元202被配置为针对在随后的基于机器学习的模型的检测中发生的缺陷确定106时间戳,即参考主时钟的时间点。因此,可以确立在机器300中发生缺陷的时间。尽管可以通过成像装置201在生产线的下方检测到缺陷,但是可以通过参照主时钟对整个生产链进行计时追踪上述包装容器301来回溯造成包装容器301的缺陷的时间点。处理单元202被配置为基于时间戳来确定107机器300中的包装容器301发生缺陷的相关生产参数。因此,当检测到缺陷并定义了相关的时间戳时,例如,通过参考主时钟追踪包装容器的生产过程,处理单元202被配置为从机器300接收数据,该数据包括在所定义的时间戳的时间点的生产过程的参数。还可以想到的是,可以通过参考生产过程的所述主时钟对前述数据进行索引来在检测到缺陷之后将包括生产参数的该数据传送至处理单元202,从而允许随后对于缺陷检测所定义的时间戳来确定相关生产参数。处理单元202因此可以被配置为经由控制单元203与机器300的自动化系统通信,如图1中示意性示出的。生产参数可以包括与包装容器301的生产链相关联的任何参数,例如机器中的设置和/或传感器数据,和/或包装容器301的材料或要密封在其中的内容物的特性。处理单元202还被配置为将缺陷的发生和类别与生产参数相关联108。通过将缺陷的发生和类别与生产参数相关联,可以准确地表征包装容器301中任何缺陷的形成的根源和环境。这使得生产线的优化变得容易,并且提供了缺陷检测的可靠工具。同时,通过具有如上所述配置的系统200,对生产线的生成量的影响被最小化。提供了对包装容器301中的缺陷的不同类别的便利识别,同时需要最小化对工艺监控的资源需求。除了对机器中的故障部件和功能进行便利且耗时少的识别之外,系统200还用于确保所生产的包装容器301的进一步提高的质量。
图1a示出了在机器300中生产的液体食品的包装容器301中进行缺陷检测的方法100的相关流程图。描述和示出的方法100的步骤的顺序不应被解释为限制性的,而是可以设想这些步骤可以以不同的顺序执行。方法100包括:捕获101包装容器301的图像数据,在图像数据中定义102表示包装容器301中的缺陷302的图像特征,将图像特征与不同类别的缺陷相关联103,将图像特征输入104基于机器学习的模型,以基于图像特征对包装容器301中的缺陷类别进行后续检测105。方法100还包括在所述随后的检测中确定106发生缺陷的时间戳,基于所述时间戳确定107机器300中包装容器301发生缺陷的相关生产参数,以及将所述缺陷的发生与类别与所述生产参数相关联108。因此,方法100提供了如上关于系统200和图1所述的有利有益效果。
图1b示出了对在机器300中生产的液体食品包装容器301进行缺陷检测的方法100的另一流程图。描述和示出的方法100的步骤的顺序不应被解释为限制性的,而是可以认为这些步骤可以以不同的顺序执行。
方法100可以包括基于缺陷的类别确定103’在图像数据中的感兴趣区域。因此,根据缺陷的类别,可以在基于机器学习的模型中选择一部分图像数据用于进一步搜索和分析表示缺陷的相关图像特征。例如,包装容器301中的褶皱或凹痕通常可以出现在图像的特定部分中,其可以被选择为感兴趣区域。这可提高检测缺陷的速度,这在提供包装容器的高吞吐量的灌装机300中是特别有利的。因此,方法100可以包括基于缺陷的类别确定103”在图像数据中的感兴趣区域的位置和/或大小。
方法100可以包括根据检测图像数据中的缺陷的定义的置信区间来选择感兴趣区域的大小。即,调整感兴趣区域的大小允许加快检测过程,同时保持在所需的置信区间内,并提供缺陷不被遗漏的一定的概率。
方法100可以包括根据基于缺陷类别的一组定义的图像参数来处理103”’感兴趣区域中的图像数据。如所提到的,在缺陷是褶皱或凹痕的情况下,可以优化图像参数以更清楚地分离代表这些缺陷的图像特征,例如,通过优化色彩平衡、曝光或任何强调特定缺陷类别特征的图像处理滤镜。成像装置201的光学部件还可以根据缺陷的类别优化,例如,改变滤光器、透镜、图像传感器等。因此,处理单元202可以被配置为根据基于缺陷的类别的一组定义的图像参数来处理图像数据。
方法100可以包括根据缺陷的发生和/或类别将控制指令传送109到机器300,该控制指令包括修改的生产参数。因此,控制指令可以根据检测到的缺陷向机器300提供反馈以修改生产过程。例如,可以调整机器设置,以使特定类别的缺陷的发生最小化。除了根据是否已经检测到缺陷来修改生产参数之外,处理单元202可以被配置为基于例如特定类别的缺陷的大小和/或位置来修改生产参数。因此,系统200可以包括控制单元203,该控制单元203被配置为根据缺陷的发生和/或类别将包括修改的生产参数的控制指令传达给机器,如图1示例性地示出的。
方法100可以包括根据缺陷的发生和/或类别确定110一组警报通知。因此可以向用户通知各种缺陷,并根据警报采取措施。
图3a-b是处理器201的示意图,该处理器被配置为在灌装机300中执行如上关于图2a-b所述的方法100。
提供了一种计算机程序产品,该计算机程序产品包括指令,当该程序由计算机执行时,该指令使计算机执行如上关于图1-2所述的方法100的步骤。
提供了一种灌装机300,其包括如上关于图1所述的系统200。灌装机300被配置用于生产液体或半液体食品的包装容器。系统200包括配置为捕获101包装容器301的图像数据的成像装置201和配置为在图像数据中定义102表示包装容器中的缺陷302的图像特征的处理单元202。处理单元202被配置为:将图像特征与不同类别的缺陷相关联103,将图像特征输入104基于机器学习的模型,以基于图像特征对包装容器301中的缺陷类别进行后续检测,确定106在所述后续检测中发生缺陷的时间戳,基于所述时间戳确定107灌装机300中的包装容器301发生缺陷的相关生产参数,并将所述缺陷的发生和类别与所述生产参数相关联108。因此,灌装机300提供了如上关于系统200和方法100以及相关的图1、2a-b和3a-b所述的有利的有益效果。
上面已经参考具体示例描述了本发明。然而,在本发明的范围内,除了上述以外的其他示例同样是可能的。本发明的不同特征和步骤可以以不同于那些描述的其他组合来组合。本发明的范围仅由所附专利权利要求书限制。
更一般地,本领域技术人员将容易地理解,本文描述的所有参数、尺寸、材料和构造均是示例性的,并且实际参数、尺寸、材料和/或构造将取决于本发明的教导内容所用的一个或多个特定应用。
Claims (14)
1.一种在机器(300)中生产的液体食品的包装容器(301)中缺陷检测的方法(100),
捕获(101)所述包装容器的图像数据,
在图像数据中定义(102)表示所述包装容器中缺陷(302)的图像特征,
将所述图像特征与不同类别的缺陷相关联(103),
将所述图像特征输入(104)到基于机器学习的模型,以基于所述图像特征对所述包装容器中的缺陷类别进行后续检测(105),
确定(106)在所述后续检测中发生缺陷的时间戳,
基于所述时间戳确定(107)所述机器中所述包装容器发生缺陷的相关生产参数,以及
使所述缺陷的发生和类别与所述生产参数相关联(108)。
2.根据权利要求1所述的方法,其包括基于所述缺陷的类别确定(103’)所述图像数据中的感兴趣区域。
3.根据权利要求2所述的方法,其包括基于所述缺陷的类别确定(103”)所述图像数据中所述感兴趣区域的位置和/或大小。
4.根据权利要求3所述的方法,其包括根据检测所述图像数据中的缺陷的定义的置信区间来选择所述感兴趣区域的大小。
5.根据权利要求2-4中的任一项所述的方法,其包括:根据基于所述缺陷的类别的一组定义的图像参数来处理(103”’)所述感兴趣区域中的图像数据。
6.根据权利要求1-5中的任一项所述的方法,其包括根据所述缺陷的发生和/或类别将包括修改的生产参数的控制指令传达(109)给所述机器。
7.根据权利要求1-6中任一项所述的方法,其包括根据所述缺陷的发生和/或类别确定(110)一组警报通知。
8.根据权利要求1至7中的任一项所述的方法,其中,所述缺陷包括以下任一项:所述包装容器的材料中的褶皱、所述包装容器的未密封的袋盖、所述包装容器中的破损或混浊的预穿孔、所述包装容器中的凹痕、所述包装容器的开口区域中的分层。
9.一种包括指令的计算机程序产品,当所述程序由计算机执行时,所述指令使所述计算机执行根据权利要求1-8中任一项所述的方法的步骤。
10.一种用于在机器(300)中生产的液体食品的包装容器(301)中缺陷检测的系统(200),所述系统包括:
成像装置(201),其被配置为捕获(101)所述包装容器的图像数据,
处理单元(202),其被配置为:
在所述图像数据中定义(102)表示所述包装容器中的缺陷(302)的图像特征,
将所述图像特征与不同类别的缺陷相关联(103),
将所述图像特征输入(104)基于机器学习的模型,以基于所述图像特征对包装容器中的缺陷类别进行后续检测(105),
确定(106)在所述后续检测中发生缺陷的时间戳,
基于所述时间戳确定(107)所述机器中所述包装容器发生缺陷的相关生产参数,以及
使所述缺陷的发生和类别与所述生产参数相关联(108)。
11.根据权利要求10所述的系统,其中,所述处理单元被配置为根据基于所述缺陷的类别的一组定义的图像参数来处理所述图像数据。
12.根据权利要求10所述的系统,其包括控制单元(203),所述控制单元(203)被配置为根据所述缺陷的发生和/或类别将包括修改的生产参数的控制指令传达给所述机器。
13.一种灌装机(300),其包括根据权利要求10-12中任一项所述的系统(200)。
14.一种用于生产液体食品的包装容器的灌装机(300),其包括用于在所述包装容器中进行缺陷检测的系统(200),所述系统包括:
成像装置(201),其被配置为捕获(101)所述包装容器的图像数据,
处理单元(202),其被配置为:
在所述图像数据中定义(102)表示所述包装容器中的缺陷(302)的图像特征,
将所述图像特征与不同类别的缺陷相关联(103),
将所述图像特征输入(104)基于机器学习的模型,以基于所述图像特征对包装容器中的缺陷类别进行后续检测(105),
确定(106)在所述后续检测中发生缺陷的时间戳,
基于所述时间戳确定(107)所述机器中所述包装容器发生缺陷的相关生产参数,以及
使所述缺陷的发生和类别与所述生产参数相关联(108)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17208533.4 | 2017-12-19 | ||
EP17208533 | 2017-12-19 | ||
PCT/EP2018/080661 WO2019120738A1 (en) | 2017-12-19 | 2018-11-08 | Method of defect detection in packaging containers |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111492401A true CN111492401A (zh) | 2020-08-04 |
CN111492401B CN111492401B (zh) | 2022-04-05 |
Family
ID=60915249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880082213.XA Active CN111492401B (zh) | 2017-12-19 | 2018-11-08 | 包装容器中的缺陷检测的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11100630B2 (zh) |
EP (1) | EP3503024A1 (zh) |
JP (1) | JP7239588B2 (zh) |
CN (1) | CN111492401B (zh) |
BR (1) | BR112020012257A2 (zh) |
WO (1) | WO2019120738A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002225A (zh) * | 2021-10-19 | 2022-02-01 | 业成科技(成都)有限公司 | 光学检测系统与方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776808A (zh) * | 2018-05-25 | 2018-11-09 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
EP3853737A4 (en) * | 2018-09-21 | 2022-03-02 | Hewlett-Packard Development Company, L.P. | PARTIAL SUBSTITUTE PREDICTIONS WITH NEURAL CONVOLUTIONAL NETWORKS |
CN109544548A (zh) * | 2018-11-30 | 2019-03-29 | 北京百度网讯科技有限公司 | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102639259A (zh) * | 2009-07-16 | 2012-08-15 | 布勒索尔泰克斯有限公司 | 使用模式识别的检查装置和方法 |
US20160052764A1 (en) * | 2013-04-19 | 2016-02-25 | Krones Ag | Method for monitoring and controlling a filling system, and device for carrying out said method |
CN106796678A (zh) * | 2014-10-09 | 2017-05-31 | 利乐拉瓦尔集团及财务有限公司 | 在包装流水线中的质量监控 |
CN107209932A (zh) * | 2014-12-27 | 2017-09-26 | 希尔氏宠物营养品公司 | 食品加工方法与系统 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09160982A (ja) * | 1995-12-13 | 1997-06-20 | Fuji Xerox Co Ltd | 品質管理方法および品質管理システム |
JP2006098151A (ja) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg Co Ltd | パターン検査装置およびパターン検査方法 |
US20080281548A1 (en) * | 2005-08-26 | 2008-11-13 | Camtek Ltd | Method and System for Automatic Defect Detection of Articles in Visual Inspection Machines |
JP4908995B2 (ja) * | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
US8014586B2 (en) * | 2007-05-24 | 2011-09-06 | Applied Vision Corporation | Apparatus and methods for container inspection |
US8009864B2 (en) * | 2007-08-31 | 2011-08-30 | Accenture Global Services Limited | Determination of inventory conditions based on image processing |
JP5560628B2 (ja) * | 2009-09-04 | 2014-07-30 | ソニー株式会社 | 検査装置および検査方法 |
JP5948262B2 (ja) * | 2013-01-30 | 2016-07-06 | 株式会社日立ハイテクノロジーズ | 欠陥観察方法および欠陥観察装置 |
US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
JP6403261B2 (ja) | 2014-12-03 | 2018-10-10 | タカノ株式会社 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
JP6607261B2 (ja) * | 2015-12-24 | 2019-11-20 | 富士通株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
JP6172784B1 (ja) | 2017-02-22 | 2017-08-02 | 株式会社悠心 | 包装体の画像検査システム |
CN114972180A (zh) * | 2017-04-13 | 2022-08-30 | 英卓美特公司 | 用于预测在装配单元中的缺陷的方法 |
US10628961B2 (en) * | 2017-10-13 | 2020-04-21 | Qualcomm Incorporated | Object tracking for neural network systems |
US20190130188A1 (en) * | 2017-10-26 | 2019-05-02 | Qualcomm Incorporated | Object classification in a video analytics system |
WO2020023762A1 (en) * | 2018-07-26 | 2020-01-30 | Walmart Apollo, Llc | System and method for produce detection and classification |
-
2018
- 2018-11-08 JP JP2020533628A patent/JP7239588B2/ja active Active
- 2018-11-08 BR BR112020012257-2A patent/BR112020012257A2/pt unknown
- 2018-11-08 CN CN201880082213.XA patent/CN111492401B/zh active Active
- 2018-11-08 US US16/955,305 patent/US11100630B2/en active Active
- 2018-11-08 WO PCT/EP2018/080661 patent/WO2019120738A1/en active Application Filing
- 2018-11-08 EP EP18205222.5A patent/EP3503024A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102639259A (zh) * | 2009-07-16 | 2012-08-15 | 布勒索尔泰克斯有限公司 | 使用模式识别的检查装置和方法 |
US20160052764A1 (en) * | 2013-04-19 | 2016-02-25 | Krones Ag | Method for monitoring and controlling a filling system, and device for carrying out said method |
CN106796678A (zh) * | 2014-10-09 | 2017-05-31 | 利乐拉瓦尔集团及财务有限公司 | 在包装流水线中的质量监控 |
CN107209932A (zh) * | 2014-12-27 | 2017-09-26 | 希尔氏宠物营养品公司 | 食品加工方法与系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002225A (zh) * | 2021-10-19 | 2022-02-01 | 业成科技(成都)有限公司 | 光学检测系统与方法 |
CN114002225B (zh) * | 2021-10-19 | 2023-05-12 | 业成科技(成都)有限公司 | 光学检测系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200380656A1 (en) | 2020-12-03 |
BR112020012257A2 (pt) | 2020-11-24 |
CN111492401B (zh) | 2022-04-05 |
JP7239588B2 (ja) | 2023-03-14 |
WO2019120738A1 (en) | 2019-06-27 |
EP3503024A1 (en) | 2019-06-26 |
US11100630B2 (en) | 2021-08-24 |
JP2021507239A (ja) | 2021-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111492401B (zh) | 包装容器中的缺陷检测的方法 | |
CN110275506B (zh) | 异常检测系统、支持装置以及模型生成方法 | |
CN110275505B (zh) | 异常检测系统、支持装置以及模型生成方法 | |
EP3547057A1 (en) | Abnormality detection system, support device, and abnormality detection method | |
WO2022032684A1 (en) | A method, device, system and storage medium for fault diagnosis and solution recommendation | |
US20230011901A1 (en) | Systems and methods for anomaly recognition and detection using lifelong deep neural networks | |
US20220292666A1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
US20230142383A1 (en) | Method and device for processing product manufacturing messages, electronic device, and computer-readable storage medium | |
US20190257719A1 (en) | Abnormal-state detection system and abnormal-state detection method | |
CN103428426A (zh) | 具有预测运动控制的机器视觉系统和方法 | |
CN113888480A (zh) | 一种基于mes的质量追溯方法和系统 | |
CN111112130A (zh) | 一种基于机器视觉技术的软管封尾质量检测装置及方法 | |
CN113646715A (zh) | 使用参数化批运行监测通过质量指示符控制技术设备 | |
US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
EP4249187A1 (en) | Tool checking device, tool checking program, and tool checking method for robot arm | |
CN109624502B (zh) | 一种高效低耗损印刷制品生产系统及方法 | |
CN114331944A (zh) | 人工智能瑕疵图像分类方法及其系统 | |
JP2021506015A (ja) | 機械におけるプロセス監視の方法 | |
US20230229137A1 (en) | Analysis device, analysis method and non-transitory computer-readable storage medium | |
Nakano et al. | Development of Automatic Work Analysis for Assembly Work using Motion Picture Analysis of Hand Position and Motion | |
EP4345562A1 (en) | Systems and methods for container-based data collection and analysis in an operational technology network | |
TWI765364B (zh) | 人工智慧瑕疵影像分類方法與其系統 | |
CN116569119A (zh) | 制造环境中的设备效率 | |
US20210279573A1 (en) | Detecting when a piece of material is caught between a chuck and a tool | |
US20220375067A1 (en) | Automated part 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 |