CN113344918B - 一种热成型模具检测方法、系统和可读存储介质 - Google Patents
一种热成型模具检测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113344918B CN113344918B CN202110878600.8A CN202110878600A CN113344918B CN 113344918 B CN113344918 B CN 113344918B CN 202110878600 A CN202110878600 A CN 202110878600A CN 113344918 B CN113344918 B CN 113344918B
- Authority
- CN
- China
- Prior art keywords
- forming die
- image data
- hot forming
- detection
- neural network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 173
- 238000003856 thermoforming Methods 0.000 title claims abstract description 92
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002277 temperature effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种热成型模具检测方法、系统和可读存储介质，所述方法包括：构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；采集某热成型模具的图像数据，并输入所述神经网络检测模型；通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果。本发明实现对热成型模具的智能化检测，并替代了传统的人工检测方式，减少了人为因素的影响，提升了检测效率和准确度。
Description
技术领域
本发明涉及模具检测技术领域，尤其涉及一种热成型模具检测方法、系统和可读存储介质。
背景技术
在制造行业中，由于不同产品和模具的特殊性以及不规则性，在检测产品生产状态时费时费力，不能准确快速地检测模具开模状态，导致出现模具损坏和生产效率降低等问题。以热成型行业为例，模具质量优劣直接关系到产品质量优劣，因此，在热成型过程中如何对模具和产品的状态实施有效监控，从而保证模具生产质量是注塑行业的重点。
目前对模具的检测方式多是通过人工完成，即某个或某些模具使用预定时间段后，则由检测人员对模具进行肉眼检测。然而此检测方式需要耗费较大的人力资源，智能化程度不高，检测效率较低；另外上述检测方式受到人为因素的影响，容易出现漏检或错检的问题，难以确保检测的准确度。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种热成型模具检测方法、系统和可读存储介质，能够实现对热成型模具的智能化检测，且检测的准确度较高。
本发明第一方面提出了一种热成型模具检测方法，所述方法包括：
构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；
对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；
根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；
采集某热成型模具的图像数据，并输入所述神经网络检测模型；
通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果。
本方案中，根据所述构造负样本数据对所述神经网络检测模型进行训练，具体包括：
将所述构造负样本输入所述神经网络检测模型的自动编码器中；
由所述自动编码器对所述构造负样本进行修复，并得到修复后的构造负样本；
然后将修复后的构造负样本与对应的原始正样本进行比对，并根据比对结果对所述自动编码器的参数进行优化；
基于多个构造负样本对所述自动编码器进行训练，并通过训练使所述自动编码器输出的修复后的构造负样本无限接近原始正样本，至此获取最优参数。
本方案中，通过所述神经网络检测模型对图像数据进行处理，具体包括：
将所述图像数据输入训练好的自动编码器中；
由所述自动编码器对所述图像数据进行修复处理，并输出修复后的图像数据；
将修复后的图像数据与原始的图像数据进行比对，并基于比对结果判断该热成型模具是否有缺陷；
如果确认该热成型模具有缺陷，则将原始的图像数据与修复后的图像数据分别输入LBP算子中，并分别计算得到原始的图像数据对应的LBP特征向量，以及修复后的图像数据对应的LBP特征向量；
将原始的图像数据对应的LBP特征向量与修复后的图像数据对应的LBP特征向量相减，得到缺陷的位置。
本方案中，在采集某热成型模具的图像数据之前，所述方法还包括：
对该热成型模具最近预设时间段内制造的产品进行良率监测；
判断监测到的产品良率是否小于该热成型模具在最近预设时间段相邻的历史预设时间段制造的产品良率；
如果是，则触发图像采集器采集某热成型模具的图像数据。
本方案中，在对该热成型模具最近预设时间段内制造的产品进行良率监测之前，所述方法还包括：
汇总该热成型模具的历史使用数据；
基于所述历史使用数据判断该热成型模具是否达到使用寿命；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
本方案中，基于所述历史使用数据判断该热成型模具是否达到使用寿命，具体包括：
预设影响热成型模具寿命的影响因素为温度、压力以及工作次数，并预设所述压力对热成型模具寿命的影响权重因子W1，以及温度对热成型模具寿命的影响权重因子W2；
从第一次使用某热成型模具开始，记录每次热成型模具工作时的压力值Fi，温度值Ti，其中i表示使用次数；
计算每次使用过程对该热成型模具寿命的损耗量
；
对每次损耗量Qi进行累计并得到累计值，实时监控累计值是否达到预设阈值；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
本发明第二方面还提出一种热成型模具检测系统，包括存储器和处理器，所述存储器中包括热成型模具检测方法程序，所述热成型模具检测方法程序被所述处理器执行时实现如下步骤：
构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；
对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；
根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；
采集某热成型模具的图像数据，并输入所述神经网络检测模型；
通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果。
本方案中，根据所述构造负样本数据对所述神经网络检测模型进行训练，具体包括：
将所述构造负样本输入所述神经网络检测模型的自动编码器中；
由所述自动编码器对所述构造负样本进行修复，并得到修复后的构造负样本；
然后将修复后的构造负样本与对应的原始正样本进行比对，并根据比对结果对所述自动编码器的参数进行优化；
基于多个构造负样本对所述自动编码器进行训练，并通过训练使所述自动编码器输出的修复后的构造负样本无限接近原始正样本，至此获取最优参数。
本方案中，通过所述神经网络检测模型对图像数据进行处理，具体包括：
将所述图像数据输入训练好的自动编码器中；
由所述自动编码器对所述图像数据进行修复处理，并输出修复后的图像数据；
将修复后的图像数据与原始的图像数据进行比对，并基于比对结果判断该热成型模具是否有缺陷；
如果确认该热成型模具有缺陷，则将原始的图像数据与修复后的图像数据分别输入LBP算子中，并分别计算得到原始的图像数据对应的LBP特征向量，以及修复后的图像数据对应的LBP特征向量；
将原始的图像数据对应的LBP特征向量与修复后的图像数据对应的LBP特征向量相减，得到缺陷的位置。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种热成型模具检测方法程序，所述热成型模具检测方法程序被处理器执行时，实现如上述的一种热成型模具检测方法的步骤。
与现有技术相比，本发明提出的一种热成型模具检测方法、系统和存储介质，结合大数据分析以及神经网络机器学习实现对热成型模具的智能化检测，并替代了传统的人工检测方式，减少了人为因素的影响，提升了检测效率和准确度。
附图说明
图1示出了本发明一种热成型模具检测方法的流程图。
图2示出了本发明一种热成型模具检测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种热成型模具检测方法的流程图。
如图1所示，本发明第一方面提出一种热成型模具检测方法，所述方法包括：
S102，构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；
S104，对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；
S106，根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；
S108，采集某热成型模具的图像数据，并输入所述神经网络检测模型；
S110，通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果。
可以理解，其中所述检测结果包括该热成型模型的合格状态，如果状态为不合格，则还包括缺陷类型以及对应缺陷类型的位置。缺陷类型可以根据缺陷尺寸进行分级。例如，一级缺陷、二级缺陷、三级缺陷等。
需要说明的是，在热成型模具检测应用中，通常所述源训练数据集的正样本数量远大于负样本数量，所以，在训练过程中正样本和负样本的数量极不平衡， 容易造成训练后的神经网络检测模型不稳定。本发明通过将正样本自构造为负样本，以平衡正负样本在数量上的差异，进一步提升训练后神经网络检测模型的稳定性。
可以理解，上述构造负样本可以由人工在正样本上构造缺陷形成的，但不限于此。
根据本发明的实施例，根据所述构造负样本数据对所述神经网络检测模型进行训练，具体包括：
将所述构造负样本输入所述神经网络检测模型的自动编码器中；
由所述自动编码器对所述构造负样本进行修复，并得到修复后的构造负样本；
然后将修复后的构造负样本与对应的原始正样本进行比对，并根据比对结果对所述自动编码器的参数进行优化；
基于多个构造负样本对所述自动编码器进行训练，并通过训练使所述自动编码器输出的修复后的构造负样本无限接近原始正样本，至此获取最优参数。
需要说明的是， 在将修复后的构造负样本与对应的原始正样本进行比对时，输入差异度，并根据差异度对所述自动编码器进行优化。
根据本发明的实施例，通过所述神经网络检测模型对图像数据进行处理，具体包括：
将所述图像数据输入训练好的自动编码器中；
由所述自动编码器对所述图像数据进行修复处理，并输出修复后的图像数据；
将修复后的图像数据与原始的图像数据进行比对，并基于比对结果判断该热成型模具是否有缺陷；
如果确认该热成型模具有缺陷，则将原始的图像数据与修复后的图像数据分别输入LBP算子中，并分别计算得到原始的图像数据对应的LBP特征向量，以及修复后的图像数据对应的LBP特征向量；
将原始的图像数据对应的LBP特征向量与修复后的图像数据对应的LBP特征向量相减，得到缺陷的位置。
需要说明的是，局部二值模式（Local Binary Pattern，LBP） 是用于描述
图像局部纹理特征的算子。
根据本发明的具体实施例，计算得到原始的图像数据对应的LBP特征向量，具体包括：
将LBP算子的检测窗口划分为
的小区域；
对于每个小区域中的像素，将相邻8个像素的灰度值与其进行比较，得到该检测窗口中心像素点的LBP值；
计算每个小区域的直方图，然后对该直方图进行归一化处理，计算公式为：
；其中
是中心像素点，
是中心像素点的灰度值，
是检测窗口中除了中心像素之外的第
个像素的灰度值，
为门限函数，其描述为：
；
将得到的每个小区域的直方图连接成为一个特征向量，即为原始的图像数据对应的LBP特征向量。
根据本发明的具体实施例，在采集某热成型模具的图像数据之后，所述方法还包括：
对采集的原始图像数据进行增强处理，得到增强图像数据；增强处理的计算公式为：
，其中
为增强图像数据的像素，
为原始图像数据的像素，
为图像对比度增益，
为亮度偏置。
为了突出热成型模具轮廓，增强明暗区域区分，消除照度不均并突出轮廓细节，便于后期轮廓定位提取，本发明通过
对原始图像数据的像素进行一一访问，以增强原始图像数据的对比度。
优选的，可以将对比度增益调制2， 并将亮度偏置调至-10时，对比度增强能够有效抑制背景光因热成型模具纹理产生的阴影，且突出热成型模具轮廓，便于后期对热成型模具进行轮廓缺陷检测，进一步提高检测精度。
根据本发明的实施例，在采集某热成型模具的图像数据之前，所述方法还包括：
对该热成型模具最近预设时间段内制造的产品进行良率监测；
判断监测到的产品良率是否小于该热成型模具在最近预设时间段相邻的历史预设时间段制造的产品良率；
如果是，则触发图像采集器采集某热成型模具的图像数据。
需要说明的是，在上述判断过程中，如果小于，则说明可能由于该热成型模具自身的原因造成产品良率下降，此时需要对该热成型模具进行缺陷检测；如果大于等于，则说明该热成型模具制造的产品良率并未下降，为了避免频繁检测对热成型模具工作的影响，在此无需对该热成型模具进行缺陷检测。
可以理解，由于大型的生产车间中有较多的热成型模具，如果对每个热车型模具都进行实时图像采集，并进行缺陷检测，则容易影响生产的进度，而且在实际应用中，有缺陷的热成型模具少之又少，因此本发明可以针对有需要的热成型模具进行图像采集以及缺陷检测处理。
本发明的实施例基于产品良率状况进行反向推导是否需要对相应的热成型模具执行检测动作。可以理解，在生成过程中，对产品的良率监测是必要的，本发明充分利用良率监测步骤中的数据，来引入对具体热成型模具的检测的必要性进行决策，在避免漏检的同时，进一步提高了检测效率。
进一步的，部分产品的良率是隐形的，也就是说通过热成型模具制造出的产品外观合格，但可能会因为隐形的因素影响，导致产品的质量不合格，这些隐形的因素可以为：产品内部应力不够，易于断裂等。本发明还可以通过大数据搜集用户对该产品使用反馈，并进行汇总，并基于反馈程度触发对相应的热成型模具执行检测流程。
根据本发明的具体实施例，在采集某热成型模具的图像数据之前，所述方法还包括：
汇总各个线上售卖平台对某产品的评价，并提取差评的产品批号，然后基于差评的产品批号查询对应的热成型模具，如果该热成型模具有超过预设数量的对应产品得到用户的差评，则触发图像采集器采集某热成型模具的图像数据，并进行检测。
根据本发明的实施例，在对该热成型模具最近预设时间段内制造的产品进行良率监测之前，所述方法还包括：
汇总该热成型模具的历史使用数据；
基于所述历史使用数据判断该热成型模具是否达到使用寿命；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
可以理解，本发明可以基于热成型模具的使用状况来确定是否执行检测流程，如果使用状况已达到使用寿命，则触发执行产品的良率监测；如果未达到，则无需进行产品良率监测，更无需进行后续热成型模具缺陷检测。
可以理解，很多热成型模具在达到使用寿命时，则仍可以正常使用，但此时需要实时监测产品的良率，并通过产品良率情况来触发对热成型模具的图像检测。
根据本发明的实施例，基于所述历史使用数据判断该热成型模具是否达到使用寿命，具体包括：
预设影响热成型模具寿命的影响因素为温度、压力以及工作次数，并预设所述压力对热成型模具寿命的影响权重因子W1，以及温度对热成型模具寿命的影响权重因子W2；
从第一次使用某热成型模具开始，记录每次热成型模具工作时的压力值Fi，温度值Ti，其中i表示使用次数；
计算每次使用过程对该热成型模具寿命的损耗量
；
对每次损耗量Qi进行累计并得到累计值，实时监控累计值是否达到预设阈值；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
可以理解，如果否，则无需进行产品良率监测，更无需进行后续热成型模具缺陷检测。上述预设阈值通常为热成型模具出厂时给定的使用寿命，但不限于此。
需要说明的是，由于热成型模具的工作环境为高温、高压，在高温、高压环境下，则会对热成型模具造成损耗。实际应用中，由于外界环境客观因素（如季节不同、气缸压力值衰减等）或者具体产品对温度、压力的特殊要求，则每次使用时的压力、温度可能不同，因此本发明对每次使用的温度、压力数据进行记录，并进行累计，将累计值与预设阈值进行实时对比。
根据本发明的具体实施例，在输出该热成型模具的检测结果之后，所述方法还包括：
将该热成型模具的检测结果存入历史数据库中；
对历史数据库中各个热成型模具的检测结果进行大数据分析以及深度学习，以对新投入生产的热成型模具进行检测点位预测。
可以理解，本发明基于历史热成型模具的检测结果，可以对新的热成雄模具的检测点位进行预测，并聚焦检测区域，从而提升了检测效率，无需对热成型模具的全面检测。
根据本发明的具体实施例，对历史数据库中各个热成型模具的检测结果进行大数据分析以及深度学习，具体包括：
提取历史数据库中各个热成型模具的特征以及对应的检测结果，所述检测结果包括缺陷的位置以及出现缺陷时的使用累计次数；
构建热成型模具缺陷预测模型，并根据历史数据库中各个热成型模具的特征以及对应的检测结果对所述热成型模具缺陷预测模型进行训练优化处理；
当有新的热成型模具投入运用时，将新的热成型模具输入训练优化后的热成型模具缺陷预测模型中，输出新的热成型模具的预测结果，其中所述预测结果包括：预测出现缺陷的使用累计次数，以及预测缺陷的位置；
实时监测新的热成型模具的使用累计次数，当达到预测出现缺陷的使用累计次数时，则触发对新的热成型模具最近预设时间段内制造的产品进行良率监测。
可以理解，在对生产车间中大量热成型模具的持续检测过程中，则会搜集大量热成型模具的检测结果；并提取这些热成型模具的特征（如材料、形状等）以及对应的检测结果；然后基于热成型模具的特征以及对应的检测结果对热成型模具缺陷预测模型进行优化训练，在优化训练过程中，分别对每一类热成型模具的数据进行神经网络机器学习，并分析出各类热成型模具易出现缺陷的位置，从而便于后续对新的热成型模具进行缺陷预测。
图2示出了本发明一种热成型模具检测系统的框图。
如图2所示，本发明第二方面还提出一种热成型模具检测系统2，包括存储器21和处理器22，所述存储器中包括热成型模具检测方法程序，所述热成型模具检测方法程序被所述处理器执行时实现如下步骤：
构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；
对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；
根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；
采集某热成型模具的图像数据，并输入所述神经网络检测模型；
通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果。
根据本发明的实施例，根据所述构造负样本数据对所述神经网络检测模型进行训练，具体包括：
将所述构造负样本输入所述神经网络检测模型的自动编码器中；
由所述自动编码器对所述构造负样本进行修复，并得到修复后的构造负样本；
然后将修复后的构造负样本与对应的原始正样本进行比对，并根据比对结果对所述自动编码器的参数进行优化；
基于多个构造负样本对所述自动编码器进行训练，并通过训练使所述自动编码器输出的修复后的构造负样本无限接近原始正样本，至此获取最优参数。
根据本发明的实施例，通过所述神经网络检测模型对图像数据进行处理，具体包括：
将所述图像数据输入训练好的自动编码器中；
由所述自动编码器对所述图像数据进行修复处理，并输出修复后的图像数据；
将修复后的图像数据与原始的图像数据进行比对，并基于比对结果判断该热成型模具是否有缺陷；
如果确认该热成型模具有缺陷，则将原始的图像数据与修复后的图像数据分别输入LBP算子中，并分别计算得到原始的图像数据对应的LBP特征向量，以及修复后的图像数据对应的LBP特征向量；
将原始的图像数据对应的LBP特征向量与修复后的图像数据对应的LBP特征向量相减，得到缺陷的位置。
根据本发明的实施例，在采集某热成型模具的图像数据之前，所述热成型模具检测方法程序被所述处理器执行时还实现如下步骤：
对该热成型模具最近预设时间段内制造的产品进行良率监测；
判断监测到的产品良率是否小于该热成型模具在最近预设时间段相邻的历史预设时间段制造的产品良率；
如果是，则触发图像采集器采集某热成型模具的图像数据。
根据本发明的实施例，在对该热成型模具最近预设时间段内制造的产品进行良率监测之前，所述热成型模具检测方法程序被所述处理器执行时还实现如下步骤：
汇总该热成型模具的历史使用数据；
基于所述历史使用数据判断该热成型模具是否达到使用寿命；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
根据本发明的实施例，基于所述历史使用数据判断该热成型模具是否达到使用寿命，具体包括：
预设影响热成型模具寿命的影响因素为温度、压力以及工作次数，并预设所述压力对热成型模具寿命的影响权重因子W1，以及温度对热成型模具寿命的影响权重因子W2；
从第一次使用某热成型模具开始，记录每次热成型模具工作时的压力值Fi，温度值Ti，其中i表示使用次数；
计算每次使用过程对该热成型模具寿命的损耗量
；
对每次损耗量Qi进行累计并得到累计值，实时监控累计值是否达到预设阈值；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
根据本发明的具体实施例，在输出该热成型模具的检测结果之后，所述热成型模具检测方法程序被所述处理器执行时还实现如下步骤：
将该热成型模具的检测结果存入历史数据库中；
对历史数据库中各个热成型模具的检测结果进行大数据分析以及深度学习，以对新投入生产的热成型模具进行检测点位预测。
可以理解，本发明基于历史热成型模具的检测结果，可以对新的热成雄模具的检测点位进行预测，并聚焦检测区域，从而提升了检测效率，无需对热成型模具的全面检测。
根据本发明的具体实施例，对历史数据库中各个热成型模具的检测结果进行大数据分析以及深度学习，具体包括：
提取历史数据库中各个热成型模具的特征以及对应的检测结果，所述检测结果包括缺陷的位置以及出现缺陷时的使用累计次数；
构建热成型模具缺陷预测模型，并根据历史数据库中各个热成型模具的特征以及对应的检测结果对所述热成型模具缺陷预测模型进行训练优化处理；
当有新的热成型模具投入运用时，将新的热成型模具输入训练优化后的热成型模具缺陷预测模型中，输出新的热成型模具的预测结果，其中所述预测结果包括：预测出现缺陷的使用累计次数，以及预测缺陷的位置；
实时监测新的热成型模具的使用累计次数，当达到预测出现缺陷的使用累计次数时，则触发对新的热成型模具最近预设时间段内制造的产品进行良率监测。
可以理解，在对生产车间中大量热成型模具的持续检测过程中，则会搜集大量热成型模具的检测结果；并提取这些热成型模具的特征（如材料、形状等）以及对应的检测结果；然后基于热成型模具的特征以及对应的检测结果对热成型模具缺陷预测模型进行优化训练，在优化训练过程中，分别对每一类热成型模具的数据进行神经网络机器学习，并分析出各类热成型模具易出现缺陷的位置，从而便于后续对新的热成型模具进行缺陷预测。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种热成型模具检测方法程序，所述热成型模具检测方法程序被处理器执行时，实现如上述的一种热成型模具检测方法的步骤。
本发明提出一种热成型模具检测方法、系统和存储介质，结合大数据分析以及神经网络机器学习实现对热成型模具的智能化检测，并替代了传统的人工检测方式，减少了人为因素的影响，提升了检测效率和准确度。
结合大数据信息资源和神经网络机器学习方法实现对公共设施的智能化检测，通过无人机替代人工检测，降低了检测难度，节省了检测成本，并提升了检测效率，同时由于无过多的人为因素参与，可以避免出现漏检或误检现象，进一步提升了检测准确度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种热成型模具检测方法，其特征在于，所述方法包括：
构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；
对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；
根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；
汇总各个线上售卖平台对某产品的评价，并提取差评的产品批号，然后基于差评的产品批号查询对应的热成型模具；
如果某热成型模具有超过预设数量的对应产品得到用户的差评，则触发对某热成型模具最近预设时间段内制造的产品进行良率监测；
判断监测到的产品良率是否小于某热成型模具在最近预设时间段相邻的历史预设时间段制造的产品良率；
如果是，则触发图像采集器采集某热成型模具的图像数据，并输入所述神经网络检测模型；
对采集的原始图像数据进行增强处理；增强处理的计算公式为：
，其中
为增强后图像数据的像素，
为原始图像数据的像素，
为图像对比度增益，
为亮度偏置，然后通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果；
将该热成型模具的检测结果存入历史数据库中；
对历史数据库中各个热成型模具的检测结果进行大数据分析以及深度学习，以对新投入生产的热成型模具进行检测点位预测；具体包括：
提取历史数据库中各个热成型模具的特征以及对应的检测结果，所述检测结果包括缺陷的位置以及出现缺陷时的使用累计次数；
构建热成型模具缺陷预测模型，并根据历史数据库中各个热成型模具的特征以及对应的检测结果对所述热成型模具缺陷预测模型进行训练优化处理；
当有新的热成型模具投入运用时，将新的热成型模具输入训练优化后的热成型模具缺陷预测模型中，输出新的热成型模具的预测结果，其中所述预测结果包括：预测出现缺陷的使用累计次数，以及预测缺陷的位置；
实时监测新的热成型模具的使用累计次数，当达到预测出现缺陷的使用累计次数时，则触发对新的热成型模具最近预设时间段内制造的产品进行良率监测。
2.根据权利要求1所述的一种热成型模具检测方法，其特征在于，根据所述构造负样本数据对所述神经网络检测模型进行训练，具体包括：
将所述构造负样本输入所述神经网络检测模型的自动编码器中；
由所述自动编码器对所述构造负样本进行修复，并得到修复后的构造负样本；
然后将修复后的构造负样本与对应的原始正样本进行比对，并根据比对结果对所述自动编码器的参数进行优化；
基于多个构造负样本对所述自动编码器进行训练，并通过训练使所述自动编码器输出的修复后的构造负样本无限接近原始正样本，至此获取最优参数。
3.根据权利要求2所述的一种热成型模具检测方法，其特征在于，通过所述神经网络检测模型对图像数据进行处理，具体包括：
将所述图像数据输入训练好的自动编码器中；
由所述自动编码器对所述图像数据进行修复处理，并输出修复后的图像数据；
将修复后的图像数据与原始的图像数据进行比对，并基于比对结果判断该热成型模具是否有缺陷；
如果确认该热成型模具有缺陷，则将原始的图像数据与修复后的图像数据分别输入LBP算子中，并分别计算得到原始的图像数据对应的LBP特征向量，以及修复后的图像数据对应的LBP特征向量；
将原始的图像数据对应的LBP特征向量与修复后的图像数据对应的LBP特征向量相减，得到缺陷的位置。
4.根据权利要求1所述的一种热成型模具检测方法，其特征在于，在对该热成型模具最近预设时间段内制造的产品进行良率监测之前，所述方法还包括：
汇总该热成型模具的历史使用数据；
基于所述历史使用数据判断该热成型模具是否达到使用寿命；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
5.根据权利要求4所述的一种热成型模具检测方法，其特征在于，基于所述历史使用数据判断该热成型模具是否达到使用寿命，具体包括：
预设影响热成型模具寿命的影响因素为温度、压力以及工作次数，并预设所述压力对热成型模具寿命的影响权重因子W1，以及温度对热成型模具寿命的影响权重因子W2；
从第一次使用某热成型模具开始，记录每次热成型模具工作时的压力值Fi，温度值Ti，其中i表示使用次数；
计算每次使用过程对该热成型模具寿命的损耗量Qi= W1 
Fi+ W2 
Ti；
对每次损耗量Qi进行累计并得到累计值，实时监控累计值是否达到预设阈值；
如果是，则触发对该热成型模具最近预设时间段内制造的产品进行良率监测。
6.一种热成型模具检测系统，其特征在于，包括存储器和处理器，所述存储器中包括热成型模具检测方法程序，所述热成型模具检测方法程序被所述处理器执行时实现如下步骤：
构建用于热成型模具的神经网络检测模型，并提供一个训练数据集，其中所述训练数据集仅包括正样本；
对所述训练数据集的正样本进行构造缺陷，并形成构造负样本；
根据所述构造负样本对所述神经网络检测模型进行训练，以获取最优参数，并将所述最优参数配置在所述神经网络检测模型中；
汇总各个线上售卖平台对某产品的评价，并提取差评的产品批号，然后基于差评的产品批号查询对应的热成型模具；
如果某热成型模具有超过预设数量的对应产品得到用户的差评，则触发对某热成型模具最近预设时间段内制造的产品进行良率监测；
判断监测到的产品良率是否小于某热成型模具在最近预设时间段相邻的历史预设时间段制造的产品良率；
如果是，则触发图像采集器采集某热成型模具的图像数据，并输入所述神经网络检测模型；
对采集的原始图像数据进行增强处理；增强处理的计算公式为：
，其中
为增强后图像数据的像素，
为原始图像数据的像素，
为图像对比度增益，
为亮度偏置，然后通过所述神经网络检测模型对图像数据进行处理，输出该热成型模具的检测结果；
将该热成型模具的检测结果存入历史数据库中；
对历史数据库中各个热成型模具的检测结果进行大数据分析以及深度学习，以对新投入生产的热成型模具进行检测点位预测；具体包括：
提取历史数据库中各个热成型模具的特征以及对应的检测结果，所述检测结果包括缺陷的位置以及出现缺陷时的使用累计次数；
构建热成型模具缺陷预测模型，并根据历史数据库中各个热成型模具的特征以及对应的检测结果对所述热成型模具缺陷预测模型进行训练优化处理；
当有新的热成型模具投入运用时，将新的热成型模具输入训练优化后的热成型模具缺陷预测模型中，输出新的热成型模具的预测结果，其中所述预测结果包括：预测出现缺陷的使用累计次数，以及预测缺陷的位置；
实时监测新的热成型模具的使用累计次数，当达到预测出现缺陷的使用累计次数时，则触发对新的热成型模具最近预设时间段内制造的产品进行良率监测。
7.根据权利要求6所述的一种热成型模具检测系统，其特征在于，根据所述构造负样本数据对所述神经网络检测模型进行训练，具体包括：
将所述构造负样本输入所述神经网络检测模型的自动编码器中；
由所述自动编码器对所述构造负样本进行修复，并得到修复后的构造负样本；
然后将修复后的构造负样本与对应的原始正样本进行比对，并根据比对结果对所述自动编码器的参数进行优化；
基于多个构造负样本对所述自动编码器进行训练，并通过训练使所述自动编码器输出的修复后的构造负样本无限接近原始正样本，至此获取最优参数。
8.根据权利要求7所述的一种热成型模具检测系统，其特征在于，通过所述神经网络检测模型对图像数据进行处理，具体包括：
将所述图像数据输入训练好的自动编码器中；
由所述自动编码器对所述图像数据进行修复处理，并输出修复后的图像数据；
将修复后的图像数据与原始的图像数据进行比对，并基于比对结果判断该热成型模具是否有缺陷；
如果确认该热成型模具有缺陷，则将原始的图像数据与修复后的图像数据分别输入LBP算子中，并分别计算得到原始的图像数据对应的LBP特征向量，以及修复后的图像数据对应的LBP特征向量；
将原始的图像数据对应的LBP特征向量与修复后的图像数据对应的LBP特征向量相减，得到缺陷的位置。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种热成型模具检测方法程序，所述热成型模具检测方法程序被处理器执行时，实现如权利要求1至5中任一项所述的一种热成型模具检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878600.8A CN113344918B (zh) | 2021-08-02 | 2021-08-02 | 一种热成型模具检测方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110878600.8A CN113344918B (zh) | 2021-08-02 | 2021-08-02 | 一种热成型模具检测方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344918A CN113344918A (zh) | 2021-09-03 |
| CN113344918B true CN113344918B (zh) | 2021-12-03 |
Family
ID=77480508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110878600.8A Active CN113344918B (zh) | 2021-08-02 | 2021-08-02 | 一种热成型模具检测方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344918B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103420606A (zh) * | 2012-05-17 | 2013-12-04 | 三星钻石工业股份有限公司 | 刻划处理系统 |
| CN111353082A (zh) * | 2020-03-12 | 2020-06-30 | 全芯智造技术有限公司 | 良率分析的方法、装置和计算机可读存储介质 |
| CN112150460A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 检测方法、检测系统、设备和介质 |
| CN212618234U (zh) * | 2020-06-24 | 2021-02-26 | 润电能源科学技术有限公司 | 一种锅炉过热器寿命的实时监测系统 |
| CN112727965A (zh) * | 2020-12-24 | 2021-04-30 | 三一重型装备有限公司 | 采煤机制动器的故障监测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179267B (zh) * | 2020-01-22 | 2023-05-12 | 湘潭大学 | 一种零件表面激光熔覆制造过程的质量监测方法 |
-
2021
- 2021-08-02 CN CN202110878600.8A patent/CN113344918B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103420606A (zh) * | 2012-05-17 | 2013-12-04 | 三星钻石工业股份有限公司 | 刻划处理系统 |
| CN111353082A (zh) * | 2020-03-12 | 2020-06-30 | 全芯智造技术有限公司 | 良率分析的方法、装置和计算机可读存储介质 |
| CN212618234U (zh) * | 2020-06-24 | 2021-02-26 | 润电能源科学技术有限公司 | 一种锅炉过热器寿命的实时监测系统 |
| CN112150460A (zh) * | 2020-10-16 | 2020-12-29 | 上海智臻智能网络科技股份有限公司 | 检测方法、检测系统、设备和介质 |
| CN112727965A (zh) * | 2020-12-24 | 2021-04-30 | 三一重型装备有限公司 | 采煤机制动器的故障监测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| A Surface Defect Detection Method Based on Positive Samples;Zhixuan Zhao et al.;《PRICAI 2018: Trends in Artificial Intelligence》;20180727;第473-481页 * |
| Zhixuan Zhao et al..A Surface Defect Detection Method Based on Positive Samples.《PRICAI 2018: Trends in Artificial Intelligence》.2018,第473-481页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344918A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
| CN109613002A (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
| CN114972258B (zh) | 基于机器视觉的电池表面缺陷检测方法、系统及相关设备 | |
| CN116071363A (zh) | 一种自动化型钢智能生产监测系统 | |
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| CN118262221B (zh) | 一种基于在线数据驱动的刀具异常分析方法 | |
| CN113570549A (zh) | 反光表面的缺陷检测方法及装置 | |
| CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
| CN117853494B (zh) | 一种药物颗粒生产过程视觉检测方法 | |
| CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN113344918B (zh) | 一种热成型模具检测方法、系统和可读存储介质 | |
| CN117876353A (zh) | 一种基于视觉识别的电子设备表面划痕检测系统 | |
| CN117269168A (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
| CN116258703A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
| CN115937218A (zh) | 一种冷冲件的表面缺陷检测方法及系统 | |
| CN117850216B (zh) | 一种亚克力镜片生产设备智能控制方法及系统 | |
| CN118310970B (zh) | 一种机械设备表面缺陷检测方法及系统 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
| CN117541589B (zh) | 一种注塑模具表面光洁度自动检测方法、系统和介质 | |
| CN117934867B (zh) | 一种基于智能调节功能的手办模型生产方法及系统 | |
| CN118314145B (zh) | 一种基于机器视觉的触摸屏缺陷检测方法及系统 | |
| CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231016 Address after: 518000 301, Building B, No. 5, Longshan 1st Road, Xinsheng Community, Longgang Street, Longgang District, Shenzhen, Guangdong Patentee after: Shenzhen Xinlonghua Technology Co.,Ltd. Address before: 518100 building 3, Yonglian hardware factory, Yuexing Road, Shijing community, Guanlan street, Bao'an District, Shenzhen, Guangdong Province Patentee before: Shenzhen Shenke silicone rubber mould Co.,Ltd. |
|
| TR01 | Transfer of patent right |