CN111612772A - 一种卫浴塑胶件缺陷识别方法、装置及设备 - Google Patents
一种卫浴塑胶件缺陷识别方法、装置及设备 Download PDFInfo
- Publication number
- CN111612772A CN111612772A CN202010442715.8A CN202010442715A CN111612772A CN 111612772 A CN111612772 A CN 111612772A CN 202010442715 A CN202010442715 A CN 202010442715A CN 111612772 A CN111612772 A CN 111612772A
- Authority
- CN
- China
- Prior art keywords
- plastic part
- bathroom
- image
- cavity pressure
- pressure curve
- 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
- 229920003023 plastic Polymers 0.000 title claims abstract description 106
- 239000004033 plastic Substances 0.000 title claims abstract description 106
- 230000007547 defect Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000001746 injection moulding Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 208000037063 Thinness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 206010048828 underweight Diseases 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种卫浴塑胶件缺陷识别方法、装置及设备,方法包括:获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线;将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段;获取与所述变异曲线段对应的潜在缺陷位置;获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像;提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。本发明能提高对卫浴塑胶件的缺陷识别效率。
Description
技术领域
本发明涉及卫浴领域,尤其涉及一种卫浴塑胶件缺陷预测方法、装置及设备。
背景技术
在塑料制品成型加工过程中,由于塑料原料品种繁多,模具型腔结构复杂,成型设备的控制运行状态各异,加上成型物料的流变、力学性能的差异等,在塑料制品上会产生各种各样的成型缺陷。一般涉及塑料制品质量(缺陷)的要素有:外观性的、尺寸精确度性的、功能性的内容等。
外观性的要素与制品的外观、实用性有关,制品的外观不良与注射条件密切相关;制品的尺寸精度是其作为各种零部件使用时的重要的品质要素;而成型制品功能性要素包括力学性能、耐热性能、耐化学药品性、电气特性等。注塑制品常见缺陷具体可分为三大类。(1)外观:凹痕、银纹、变色、黑斑、流痕、焦痕、熔接痕、泛白、表面气泡、分层、龟裂、外观浑浊等。(2)工艺问题:充填不足、分型面飞边过大、流道粘模、不正常顶出等。(3)性能问题:变脆、翘曲、应力集中、超重欠重(密度不均匀)等。
如何有效地改善和消除注塑制品缺陷并及时预测出有缺陷的产品是众多生产商最为关注的问题。目前在生产出产品后,需要对每个产品进行缺陷以及性能检测来分离出次品,这种分离次品的方式需要耗费大量时间和成本,效率不高。
目前也有通过人工智能,如神经网络模型的方法来进行塑胶件缺陷的识别,然而由于塑胶件是立体的,且有些塑胶件的结构复杂(如存在内部结构以及外部结构),其缺陷发生位置难以预测,因此可能需要将塑胶件的多个不同视角的图片分别输入到神经网络模型中才能确定塑胶件是否存在缺陷,导致检测效率不高。
发明内容
针对上述问题,本发明的目的在于提供一种卫浴塑胶件缺陷预测方法、装置及设备,能提供缺陷检测的效率。
本发明实施例提供了一种卫浴塑胶件缺陷识别方法,包括:
获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线;
将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段;
获取与所述变异曲线段对应的潜在缺陷位置;
获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像;
提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。
优选的,在获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线之前,还包括:
采集多个正常卫浴塑胶件的正样本图片以及多个存在缺陷的卫浴塑胶件的负样本图片;其中,所述正样本图片包括所述正常卫浴塑胶件在不同视角下的图片;所述负样本图片为能观察到卫浴塑胶件的缺陷位置的图片;
对所述负样本根据其缺陷的类别进行标注;
所述正样本图片以及所述负样本图片缩放至指定的尺寸后,输入至神经网络模型进行训练,以获得训练好的神经网络模型。
优选的,还包括:
将所述图像缩放至所述指定的尺寸。
优选的,还包括:
将所述图像、所述正样本图片以及负样本图片转为灰度图像。
本发明实施例还提供了一种卫浴塑胶件缺陷识别装置,包括:
压力曲线获取单元,用于获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线;
比较单元,用于将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段;
缺陷获取单元,用于获取与所述变异曲线段对应的潜在缺陷位置;
图像获取单元,用于获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像;
判别单元,用于提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。
优选的,还包括:
样本采集单元,用于采集多个正常卫浴塑胶件的正样本图片以及多个存在缺陷的卫浴塑胶件的负样本图片;其中,所述正样本图片包括所述正常卫浴塑胶件在不同视角下的图片;所述负样本图片为能观察到卫浴塑胶件的缺陷位置的图片;
标注单元,用于对所述负样本根据其缺陷的类别进行标注;
训练单元,用于在所述正样本图片以及所述负样本图片缩放至指定的尺寸后,输入至神经网络模型进行训练,以获得训练好的神经网络模型。
优选的,还包括:
缩放单元,用于将所述图像缩放至所述指定的尺寸。
优选的,还包括:
转换单元,用于将所述图像、所述正样本图片以及负样本图片转为灰度图像。
本发明实施例还提供了一种卫浴塑胶件缺陷识别设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上述的卫浴塑胶件缺陷识别方法。
本实施例提供的卫浴塑胶件缺陷识别方法,在通过神经网络模型进行判别前,先根据其实际模腔压力曲线预判其有较大概率存在缺陷的缺陷位置,再获取与所述缺陷位置对应的视图进行识别,从而可以减少识别的次数。虽然通过这种方法可能导致某些缺陷无法被检测到,然而,对于一个产品,只要其一个地方存在缺陷就通常判断为不合格产品,因此并不会对最终的判断结果产生影响。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的卫浴塑胶件缺陷识别方法的流程示意图。
图2是本发明第一实施例提供的标准模腔压力曲线图。
图3(a)-图3(d)是本发明第一实施例提供的不合格产品的实时模腔压力曲线图。
图4是本发明第二实施例提供的卫浴塑胶件缺陷识别装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换,以使这里描述的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
请参阅图1,本发明第一实施例提供了一种卫浴塑胶件缺陷识别方法,其可由卫浴塑胶件缺陷识别设备(以下简称缺陷识别设备)来执行,特别的,由所述缺陷识别设备内的一个或者多个处理器来执行,以至少实现如下步骤:
S101,获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线。
在本实施例中,卫浴塑胶件在注塑过程中,可通过设置与模具内的压力传感器来获取其实际模腔压力曲线。
此外,在注塑完成后,可获得对应的卫浴塑胶件的实际产品。
S102,将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段。
S103,获取与所述变异曲线段对应的潜在缺陷位置。
在本实施例中,模腔压力直接反映各种成型工艺参数之间相互关联的结果,任何一个成型工艺参数的变化,都通过模腔压力直接反映出来,譬如熔体温度、模具温度、注射压力、保压压力、保压时间、冷却时间等参数发生变化,模腔压力也会随之发生变化,而这些工艺参数共同决定制品品质,因此可以认为模腔压力直接决定了制品品质。在实际生产过程中通过监测模腔压力,实现对制品品质的监测。
在本实施例中,例如,一个合格的卫浴塑胶件的标准模腔压力曲线如图2所示。如果检测到的实际模腔压力曲线与所述标准模腔压力曲线接近,则说明其对应的卫浴塑胶件制品有很大概率是合格产品,而如果检测到的实际模腔压力曲线与所述标准模腔压力曲线在某些时间段或者整个时间段都不同,则说明其对应的卫浴塑胶件制品有较大概率是不合格产品。
如图3(a)-图3(d)所示,其示出了一些不合格产品对应的实际模腔压力曲线,这些实际模腔压力曲线与标准模腔压力曲线相比,均存在若干个变异曲线段。这些变异曲线段对应的原因各不相同,其最终导致的缺陷位置也各不相同,例如,有些变异曲线段导致的缺陷位置大概率在卫浴塑胶件的表面,有些变异曲线段导致的缺陷位置大概率在卫浴塑胶件的内腔,有些变异曲线段导致的缺陷位置在卫浴塑胶件大概率的侧面。
由此,本实施例在获取到所述变异曲线段后,即可以根据预先设置的关联关系来获取与所述变异曲线段对应的潜在缺陷位置。
S104,获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像。
在本实施例中,在获取到所述潜在缺陷位置后,即可以根据该潜在缺陷位置来获取对应的卫浴塑胶件的预定视角的图像,例如卫浴塑胶件的外表图、侧面图、内腔图、俯视图或者仰视图等。具体视实际情况而定。
S105,提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。
在本实施例中,所述神经网络模型可为CNN,RNN,DBN,GAN架构的模型,本实施例不做具体限定。
与现有神经网络模型类似,在使用所述神经网络模型之前,需先对其进行训练,具体为:
采集多个正常卫浴塑胶件的正样本图片以及多个存在缺陷的卫浴塑胶件的负样本图片;其中,所述正样本图片包括所述正常卫浴塑胶件在不同视角下的图片;所述负样本图片为能观察到卫浴塑胶件的缺陷位置的图片;
对所述负样本根据其缺陷的类别进行标注;
所述正样本图片以及所述负样本图片缩放至指定的尺寸后,输入至神经网络模型进行训练,以获得训练好的神经网络模型。
其中,在训练时,如果是彩色的图片,还往往需要将其转化为灰度图像。
在本实施例中,在获得训练好的神经网络模型后,将所述图像缩放至所述指定的尺寸并转为灰度图像后输入所述神经网络模型,所述神经网络模型即可以对该图像进行分类以判断所述图像对应的卫浴塑胶件为合格样品还是不合格样品,以及如果是不合格样品,其缺陷的类别等。
综上所述,本实施例提供的卫浴塑胶件缺陷识别方法,在通过神经网络模型进行判别前,先根据其实际模腔压力曲线预判其有较大概率存在缺陷的缺陷位置,再获取与所述缺陷位置对应的视图进行识别,从而可以减少识别的次数。虽然通过这种方法可能导致某些缺陷无法被检测到,然而,对于一个产品,只要其一个地方存在缺陷就通常判断为不合格产品,因此并不会对最终的判断结果产生影响。
请参阅图4,本发明第二实施例还提供了一种卫浴塑胶件缺陷识别装置,包括:
压力曲线获取单元210,用于获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线;
比较单元220,用于将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段;
缺陷获取单元230,用于获取与所述变异曲线段对应的潜在缺陷位置;
图像获取单元240,用于获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像;
判别单元250,用于提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。
优选的,还包括:
样本采集单元,用于采集多个正常卫浴塑胶件的正样本图片以及多个存在缺陷的卫浴塑胶件的负样本图片;其中,所述正样本图片包括所述正常卫浴塑胶件在不同视角下的图片;所述负样本图片为能观察到卫浴塑胶件的缺陷位置的图片;
标注单元,用于对所述负样本根据其缺陷的类别进行标注;
训练单元,用于在所述正样本图片以及所述负样本图片缩放至指定的尺寸后,输入至神经网络模型进行训练,以获得训练好的神经网络模型。
优选的,还包括:
缩放单元,用于将所述图像缩放至所述指定的尺寸。
优选的,还包括:
转换单元,用于将所述图像、所述正样本图片以及负样本图片转为灰度图像。
本发明实施例还提供了一种卫浴塑胶件缺陷识别设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如上述的卫浴塑胶件缺陷识别方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种卫浴塑胶件缺陷识别方法,其特征在于,包括:
获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线;
将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段;
获取与所述变异曲线段对应的潜在缺陷位置;
获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像;
提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。
2.根据权利要求1所述的卫浴塑胶件缺陷识别方法,其特征在于,在获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线之前,还包括:
采集多个正常卫浴塑胶件的正样本图片以及多个存在缺陷的卫浴塑胶件的负样本图片;其中,所述正样本图片包括所述正常卫浴塑胶件在不同视角下的图片;所述负样本图片为能观察到卫浴塑胶件的缺陷位置的图片;
对所述负样本根据其缺陷的类别进行标注;
所述正样本图片以及所述负样本图片缩放至指定的尺寸后,输入至神经网络模型进行训练,以获得训练好的神经网络模型。
3.根据权利要求2所述的卫浴塑胶件缺陷识别方法,其特征在于,还包括:
将所述图像缩放至所述指定的尺寸。
4.根据权利要求2所述的卫浴塑胶件缺陷识别方法,其特征在于,还包括:
将所述图像、所述正样本图片以及负样本图片转为灰度图像。
5.一种卫浴塑胶件缺陷识别装置,其特征在于,包括:
压力曲线获取单元,用于获取卫浴塑胶件以及所述卫浴塑胶件在注塑过程中的实际模腔压力曲线;
比较单元,用于将所述实际模腔压力曲线与标准模腔压力曲线进行比较,以获取所述实际模腔压力曲线的变异曲线段;
缺陷获取单元,用于获取与所述变异曲线段对应的潜在缺陷位置;
图像获取单元,用于获取与所述潜在缺陷位置对应的卫浴塑胶件的预定视角的图像;
判别单元,用于提取所述图像的特征,并将所述特征输入至预先训练好的神经网络模型,以判断所述卫浴塑胶件是否存在缺陷以及缺陷的类别。
6.根据权利要求5所述的卫浴塑胶件缺陷识别装置,其特征在于,还包括:
样本采集单元,用于采集多个正常卫浴塑胶件的正样本图片以及多个存在缺陷的卫浴塑胶件的负样本图片;其中,所述正样本图片包括所述正常卫浴塑胶件在不同视角下的图片;所述负样本图片为能观察到卫浴塑胶件的缺陷位置的图片;
标注单元,用于对所述负样本根据其缺陷的类别进行标注;
训练单元,用于在所述正样本图片以及所述负样本图片缩放至指定的尺寸后,输入至神经网络模型进行训练,以获得训练好的神经网络模型。
7.根据权利要求6所述的卫浴塑胶件缺陷识别装置,其特征在于,还包括:
缩放单元,用于将所述图像缩放至所述指定的尺寸。
8.根据权利要求5所述的卫浴塑胶件缺陷识别装置,其特征在于,还包括:
转换单元,用于将所述图像、所述正样本图片以及负样本图片转为灰度图像。
9.一种卫浴塑胶件缺陷识别设备,其特征在于,包括存储器以及处理器,所述存储器内存储有计算机程序,所述计算机程序能够被所述处理器执行,以实现如权利要求1至4任意一项所述的卫浴塑胶件缺陷识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442715.8A CN111612772A (zh) | 2020-05-22 | 2020-05-22 | 一种卫浴塑胶件缺陷识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442715.8A CN111612772A (zh) | 2020-05-22 | 2020-05-22 | 一种卫浴塑胶件缺陷识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612772A true CN111612772A (zh) | 2020-09-01 |
Family
ID=72202143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010442715.8A Pending CN111612772A (zh) | 2020-05-22 | 2020-05-22 | 一种卫浴塑胶件缺陷识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612772A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN108090897A (zh) * | 2017-12-18 | 2018-05-29 | 川亿电脑(深圳)有限公司 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
-
2020
- 2020-05-22 CN CN202010442715.8A patent/CN111612772A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN108090897A (zh) * | 2017-12-18 | 2018-05-29 | 川亿电脑(深圳)有限公司 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
张京珍: "《塑料成型工艺》", 31 January 2010, 中国轻工业出版社 * |
裴士轻: "Kistler模腔压力检测技术", 《HTTPS://MAX.BOOK118.COM/HTML/2018/1001/8111057051001125.SHTM》 * |
郑荣成等: "模腔压力监测与零缺陷部件的优化注塑工艺", 《WORLD PLASTICS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816648B (zh) | 基于多模板低秩分解的复杂注塑制品飞边缺陷识别方法 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN115861317A (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
CN115456652A (zh) | 一种基于人工智能的精密注塑件不良品的溯源方法 | |
CN111571913A (zh) | 卫浴塑胶件缺陷预测方法 | |
Zhang et al. | Automated vision-based inspection of mould and part quality in soft tooling injection moulding using imaging and deep learning | |
CN111612772A (zh) | 一种卫浴塑胶件缺陷识别方法、装置及设备 | |
CN116945521B (zh) | 一种注塑件缺陷检测方法 | |
CN116087208B (zh) | 一种基于图像识别的塑料制品检测系统 | |
CN116834244A (zh) | 注塑模具的图像监测报警系统及其方法 | |
US20010004401A1 (en) | Process for inspecting the quality of an article in particular one made of glass | |
CN116223529A (zh) | 一种膜压手套生产的智能检测方法及系统 | |
CN114413765A (zh) | 一种基于机器视觉识别的注塑制品快速检验方法、设备及计算机存储介质 | |
CN109932908B (zh) | 一种基于报警信度融合的多向主元分析过程监测方法 | |
CN117132600B (zh) | 基于图像的注塑制品质量检测系统及其方法 | |
CN114734601B (zh) | 一种注塑过程的制品瑕疵在线检测方法 | |
CN116001230B (zh) | 一种乳液泵注塑成型系统 | |
CN117644625B (zh) | 一种基于机器视觉的智能注塑方法 | |
CN116214762B (zh) | 一种改性塑料加工系统和方法 | |
KR20210124758A (ko) | 가스 사출 성형 제품의 품질 검사 장치 및 그 방법 | |
WO2022210424A1 (ja) | 品質予測装置及びその方法、プログラム並びに記録媒体 | |
CN118163317B (zh) | 一种tpu热塑性塑料颗粒注塑成型原料热熔控制系统 | |
CN113344918B (zh) | 一种热成型模具检测方法、系统和可读存储介质 | |
CN115958763A (zh) | 一种具有定量控制功能的橡塑膜片成型装置 | |
CN110181503A (zh) | 异常检测方法、装置、智能设备和存储介质 |
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 |
Application publication date: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |