CN113096078B - 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法 - Google Patents

薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法 Download PDF

Info

Publication number
CN113096078B
CN113096078B CN202110326951.8A CN202110326951A CN113096078B CN 113096078 B CN113096078 B CN 113096078B CN 202110326951 A CN202110326951 A CN 202110326951A CN 113096078 B CN113096078 B CN 113096078B
Authority
CN
China
Prior art keywords
code spraying
aoi
product
grade
data
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
CN202110326951.8A
Other languages
English (en)
Other versions
CN113096078A (zh
Inventor
陈雪弟
田霖
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.)
SHENZHEN SAPO PHOTOELECTRIC CO Ltd
Original Assignee
SHENZHEN SAPO PHOTOELECTRIC 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 SHENZHEN SAPO PHOTOELECTRIC CO Ltd filed Critical SHENZHEN SAPO PHOTOELECTRIC CO Ltd
Priority to CN202110326951.8A priority Critical patent/CN113096078B/zh
Publication of CN113096078A publication Critical patent/CN113096078A/zh
Application granted granted Critical
Publication of CN113096078B publication Critical patent/CN113096078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/30121—CRT, LCD or plasma display
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明提供了一种薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法，该预估方法包括：使用AOI设备对每卷膜材进行非接触式、实时检测；提取AOI检测数据和喷码机喷码信息，获得AOI检测缺陷坐标位置、喷码坐标信息，然后将卷材按照实际片状成品的切片尺寸、切片方向进行模拟分块切割，得到分割图，计算出卷材的良率x、喷码率z；采用如下公式计算得到漏检率F(x,y,Z,m)=(1‑x)*(1‑y)*(1‑Z)*m，其中，x为良率；y为AOI命中率；z为喷码率；m为喷码是否汇整。采用本发明的技术方案，达到及时、直观监控卷材良率以及喷码异常情况的目的，同时也排除了人员的干预，实现自动化分拣，降低外观人力成本。

Description

薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法
技术领域
本发明属于膜材行业质检技术领域，尤其涉及一种薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法。
背景技术
目前国内液晶面板产能快速增长，对国内偏光片产品的需求大幅度增加，但人工全检产能有限，成为偏光片公司提升产能的重大瓶颈。据统计，对于32吋偏光片片材产品，较有经验的检验员每小时人均80pcs。手动判定AOI免检卷材方式是依赖于人员对前段良率预估、生产统计表记录AOI和喷码异常等情况的手工信息记录为判定依据，然后再将更新的信息传递至后段工程，人员手动匹配就会存在标准不一、不及时性、不可控性、且需人工费时费力挑选卷材，还不能真实全面反映前段工程的卷材喷码质量情况。
如果实际片材产品免检出货，可至少提高25倍。但卷材是否达到使用分拣机免检，实际上受制于多方面因素，尤其是在卷材良率不稳定的情况下。目前，基本采用手工方式判定卷材是否可以免检，存在工作量繁杂、及时性低、分类判定准确率低的问题。
发明内容
针对以上技术问题，本发明公开了一种薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法，在基于卷材良率预估的基础上，实现漏检率的预估，且准确率高，由此实现了自动分拣，并能及时直观的监控卷材良率以及喷码异常情况，可控性高，降低了成本。
对此，本发明采用的技术方案为：
一种薄膜类产品漏检率的预估方法，其包括如下步骤：
步骤S1，AOI检测：使用AOI设备对每卷膜材进行非接触式、实时检测；
步骤S2，提取AOI检测数据和喷码机喷码信息，获得AOI检测缺陷坐标位置、喷码坐标信息，然后将卷材按照实际片状成品的切片尺寸、切片方向进行模拟分块切割，得到分割图，计算出卷材的良率x、喷码率z；
步骤S3，采用如下公式计算得到漏检率F(x,y,Z,m)：
F(x,y,Z,m)＝(1-x)*(1-y)*(1-Z)*m，
其中，x为良率；y为AOI命中率；z为喷码率，即AOI检测缺陷被喷码的占比，此参数可以通过喷码机反馈的喷码数量与AOI检测设备反馈的缺陷数量之比得到；m为喷码是否汇整，即涂布站二维码读码系统2DCCODE是否读到膜边料二维码的数据，是则m＝1，否则m＝0。
其中AOI检出且喷码产品叫AOI命中，AOI命中率是指AOI在线检测系统对缺陷的检出能力，检出能力是直接取决于软硬件能力。这里的AOI命中率的值是根据前期后制程实际片材全检验证AOI设备能力结果得来。
其中，漏检率概念的推导过程如下：
定义：a0＝实际片材A0品数量，b0＝实际片材B0品数量，c0＝B0品中AOI命中数量，即B0品中被喷码的数量。
其中，A0品指分块区域内有缺陷，且对应喷码状态是OK(也就是至少有一个喷码的)；B0品指分块区域有缺陷，但对应的喷码状态是NG，也就是没有喷码的。
假设所有缺陷命中率一致，则命中率为：c0/b0；良率为：1-b0/(a0+b0)；
漏检率：(1-良率)*(1-命中率)＝(1-(1-b0/(a0+b0))*(1-c0/b0)＝(b0-c0)/(a0+b0)
令，良率：x＝1-b0/(a0+b0)；命中率：y＝c0/b0；
则漏检率：f(x,y)＝(1-x)*(1-y)；结论是漏检率与缺陷命中率、良率均有关系；
如上，根据经验，AOI漏检率影响因素不仅跟良率、AOI命中率有关，也跟喷码率(z)以及汇整率(m)指标相关；故最终漏检率计算公式：F(x,y,Z,m)＝(1-x)*(1-y)*(1-Z)*m。
作为本发明的进一步改进，步骤S2中，卷材的良率计算包括：
步骤S201，数据预处理：解压AOI检测数据，提取数据表头，得到所需要的缺陷信息；
步骤S202，数据的筛选：以实际片状成品检验标准为筛选条件，判断何种严重度Severity会在片状成品被判定为缺陷，何种缺陷Class会影响产品良率，筛选出此类Class及Severity待下一步处理；
步骤S203，数据的分块切割：通过程序，将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割，做出分割图，与实际一一对应；
旋转平移转换，θ：切割方向与膜材幅宽方向的夹角：
平移转换：
在程序中设置卷材的切割尺寸、切割方向，程序处理完切割图待下一步处理，卷材切割后剩余的边角料另作处理，边角料区域不纳入良率统计；
其中，A：卷材幅宽；B：卷材卷长；a：边角料宽；b：边角料长；
步骤S204，计算步骤S203得到的切割图，若片状区域内有缺陷(即有≥1个缺陷)，则记为B1品，若无缺陷则记为A1品，良率x＝A1/(A1+B1)；公式中，A1、B1分别是A1品、B1品的片块数量总和。
作为本发明的进一步改进，AOI检测过程会实时生成检测数据，数据包含各种缺陷信息，存储在AOI电脑，通过AOI参数设置，每卷的检测数据将在每卷生产完成后同步自动导出，并以压缩包格式存储在服务器中，提取服务器中的数据文件，得到材料的整卷数据；
缺陷信息为：位置信息Md Pos、CdPos，缺陷的分类Class，缺陷的严重度Severity；
Md Pos(Machine direction Position)：缺陷在膜材运动方向的位置；
CdPos(Cross direction Position)：缺陷在垂直膜材运动方向的位置；
作为本发明的进一步改进，步骤S202中，建立一个筛选结果与实际片状成品数据匹配的数据库，根据匹配结果，优化筛选条件；随着数据量的叠加、数据相关性的提高，数据筛选的准确性会进一步提高。
作为本发明的进一步改进，将AOI检测缺陷坐标位置、喷码坐标信息以及喷码状态，嵌入卷材模拟图中得到分割图；步骤S3中卷材的喷码率采用如下方法计算得到：
将AOI检测缺陷坐标位置、喷码坐标信息以及喷码状态，嵌入图得到分割图；若切割块内有缺陷，且对应喷码状态是有至少一个喷码，即喷码状态OK(即有≥1个缺陷)，则记为A2品，若切割块有缺陷，但对应喷码状态是没有喷码，则记为B2品，喷码率z＝A2(A2+B2)；其中，A2是A2品的片块数量总和；B2是B2品的片块数量总和；A2+B2是喷码切割的总片块数。
本发明还公开了一种薄膜类产品的分拣方法，其包括：
采用如上任意一项所述的薄膜类产品漏检率的预估方法计算得到漏检率；
根据客户端VR规格，将预估漏检率数值范围直接用等级甲|乙|否或A|B|No作为标准，设定各个等级的预估漏检率的范围，最终作为RTP或是分拣机出货和是否需外观人工全检的标准。
作为本发明的进一步改进，所述的薄膜类产品的分拣方法包括：
若预估的漏检率为≤100PPM，判定为甲等级或一等级，若预估的漏检率为100-300PPM，判定为乙等级或二等级，若预估的漏检率＞300PPM即被判定为否等级或No等级，所述否等级或No等级的产品待外观人工全检。
作为本发明的进一步改进，所述的薄膜类产品的分拣方法包括：对于甲或一等级、乙或二等级产品经自动分拣系统分出的无缺陷的产品，直接出货；对于有喷码标识的，通过人工检测后，判断是否出货，
作为本发明的进一步改进，所述的薄膜类产品的分拣方法包括：根据甲|乙|否或A|B|No标准直接编写程序自动打印图谱，输出良率、喷码率、汇整率的卷材质量结果。
本发明还公开了一种薄膜类产品的分拣系统，其采用如上任意一项所述的薄膜类产品的分拣方法进行分拣。
与现有技术相比，本发明的有益效果为：
第一，采用本发明的技术方案，将影响AOI漏检率的各项指标一体化管理，利用编程工具调用AOI和喷码机数据库进行自动化处理，达到及时、直观监控卷材良率以及喷码异常情况的目的，同时也排除了人员的干预，实现自动化分拣。同时，也建立的图谱一体化，将前制程品质信息直观且全面传递至后工程，后工程依据图卡品质情况做针对性特殊检验处理，如一些卷材爆量异常区侧，后工程裁切站可针对性避开，提高后工程产品良率；对一些卷材爆量异常段，后工程可针对性做特殊检验抽检作业，搭建前后段工程信息传递桥梁，进而稳定客户端品质问题。
第二，采用本发明的技术方案，可以及时直观了解到每卷膜材喷码质量。现有技术情况下，若想要知道AOI实际漏检率，需要等到产出成品裁切成片材到外观检验才能知道，这个结果输出的时间周期长，其次，实现了免检标准自动化，可达到提前预估产品在客户端投线的VLRR不良情况，且能确保免检标准唯一性、可控性，降低外观人力成本。
附图说明
图1是本发明实施例的偏光片AOI检测缺陷标识机汇整喷码的示意图。
图2是本发明实施例的延伸站+涂布站汇整喷码图谱解读图。
图3是本发明实施例的延伸站+涂布站+检反站汇整喷码图谱解读图。
图4是本发明实施例的自动分拣系统的出货流程图。
图5是本发明实施例的图卡示意图。
图6是本发明实施例的缺陷爆量的图卡示意图。
具体实施方式
下面对本发明的较优的实施例作进一步的详细说明。
偏光片用缺点标识机工作原理如图1所示，延伸站(PVA站)由AOI系统读取每米输出讯号，传送给二维码喷码机做米数数据矢印，将数据矢印在膜面边的透明区。然后将延伸站膜材移到涂布站(PSA站)做放卷生产，涂布站的二维码读码系统读取膜边料2D码的数据，涂布站AOI发报的缺陷位置和延伸站的缺陷位置整合后由在CA站的偏光片用缺点标识机在缺陷的膜面上矢印记号。
缺点标识机与偏光片用外观缺陷检测仪(AOI)搭配使用原理：其原理是在设备正常运行中，接收到检测仪发送的膜材缺陷讯号信息，并将膜材缺陷讯号转化为喷码动作执行命令，把缺陷用喷码形状圈出，并对缺陷信息进行记录。
基于以上工作过程，本实施例公开了一种薄膜类产品漏检率的预估方法，其包括：
步骤S1，AOI检测：使用AOI设备对每卷膜材进行非接触式、实时检测；
步骤S2，提取AOI检测数据和喷码机喷码信息，获得AOI检测缺陷坐标位置、喷码坐标信息，然后将卷材按照实际片状成品的切片尺寸、切片方向进行模拟分块切割，得到分割图，计算出卷材的良率x、喷码率z；
步骤S3，采用如下公式计算得到漏检率F(x,y,Z,m)：
F(x,y,Z,m)＝(1-x)*(1-y)*(1-Z)*m，
其中，x为良率；y为AOI命中率；z为喷码率，即AOI检测缺陷被喷码的占比，此参数可以通过喷码机反馈的喷码数量与AOI检测设备反馈的缺陷数量之比得到；m为喷码是否汇整，即涂布站2DCCODE有读到膜边料二维码的数据，则m＝1，否则m＝0。AOI命中率是指AOI在线检测系统对缺陷的检出能力，检出能力是直接取决于软硬件能力。这里的AOI命中率的值是根据前期后制程实际片材全检验证AOI设备能力结果得来。
其中，漏检率概念的推导过程如下：
定义：a0＝实际片材A0品数量，b0＝实际片材B0品数量，c0＝B0品中AOI命中数量，即B0品中被喷码的数量。
其中，A0品指分块区域内有缺陷，且对应喷码状态是OK(也就是至少有一个喷码的)；B0品指分块区域有缺陷，但对应的喷码状态是NG，也就是没有喷码的。
假设所有缺陷命中率一致，则命中率为：c0/b0；良率为：1-b0/(a0+b0)；
漏检率：(1-良率)*(1-命中率)＝(1-(1-b0/(a0+b0))*(1-c0/b0)＝(b0-c0)/(a0+b0)
令，良率：x＝1-b0/(a0+b0)；命中率：y＝c0/b0；
则漏检率：f(x,y)＝(1-x)*(1-y)；结论是漏检率与缺陷命中率、良率均有关系；
如上，根据经验，AOI漏检率影响因素不仅跟良率、AOI命中率有关，也跟喷码率(z)以及汇整率(m)指标相关；故最终漏检率计算公式：F(x,y,Z,m)＝(1-x)*(1-y)*(1-Z)*m。
步骤S2中，卷材的良率计算包括：
步骤S201，数据预处理：解压AOI检测数据，提取数据表头，得到所需要的缺陷信息；
步骤S202，数据的筛选：以实际片状成品检验标准为筛选条件，判断何种严重度Severity会在片状成品被判定为缺陷，何种缺陷Class会影响产品良率，筛选出此类Class及Severity待下一步处理；
步骤S203，数据的分块切割：通过程序，将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割，做出分割图，与实际一一对应；
旋转平移转换，θ：切割方向与膜材幅宽方向的夹角：
平移转换：
在程序中设置卷材的切割尺寸、切割方向，程序处理完切割图待下一步处理，卷材切割后剩余的边角料另作处理，边角料区域不纳入良率统计；
其中，A：卷材幅宽；B：卷材卷长；a：边角料宽；b：边角料长；
步骤S204，计算步骤S203得到的切割图，若片状区域内有缺陷(即有≥1个缺陷)，则记为B1品，若无缺陷则记为A1品，良率x＝A1/(A1+B1)；公式中，A1、B1分别是A1品、B1品的片块数量总和。
作为本发明的进一步改进，AOI检测过程会实时生成检测数据，数据包含各种缺陷信息，存储在AOI电脑，通过AOI参数设置，每卷的检测数据将在每卷生产完成后同步自动导出，并以压缩包格式存储在服务器中，提取服务器中的数据文件，得到材料的整卷数据；
缺陷信息为：位置信息Md Pos、CdPos，缺陷的分类Class，缺陷的严重度Severity；
Md Pos(Machine direction Position)：缺陷在膜材运动方向的位置；
CdPos(Cross direction Position)：缺陷在垂直膜材运动方向的位置；
步骤S202中，建立一个筛选结果与实际片状成品数据匹配的数据库，根据匹配结果，优化筛选条件；随着数据量的叠加、数据相关性的提高，数据筛选的准确性会进一步提高。
进一步的，将AOI检测缺陷坐标位置、喷码坐标信息以及喷码状态，嵌入卷材模拟图中得到分割图；步骤S3中卷材的喷码率采用如下方法计算得到：
将AOI检测缺陷坐标位置、喷码坐标信息以及喷码状态，嵌入图得到分割图；若切割块内有缺陷，且对应喷码状态是有至少一个喷码，即喷码状态OK(即有≥1个缺陷)，则记为A2品，若切割块有缺陷，但对应喷码状态是没有喷码，则记为B2品，喷码率z＝A2(A2+B2)；其中，A2是A2品的片块数量总和；B2是B2品的片块数量总和；A2+B2是喷码切割的总片块数。
本发明实施例还公开了一种薄膜类产品的分拣方法，其包括：
采用如上所述的薄膜类产品漏检率的预估方法计算得到漏检率；
根据客户端VR规格，将预估漏检率数值范围直接用等级甲|乙|否或A|B|No作为标准，设定各个等级的预估漏检率的范围，最终作为RTP或是分拣机出货和是否需外观人工全检的标准。根据甲|乙|否或A|B|No标准直接编写程序自动打印图谱，输出良率、喷码率、汇整率的卷材质量结果。
若预估的漏检率为≤100PPM，判定为甲等级或一等级，若预估的漏检率为100-300PPM，判定为乙等级或二等级，若预估的漏检率＞300PPM即被判定为否等级或No等级，所述否等级或No等级的产品待外观人工全检。
对于甲或一等级、乙或二等级产品经自动分拣系统分出的无缺陷的产品，直接出货；对于有喷码标识的，通过人工检测后，判断是否出货，
本发明实施例还公开了一种薄膜类产品的分拣系统，其采用如上所述的薄膜类产品的分拣方法进行分拣。
下面结合具体的实施例进行说明。
本发明实施例根据理论和实践，推算出AOI漏检率主要跟良率、命中率相关的理论公式并将喷码汇整\良率缺陷分布\喷码情况等指标数字化；然后以AOI检测和喷码机喷码信息等大数据为基础，利用python编程模拟卷材切割成片材尺寸对AOI检测缺陷坐标位置和喷码坐标等大数据进行分块切割来分别计算出卷材的良率、喷码率等关键指标，最终通过漏检率理论公式运算出没卷偏光膜卷料的漏检率。
根据大量的在线检测数据，基于上述漏检率的算法，结合实际生产过程的数据得出漏检率与喷码率、良率之间的相关关系，如表1所示：
漏检率与喷码率、良率之间的相关关系
1、建立的预估漏检率理论公式
定义良率和命中率公式：良率X＝1-b/(a+b)，命中率y＝c/b。这里公式a＝A品的数量，b＝B品的数量，c＝markB品(B品中AOI命中的数量)命中的B品。喷码是否爆量Z(是:1；否:0)；喷码汇整是否m(是:1,否:0)；
所以漏检率抽象定义F(x,y,Z,m)＝(b-c)/(a+b)＝(1-x)*(1-y)*(1-Z)*m。
2、模拟漏检率过程
预估喷码率逻辑，首先是用python编程从数据库中提取AOI和喷码机的数据，因为AOI检测的数据繁杂，我们需要对提取到的数据进行处理来获得相对应缺陷位置、喷码坐标等信息，然后将卷材按照实际片状成品的切片尺寸、切片方向进行分块切割，模拟做出分割图。AOI检测的缺陷(X，Y)坐标、喷码(X,Y)坐标以及喷码状态等数据，嵌入图中所得的分割图中，若分块区域内有缺陷，且对应喷码状态是OK(≥1个)，则记为A品，若分块区域有缺陷，但对应喷码状态是NG，则记为B品，预估喷码率的算法＝A(A+B)，得到准确性高的实际喷码率。
良率预估指标的算法逻辑，即将分块区域内无缺陷的，记为C品，预估良率的算法＝1-(A+B)/(A+B+C)，得到准确性高的良率值。读码率指标是直接程序调用读码2DC系统数据经过运算得出(读码OK数/总的二维码数)。
3、分拣系统免检标准自动化
根据客户端VR规格，将预估漏检率数值范围直接用等级甲|乙|否(或是A|B|No)作为标准，预估漏检率为≤100PPM判定为甲(或是A)等级，预估漏检率为≤300PPM判定为乙(或是B)等级，预估漏检率＞300PPM即被判定为否(或是No)等级。最终作为RTP或是分拣机出货标准是甲|乙等级；否等级即是需外观人工全检。可说明模拟AOI漏检率对前段判定卷材免检标准是合理的。
甲|乙|否(A|B|No)标准确定后，我们直接编写程序自动打印图谱，将良率、喷码率、汇整率等卷材质量各项指标一体化管理，且卷材标准结果直接及时输出，如图2和图3所示。
通过该图谱，可以及时了解到每卷膜材喷码质量。因为正常情况下，我们想要知道AOI实际漏检率，需要我们产出成品裁切成片材到外观检验才能知道，这个结果输出存在时间周期长，其次，实现了免检标准自动化，可达到提前预估产品在客户端投线的VLRR不良情况，且能确保免检标准唯一性、可控性，降低外观人力成本。
实施例1
在前制程偏光片卷料产品良率不稳定情况下，建立了“预估漏检率指标”，定立“甲|乙|否”(A|B|NO)等级，从而解除了“良率绑定”，建立了一套完整的AOI-喷码机-分拣机/RTS桥梁。甲|乙|否(A|B|No)等级搭配自动分拣系统出货流程如如图4所示。
实施例2
本实施例为图卡一体化应用案例。
经分析影响卷材良率值主要因素，其中边缘缺陷爆量问题点预估影响卷材良率1.5％。在生产短时间不能完全解决情况下，后制程看到根据图卡传递的信息后，如图5所示，在裁切站就尽量避开边缘侧，以提升实际良率。
根据实际情况，如图6所示，在缺陷爆量的情形下，喷码机不能喷全或者直接死机宕机；例如水胶纹路、溢胶、管底压痕等密集缺陷，“管底TAC压痕”多次引发客户端客诉，“TAC压痕”缺陷一旦发生，AOI检测就会出≤200M连续爆量，并且部分程度肉眼难见。上线图卡前后段工程信息传递体系后，后段根据AOI图卡识别TAC压痕范围，并在该段加强破坏检特殊检验。最终彻底解决了客户端TAC压痕缺陷爆量异常客诉问题。不仅AOI要喷码，更要在对应位置标注异常，以便全检时针对该段进行特殊检测。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种薄膜类产品漏检率的预估方法，其特征在于：其包括：
步骤S1，使用AOI设备对每卷膜材进行非接触式、实时检测；
步骤S2，提取AOI检测数据和喷码机喷码信息，获得AOI检测缺陷坐标位置、喷码坐标信息，然后将卷材按照实际片状成品的切片尺寸、切片方向进行模拟分块切割，得到分割图，计算出卷材的良率x、喷码率z；
步骤S3，采用如下公式计算得到漏检率F(x,y,z,m)：
F(x,y,z,m)＝(1-x)*(1-y)*(1-z)*m，
其中，x为良率；y为AOI命中率；z为喷码率，即AOI检测缺陷被喷码的占比；m为喷码是否汇整，即涂布站二维码读码系统是否读到膜边料二维码的数据，是则m＝1，否则m＝0。
2.根据权利要求1所述的薄膜类产品漏检率的预估方法，其特征在于：步骤S2中，卷材的良率计算包括：
步骤S201，数据预处理：解压AOI检测数据，提取数据表头，得到所需要的缺陷信息；
步骤S202，数据的筛选：以实际片状成品检验标准为筛选条件，判断何种严重度Severity会在片状成品被判定为缺陷，何种缺陷Class会影响产品良率，筛选出此类Class及Severity待下一步处理；
步骤S203，数据的分块切割：通过程序，将卷状材料按照实际片状成品的切片尺寸、切片方向进行分块切割，做出分割图，与实际一一对应；
旋转平移转换，θ：切割方向与膜材幅宽方向的夹角：
平移转换：
在程序中设置卷材的切割尺寸、切割方向，程序处理完切割图待下一步处理，卷材切割后剩余的边角料另作处理，边角料区域不纳入良率统计；
其中，A：卷材幅宽；B：卷材卷长；a：边角料宽；b：边角料长；
步骤S204，计算步骤S203得到的切割图，若片状区域内有缺陷(≥1个)，则记为B1品，若无缺陷则记为A1品，良率x＝A1/(A1+B1)；公式中，A1、B1分别是A1品、B1品的片块数量总和。
3.根据权利要求2所述的薄膜类产品漏检率的预估方法，其特征在于：AOI检测过程实时生成检测数据，所述数据包含各种缺陷信息；通过AOI参数设置，每卷的检测数据将在每卷生产完成后同步自动导出，并以压缩包格式存储在服务器中，提取服务器中的数据文件，得到材料的整卷数据；
所述缺陷信息为：位置信息Md Pos、CdPos，缺陷的分类Class，缺陷的严重度Severity；
Md Pos：缺陷在膜材运动方向的位置；
CdPos：缺陷在垂直膜材运动方向的位置；
步骤S202中，建立一个筛选结果与实际片状成品数据匹配的数据库，根据匹配结果，优化筛选条件；随着数据量的叠加、数据相关性的提高，数据筛选的准确性会进一步提高。
4.根据权利要求2所述的薄膜类产品漏检率的预估方法，其特征在于：将AOI检测缺陷坐标位置、喷码坐标信息以及喷码状态，嵌入卷材模拟图中得到分割图；步骤S3中卷材的喷码率采用如下方法计算得到：
将AOI检测缺陷坐标位置、喷码坐标信息以及喷码状态，嵌入图得到分割图；若切割块内有缺陷，且对应喷码状态是有至少一个喷码，即喷码状态OK，则记为A2品，若切割块有缺陷，但对应喷码状态是没有喷码，则记为B2品，喷码率z＝A2(A2+B2)；其中，A2是A2品的片块数量总和；B2是B2品的片块数量总和；A2+B2是喷码切割的总片块数。
5.一种薄膜类产品的分拣方法，其特征在于，其包括：
采用如权利要求1～4任意一项所述的薄膜类产品漏检率的预估方法计算得到漏检率；根据客户端VR规格，将预估漏检率数值范围直接用等级甲|乙|否或A|B|No作为标准，设定各个等级的预估漏检率的范围，最终作为RTP或是分拣机出货和是否需外观人工全检的标准。
6.根据权利要求5所述的薄膜类产品的分拣方法，其特征在于，其包括：
若预估的漏检率为≤100PPM，判定为甲等级或一等级，若预估的漏检率为100-300PPM，判定为乙等级或二等级，若预估的漏检率＞300PPM即被判定为否等级或No等级，所述否等级或No等级的产品待外观人工全检。
7.根据权利要求6所述的薄膜类产品的分拣方法，其特征在于，其包括：对于甲或一等级、乙或二等级产品经自动分拣系统分出的无缺陷的产品，直接出货；对于有喷码标识的，通过人工检测后，判断是否出货。
8.根据权利要求6所述的薄膜类产品的分拣方法，其特征在于，其包括：根据甲|乙| 否或A|B|No标准直接编写程序自动打印图谱，输出良率、喷码率、汇整率的卷材质量结果。
9.一种薄膜类产品的分拣系统，其特征在于：其采用如权利要求5～8任意一项所述的薄膜类产品的分拣方法进行分拣。
CN202110326951.8A 2021-03-26 2021-03-26 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法 Active CN113096078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110326951.8A CN113096078B (zh) 2021-03-26 2021-03-26 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110326951.8A CN113096078B (zh) 2021-03-26 2021-03-26 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法

Publications (2)

Publication Number Publication Date
CN113096078A CN113096078A (zh) 2021-07-09
CN113096078B true CN113096078B (zh) 2024-02-06

Family

ID=76670156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110326951.8A Active CN113096078B (zh) 2021-03-26 2021-03-26 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法

Country Status (1)

Country Link
CN (1) CN113096078B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657564B (zh) * 2021-07-20 2024-01-26 埃华路（芜湖）机器人工程有限公司 一种零件动态跟随喷码系统及其喷码方法
CN114733799B (zh) * 2022-03-30 2024-01-12 杭州利珀科技有限公司 一种光学薄膜卷料裁切系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011237423A (ja) * 2010-05-10 2011-11-24 Dongwoo Fine-Chem Co Ltd 偏光フィルム原反の品質判定システム及び方法
CN110146506A (zh) * 2019-04-09 2019-08-20 昆山之奇美材料科技有限公司 一种偏光板自动光学检查机检测规格准确度调整方法
CN110989422A (zh) * 2019-11-13 2020-04-10 深圳市盛波光电科技有限公司 一种基于流水号喷码的aoi过检参数的管理系统及管理方法
CN111781209A (zh) * 2020-05-26 2020-10-16 纽聚技术有限公司 连续物料检测系统及方法、物料缺陷检测系统
CN108931529B (zh) * 2018-05-10 2020-12-22 深圳市盛波光电科技有限公司 一种连续生产卷状材料的良率预估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4911340B2 (ja) * 2006-02-10 2012-04-04 富士ゼロックス株式会社 二次元コード検出システムおよび二次元コード検出プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011237423A (ja) * 2010-05-10 2011-11-24 Dongwoo Fine-Chem Co Ltd 偏光フィルム原反の品質判定システム及び方法
CN108931529B (zh) * 2018-05-10 2020-12-22 深圳市盛波光电科技有限公司 一种连续生产卷状材料的良率预估方法
CN110146506A (zh) * 2019-04-09 2019-08-20 昆山之奇美材料科技有限公司 一种偏光板自动光学检查机检测规格准确度调整方法
CN110989422A (zh) * 2019-11-13 2020-04-10 深圳市盛波光电科技有限公司 一种基于流水号喷码的aoi过检参数的管理系统及管理方法
CN111781209A (zh) * 2020-05-26 2020-10-16 纽聚技术有限公司 连续物料检测系统及方法、物料缺陷检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机器视觉技术的易拉罐罐底喷码检测系统设计;唐慧;;自动化博览(第07期);48-50 *
考虑质检误差的产品分组检验决策模型研究;曾斌，王睿;《海军工程大学学报》;第32卷(第3期);第12-17、25页 *

Also Published As

Publication number Publication date
CN113096078A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113096078B (zh) 薄膜类产品的分拣方法、分拣系统、及漏检率的预估方法
CN107941812B (zh) 信息处理方法及电子设备
Bulnes et al. An efficient method for defect detection during the manufacturing of web materials
CN104392292A (zh) 图形重新检验用户设置界面
CN112469649A (zh) 用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法
US20220161468A1 (en) Visual metal panel quality detection based on cutting edge
CN103221807A (zh) 快速处理和检测幅材型材料中的不均匀因素
Wu et al. Watershed-based morphological separation of wear debris chains for on-line ferrograph analysis
Purr et al. Stamping plant 4.0–basics for the application of data mining methods in manufacturing car body parts
JP2005258546A (ja) 処理管理システム及び工程管理システム
Rosandich et al. Intelligent visual inspection
CN106054832B (zh) 基于多变量的间歇化工生产过程动态在线监测方法与装置
CN114550336A (zh) 设备巡检方法、装置、计算机设备和存储介质
CN117333727A (zh) 一种基于可视化图像处理技术的输送带磨损区域识别分析系统
Duffuaa et al. A multi-objective optimization model for process targeting with inspection errors using 100% inspection
Suwandi et al. Minimization of pipe production defects using the FMEA method and Dynamic System
CN112257995A (zh) 一种基于互联网的产品质量风险监测抽样方法及系统
Kumar et al. Economic production lot size model with stochastic demand and shortage partial backlogging rate under imperfect quality items
JPH05298513A (ja) プロセスパラメータの非許容偏差の検出方法
Bondareva et al. Quality assurance of control at machine-building enterprises of repair profile
Harly et al. Comparison of Single Exponential Smoothing Method with Double Exponential Smoothing Method Prediction of Salt Sales
Chen Optimum process mean setting based on variable sampling plan with producer’s and consumer’s risks
Ablidas et al. An Application of Image Processing Technology in Counting Rebars as an Alternative to Manual Counting Process
Bulnes et al. Vision-based technique for periodical defect detection in hot steel strips
CN110414904A (zh) 一种集装箱智能场站系统

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