CN111626339A - 一种抗光影和抖动影响的注塑机模腔异常检测方法 - Google Patents
一种抗光影和抖动影响的注塑机模腔异常检测方法 Download PDFInfo
- Publication number
- CN111626339A CN111626339A CN202010383662.7A CN202010383662A CN111626339A CN 111626339 A CN111626339 A CN 111626339A CN 202010383662 A CN202010383662 A CN 202010383662A CN 111626339 A CN111626339 A CN 111626339A
- Authority
- CN
- China
- Prior art keywords
- image
- molding machine
- jitter
- similarity
- images
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种抗光影和抖动影响的注塑机模腔异常检测方法,属于信息技术、计算机视觉以及异常检测技术领域。所述方法,包括:S1采集一幅正常工况下的注塑机模腔图像,称为模板图像;S2采集多幅不同光影和抖动模式下的模腔图像,并给出对应标签,构成训练集;S3:对于训练集中的每幅测试图像和模板图像进行比较,获得相似性图像;S4:提取相似性图像D中“类间距离‑类内方差”特征f,S5:使用“类间距离‑类内方差”特征f构建分类器;S6:使用分类器在实际生产中进行检测。所述方法具有抗光照环境变化和抗工作环境引起的相机抖动性能、无需重复训练且无需人工设置参数,简化了使用复杂度。
Description
技术领域
本发明涉及一种抗光影和抖动影响的注塑机模腔异常检测方法,尤其涉及一种基于机器 视觉的工业注塑机生产过程中的异常检测方法,属于信息技术、计算机视觉以及异常检测技 术领域。
背景技术
注塑机在生产过程中,会出现产品粘模、异物残留、顶针未退回等异常情况。这些异常情 况会导致注塑机再次闭合模腔时模具被压坏,给工厂带来巨大经济损失。传统的方法可以通 过人工检测,当人眼观察到异常时关停注塑机。近年来,通过机器视觉进行异常自动化检测 的方法开始普及,即通过工业相机采集图像,通过计算机处理并分析工业相机拍摄的模腔图 像,从而发现图像中的异常,起到监测生产异常的作用。
然而,工业现实生产环境中存在很多非理想情况,导致相机采集的模腔图像质量降低。例 如,图像采集过程中采光会随着每日不同的时段发生变化,如工厂中普遍存在晚间以人工照 明为主,白天以人工照明配合自然光照明的情况。这会使得图像发生一定程度的明暗变化。 另外一种情况是生产过程中机械震动导致的图像中检测目标的小幅度偏移和模糊。上述非理 想情况的出现,将会导致视觉检测出现误报警等情况,给用户的使用带来麻烦。针对光影和 震动等的环境影响,往往需要调整相机的工作参数和状态,或者为了生产环境的变化,需要 针对图像处理算法根据环境变化进行参数调整。注意到这些参数的调整需要一定的知识背景 和专业技能,而限于人工成本,工厂一线生产环境中往往不具备类似条件,这导致既有现实 生产中普及基于机器视觉的自动化模腔检测出现了现实障碍。
本专利主要以实际工作环境和需求为背景,针对工厂模腔检测中环境,给出一种能够适应 注塑机抖动和环境光影发生变化等条件下的模腔异常视觉检测方法,这一方法的突出特点是, 自适应环境变化而不需要进行任何工作参数的调整。这一方法可以显著的降低生产环境影响 导致的模腔检测误报警,提高检测精度和工作效率。
发明内容
本发明目的是针对现有注塑机模腔异常检测方法中当注塑机抖动和环境光影发生变化等 条件时出现虚警导致检测效率低及错误率高的技术缺陷,提出了一种针对光影和抖动影响的 注塑机模腔异常检测方法。
所述一种抗光影和抖动影响的注塑机模腔异常检测方法,包括如下步骤:
步骤S1:采集一幅正常工况下的注塑机模腔图像,称为模板图像;
其中,模板图像,记为T;
步骤S2:采集多幅不同光影和抖动模式下的模腔图像,针对每幅图像人工给出正常或异 常的标签,并将采集的多幅图像与对应标签构成训练集;
其中,采集训练集中的测试图像包括正常图像和异常图像,正常图像应在不同光线条件下 采集,异常图像尽量包括各种可能出现的异常;
步骤S3:对于训练集中的每幅测试图像和模板图像进行比较,获得相似性图像;
其中,测试图像,记为A,相似性图像,记为D;
相似性图像的获取包括如下子步骤:
步骤S3-1:对训练集中的测试图像进行均值滤波得到滤波后图像;
其中,滤波后图像,记为UA;
均值滤波是指以周围像素均值代替测试图像A中的各个像素值,且均值滤波选取窗口大 小优选为3;
步骤S3-2:对于模板图像T进行均值滤波得到图像UT;
其中,优选的均值滤波窗口大小优选为3;
步骤S3-3:按照公式(1)和公式(2)计算D:
D=255*D' (2)
其中,C是为了避免分母为0而添加的任意非零常数;
步骤S4:提取相似性图像D中“类间距离-类内方差”特征f,具体包括如下子步骤:
步骤S4-1:使用OTSU自适应二值化算法,对相似性图像D进行分割,得到黑白图像M;
步骤S4-2:根据步骤S4-1得到的黑白图像M将相似性图像D上的像素点分为“黑色区域 对应的像素点”以及“白色区域对应的像素点”;
其中,黑色区域对应的像素点的类别记为C1,白色区域对应的像素点的类别记为C2;
步骤S4-3:按照公式(3)至公式(6)计算相似性图像D上两类像素点的类间距离SB和类内 方差SW,构成相似性图像D中“类间距离-类内方差”特征f=(SB,Sw);
SB=g(μ1-μ2) (5)
SW=h(s1+s2) (6)
其中,p是相似性图像D上的像素点,N是两类像素点的个数,I(p)是像素点p的灰度;
步骤S5:使用“类间距离-类内方差”特征f构建分类器;
其中,优选的分类器为支持向量机,即SVM,SVM分类器选择线性支持向量机,惩罚系数 为1;线性支持向量机,即Linear SVM;
步骤S6:使用分类器在实际生产中进行检测。
有益效果
所述一种针对光影和抖动影响的注塑机模腔异常检测方法,与现有技术相比,具有如下有 益效果:
1.所述方法具有抗光照环境变化和抗工作环境引起的相机抖动性能,具体体现为:本方法 中提出的以相似性图像,完全不同于传统的特征量,通过设计的Sw(5)、SB(6)的匹配,提 取出的指标量对于环境光影变化不敏感,因此,本方法对于光照环境变化光照有一定适应性; 提取相似性图像D的步骤中,均值滤波具有模糊图像、消除噪声的效果,对于抖动引起的轮 廓变化不敏感,因此,本方法对相机抖动有自适应性;
2.注塑机更换模具后,原有算法仍适用,无需重复训练,具体体现为:本方法得益于采用 相似性图像D中,只包含模板图像和测试图像的各个部分的相似程度,而非传统的视觉特征 图;也就是说,本方法将基于视觉特征的检测,转化成对模板和测试图像的相似程度的检测, 检测结果只与相似度或者差异有关,与待检测的是模腔模具的具体形态无关;因此工厂更换 模具后,工人无需任何调整,避免了更换模具后的重复训练问题;
3.所述方法无需人工设置参数,简化了使用复杂度,具体为:本方法中提出使用相似性图 像作为特征,并和OTSU、SVM的结合,具有显著的性能提升意义:OTSU和SVM均无需参数设 置,二者的结合,可以自动确定最优结果的算法参数;因此,本方法的训练和测试无需任何 针对分类检测或者模具更换的人工设置参数,简化了使用复杂度。
附图说明
图1为本发明一种针对光影和抖动影响的注塑机模腔异常检测方法的流程图;
图2为本发明一种针对光影和抖动影响的注塑机模腔异常检测方法实施例的训练过程及 中间结果图;
图3为本发明针对光影和抖动影响的注塑机模腔异常检测方法实施例在多个注塑机检测 场景下的结果图;
图4为本发明针对光影和抖动影响的注塑机模腔异常检测方法实施例的抗光影和抖动性 能结果图。
具体实施方式
下面结合附图及实施例对本发明一种针对光影和抖动影响的注塑机模腔异常检测方法进 行详细阐述。
实施例1
图1为本发明提出的注塑机模具异常检测的方法流程图,从图1可以看出,本发明所述 方法具体实施时,包括如下步骤:
步骤S1:采集一幅正常情况下的模具内腔的图像,即模板图像T;
步骤S2:采集多幅具内腔图像构成训练集;
步骤S3:对于训练集中每幅待测图像A和模板图像T进行比较,获得相似性图像D,具 体实施如步骤S3-1,S3-2,S3-3所示,其中步骤S3-3中,具体实施时选择优选的C=6.5;
由于D'的灰度范围为0到1,公式(2)将D'像素灰度范围线性缩放至0到255,得到相似性 图像D;
步骤S4:提取相似性图像D的“类间距离-类内方差”特征f;
特别的,当测试图像和模板图像T完全一样时,黑白图像M中只有白色点,此时“类间距 离-类内方差”特征f取g(·)、h(·)均为是单调函数,Sw、SB有时数值较大,可使 用对其数值进行压缩;可选的,Sw的一种压缩方法为SB的一种压缩方法为 SB=|μ1-μ2|,|·|为取绝对值;步骤S5:使用“类间距离-类内方差”特征f构建SVM分类器;
步骤S6:使用此SVM分类器在实际生产中进行检测。
下面结合附图2对本发明做进一步描述。
首先采集模板图像T和训练集图像。考虑到瑕疵通常比较小,此实施例选取图像尺寸大 小为100*100像素。附图2的2a中方框A展示了训练集中包含的五类样本,分别为正常样 本、深色异物样本、浅色异物样本、同色异物样本、顶针未退回样本。训练集样本共484张。 训练集中包含了不同亮度下的样本图像,因此,在训练过程中本方法能够从中学习到光影的 特征,从而获得抗光影的性能。
对于训练集中484个样本,根据公式(1)、公式(2)得到484张相似性图像D。如附图2的 2a中方框B所示,相似度图像D中灰色的区域,对应着没有正常退回的顶针的位置,即模板 图像和训练集图像中不同的区域。因此,不论检测目标是何种物体,相似性图像D仅保留了 图像差异部分,消除了图像相同的部分。因此,此步骤能够保证本方法迁移至其他检测目标 时,无需重新训练,仍具有检测能力。相似性图像D的提取过程利用了均值滤波,均值滤波 能够通过模糊图像来获得抗噪声性能,均值滤波的模糊效果与抖动造成的模糊有相似性,因 此本方法对抖动导致的模糊不敏感。此外,方框B中的OTSU算法是一种自适应分割的方法, 因此无需参数选择。
根据公式(3)至公式(6),依据附图2的2a中方框B步骤,对于484张训练集样本,共得 到484个2维“类间距离-类内方差”特征f=(SB,Sw)。附图2的2a中方框B2中给出了光影样本和瑕疵样本的相似性图像,可以看出光影通常为图像带来轻微的、均匀的变化,而瑕疵带来的图像变化为剧烈的、局部的变化。利用这种特性,当瑕疵导致图像发生剧烈变化时,相似度图像D中正常区域相似度很高,而瑕疵区域的相似度会非常低,导致类间距离很大;瑕疵导致图像发生局部变化,会导致相似度图像D中像素数值波动较大,导致类内方差较大。 因此本方法的特征的设计中特别考虑到上述光影和瑕疵的差异,从而获得抗光影性能。训练 SVM分类器,对此484个2维“类间距离-类内方差”特征(SB,Sw)进行分类。附图2b放大 了的附图2a的方框D的图像,展示了484个2维特征的分布和SVM分类平面。其中黑色“x”和黑色“·”分别表示瑕疵样本和正常样本的2维特征。可以看出,瑕疵样本和正常样本分布在分类平面两侧,因此训练的SVM分类器能够分开两类样本,从而证实了本方法的有效性。 此外,SVM分类器是一种自动寻找最优分类平面的分类器,因此无需参数选择。
测试时,采集的图像尺寸统一放缩至500行*700列。划分成35个100*100像素的图像子 块。对于每个子块,分别计算相似性图像D和“类间距离-类内方差”特征f=(SB,Sw),并使 用训练出的SVM分类器分类。若每个子块均判为正常,则当前生产处于正常状态,否则有异 常发生。
当分别使用伽马变换和PSF点扩散模型模拟不同亮度图像和运动模糊图像,并使用这些 图像比较本方法和传统模板匹配方法的性能差异,其效果如下表1所示:
表1传统模板匹配方法与本方法性能对比
其中,上表1中的γ为伽马变换中控制图像亮度变化的参数指标,γ越不接近于1说明亮 度变化越大;v为PSF模型中的运动速度,v越大说明模糊强度越大。本方法允许的光影变化 范围为0.2至2.5,宽于传统模板匹配方法的范围0.4至1.7。而本方法的抖动容限为8,高 于传统方法的模糊强度6。传统方法中,至少需要1个参数作为相似度的判决阈值,而本文 中使用SVM分类器代替传统方法中设置阈值的操作,无需参数。
为了证明此方法检测结果的准确性,附图3中的3a给出了此实施例中的SVM分类器对于 不同类型异常的检测结果图像。为了证明此方法在不同场景下的有效性,附图3中的3b给出 了此实施例在未重新训练的情况下,直接应用于另一场景下的检测结果图像。为了证明此方 法的抗光影变化和抗抖动性能,附图4中的4a和4b中分别给出了此实施例在光线变化场景、 模糊场景下的检测结果。其中,平均亮度通过图像的平均灰度来表示。此实施例的分类器共 进行了2459次检测,错检10次,检测准确率为99.6%,平均用时48.8ms。
综上所述,本方法针对工业环境中机器抖动,利用相似性图像D提高方法的抗抖动性能。 同时,相似性图像D的引入,使得方法具有无需训练就可应用至新场景的能力;针对工业环 境中的光影变化问题,在训练集中加入不同光影条件的图像,并提出“类间距离-类内方差” 特征,改善方法的抗光影性能。此外,本方法中涉及的图像处理算法均无需设置参数,这种 易用性,简化了工厂工人的工作,能够避免不合理参数设置导致的检测性能下降。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。 因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的 形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储 介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令 到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个 机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程 图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工 作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制 造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指 定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或 其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编 程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多 个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方 式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发 明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这 些均属于本发明的保护之内。
Claims (8)
1.一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:包括如下步骤:
步骤S1:采集一幅正常工况下的注塑机模腔图像,称为模板图像;
其中,模板图像,记为T;
步骤S2:采集多幅不同光影和抖动模式下的模腔图像,针对每幅图像人工给出正常或异常的标签,并将采集的多幅图像与对应标签构成训练集;
步骤S3:对于训练集中的每幅测试图像和模板图像进行比较,获得相似性图像;
其中,测试图像,记为A,相似性图像,记为D;
获取相似性图像,包括如下子步骤:
步骤S3-1:对训练集中的测试图像进行均值滤波得到滤波后图像;
其中,滤波后图像,记为UA;
步骤S3-2:对于模板图像T进行均值滤波得到图像UT;
步骤S3-3:按照公式(1)和公式(2)计算D:
D=255*D' (2)
其中,C是为了避免分母为0而添加的任意非零常数;
步骤S4:提取相似性图像D中“类间距离-类内方差”特征f,具体包括如下子步骤:
步骤S4-1:使用OTSU自适应二值化算法,对相似性图像D进行分割,得到黑白图像M;
步骤S4-2:根据步骤S4-1得到的黑白图像M将相似性图像D上的像素点分为“黑色区域对应的像素点”以及“白色区域对应的像素点”;
其中,黑色区域对应的像素点的类别记为C1,白色区域对应的像素点的类别记为C2;
步骤S4-3:按照公式(3)至公式(6)计算相似性图像D上两类像素点的类间距离SB和类内方差SW,构成相似性图像D中“类间距离-类内方差”特征f=(SB,Sw);
SB=g(μ1-μ2) (5)
SW=h(s1+s2) (6)
步骤S5:使用“类间距离-类内方差”特征f构建分类器;
步骤S6:使用分类器在实际生产中进行检测。
2.根据权利要求1所述的一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:步骤S2中,采集训练集中的测试图像包括正常图像和异常图像,正常图像应在不同光线条件下采集,异常图像尽量包括各种可能出现的异常。
3.根据权利要求1所述的一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:步骤S3-1中均值滤波是指以周围像素均值代替测试图像A中的各个像素值,且均值滤波选取窗口大小优选为3。
4.根据权利要求1所述的一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:步骤S3-2中,优选的均值滤波窗口大小优选为3。
5.根据权利要求1所述的一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:步骤S3-3中优选的C=6.5;D'的灰度范围为0到1。
7.根据权利要求1所述的一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:步骤S4中SB的一种压缩方法为SB=|μ1-μ2|,|·|为取绝对值。
8.根据权利要求1所述的一种抗光影和抖动影响的注塑机模腔异常检测方法,其特征在于:步骤S5中,优选的分类器为支持向量机,即SVM,SVM分类器选择线性支持向量机,惩罚系数取1;线性支持向量机,即Linear SVM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383662.7A CN111626339B (zh) | 2020-05-08 | 2020-05-08 | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383662.7A CN111626339B (zh) | 2020-05-08 | 2020-05-08 | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626339A true CN111626339A (zh) | 2020-09-04 |
CN111626339B CN111626339B (zh) | 2023-06-13 |
Family
ID=72260046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010383662.7A Active CN111626339B (zh) | 2020-05-08 | 2020-05-08 | 一种抗光影和抖动影响的注塑机模腔异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626339B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523901A (zh) * | 2023-06-20 | 2023-08-01 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080111264A1 (en) * | 2006-11-15 | 2008-05-15 | Husky Injection Molding Systems Ltd. | Vibration Based Injection Molding Machine Damage Detection and Health Monitoring |
CN102837406A (zh) * | 2012-08-17 | 2012-12-26 | 浙江工业大学 | 基于fast-9图像特征快速配准算法的模具监视方法 |
CN104008399A (zh) * | 2014-06-12 | 2014-08-27 | 哈尔滨工业大学 | 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法 |
CN104772880A (zh) * | 2015-04-10 | 2015-07-15 | 浙江工业大学 | 一种基于lmdo的注塑机械手模具异常检测方法 |
CN106778779A (zh) * | 2016-12-12 | 2017-05-31 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
-
2020
- 2020-05-08 CN CN202010383662.7A patent/CN111626339B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080111264A1 (en) * | 2006-11-15 | 2008-05-15 | Husky Injection Molding Systems Ltd. | Vibration Based Injection Molding Machine Damage Detection and Health Monitoring |
CN102837406A (zh) * | 2012-08-17 | 2012-12-26 | 浙江工业大学 | 基于fast-9图像特征快速配准算法的模具监视方法 |
CN104008399A (zh) * | 2014-06-12 | 2014-08-27 | 哈尔滨工业大学 | 一种仪表检测中基于支持向量机的仪表指针抖动的识别方法 |
CN104772880A (zh) * | 2015-04-10 | 2015-07-15 | 浙江工业大学 | 一种基于lmdo的注塑机械手模具异常检测方法 |
CN106778779A (zh) * | 2016-12-12 | 2017-05-31 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
WO2018107525A1 (zh) * | 2016-12-12 | 2018-06-21 | 广东省智能制造研究所 | 一种电动注塑机模具检测方法 |
CN108195841A (zh) * | 2017-12-06 | 2018-06-22 | 浙江大学 | 基于gfv-sift特征的振动环境注塑模具异常缺陷检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523901A (zh) * | 2023-06-20 | 2023-08-01 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
CN116523901B (zh) * | 2023-06-20 | 2023-09-19 | 东莞市京品精密模具有限公司 | 一种基于计算机视觉的冲切模具检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111626339B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN107194559B (zh) | 一种基于三维卷积神经网络的工作流识别方法 | |
US8238605B2 (en) | Digital video target moving object segmentation method and system | |
WO2022099598A1 (zh) | 一种基于图像像素相对统计特征的视频动态目标检测的方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN107977686B (zh) | 一种工业x光图像的分类方法 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析系统及方法 | |
CN111652225A (zh) | 基于深度学习的非侵入式摄像读取方法及系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN117095005B (zh) | 一种基于机器视觉的塑料母粒质检方法及系统 | |
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN113658131A (zh) | 一种基于机器视觉巡游式环锭纺断纱检测方法 | |
CN111626339B (zh) | 一种抗光影和抖动影响的注塑机模腔异常检测方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN113487538A (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
CN113129265A (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN112488986A (zh) | 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及系统 | |
CN112115287A (zh) | 一种基于ai质检与工业大数据分析的方法、系统及介质 | |
CN111582076A (zh) | 一种基于像素运动智能感知的画面冻结检测方法 | |
CN112233109B (zh) | 一种抗可见光干扰的金属上料视觉分拣方法 | |
CN117911409B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN110070011A (zh) | 一种应用于智能制造流水线的监测方法及装置 |
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 |