CN113427731A - 一种基于机器视觉的注塑机模具检测系统及方法 - Google Patents
一种基于机器视觉的注塑机模具检测系统及方法 Download PDFInfo
- Publication number
- CN113427731A CN113427731A CN202110703547.8A CN202110703547A CN113427731A CN 113427731 A CN113427731 A CN 113427731A CN 202110703547 A CN202110703547 A CN 202110703547A CN 113427731 A CN113427731 A CN 113427731A
- Authority
- CN
- China
- Prior art keywords
- mold
- mould
- abnormal
- machine vision
- injection molding
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/768—Detecting defective moulding conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/7686—Measuring, controlling or regulating the ejected articles, e.g. weight control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76003—Measured parameter
- B29C2945/76163—Errors, malfunctioning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76177—Location of measurement
- B29C2945/76254—Mould
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76177—Location of measurement
- B29C2945/7629—Moulded articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76451—Measurement means
- B29C2945/76461—Optical, e.g. laser
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本发明公开了一种基于机器视觉的注塑机模具检测系统及方法,涉及模具检测技术领域,包括机器视觉检测平台、图像处理单元、模具监测模块和模具管理模块;机器视觉检测平台对模具进行平行无影光照射,而后采集模具的图像信息;图像处理单元基于机器视觉方法,通过检测模型对采集的模具的图像信息进行识别分析;降低人工检测模具的成本,当模具损坏或出现不良状况时,及时进行异常处理,从而大幅度提高产品的合格率和模具寿命;模具监测模块用于结合心跳信号和不合格产品对模具的工作状态进行监测;判断模具是否出现异常;模具管理模块在接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具,提高维修效率。
Description
技术领域
本发明涉及模具检测技术领域,具体是一种基于机器视觉的注塑机模具检测系统及方法。
背景技术
模具作为制造业注塑产品加工最重要的成型设备,其质量优劣直接关系到产品质量优劣。此外,由于模具在注塑加工生产成本中占较大比重,其使用寿命直接影响产品成本。因此,提高模具质量,并对其进行适当维护和保养,延长其使用周期,是注塑产品加工业降低成本、提高效率的重要砝码。而在实际生产中,由于模具更换频繁,注塑机运行时,每个生产周期内价值高昂的模具都可能因为产品残留或滑块错位等而有损坏的危险;
目前,注塑机注塑前无法对模具进行检测分析,以至于模具损坏或出现不良状况的时候注塑机仍然继续工作,影响模具寿命及产品质量;为此,我们提出一种基于机器视觉的注塑机模具检测系统及方法。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于机器视觉的注塑机模具检测系统及方法。本发明基于机器视觉和AI(人工智能)深度学习识别算法在注塑机合模前对模具进行检测分析,降低人工检测模具的成本,当模具损坏或出现不良状况时,及时进行异常处理,从而大幅度提高产品的合格率和模具寿命;本发明结合不合格产品的次品原因,对模具对应的零部件进行检修值计算,便于操作人员快速的找到出现故障的零部件并进行更换,避免操作人员维修经验较少,导致找到故障零部件的速率慢,影响维修效率。
本发明的目的可以通过以下技术方案实现:
一种基于机器视觉的注塑机模具检测系统,在注塑机合模前,该系统对模具进行合模前检查;包括表面处理平台、初步检测平台、机器视觉检测平台、控制器、数据库、模具监测模块、报警模块、显示模块、模具管理模块以及问题库;
所述机器视觉检测平台设置有光源、图像采集单元和图像处理单元,所述光源用于对模具进行平行无影光照射,所述图像采集单元用于采集模具的图像信息并将模具的图像信息传输至图像处理单元;所述图像处理单元用于接收采集的模具的图像信息并进行分析和处理,具体步骤为:
S1:获取图像采集单元采集的模具的图像信息,对采集的图像信息进行滤波、锐化、数学形态变换、二值化、边缘提取、轮廓提取;获取新的图像数据,并标记为待检测图像数据;
S2:从待检测图像中提取ROI区域;
S3:对ROI区域图像进行预检查操作,具体为:从数据库中调用检测模型,通过检测模型对ROI区域图像进行识别分析;所述识别分析基于机器视觉方法;具体包括:粘膜检查、色泽检查、嵌件检查、闭模检查、产品脱落检查、滑块检查、模腔异物检查以及再顶出功能检查;
若均无异常,则控制器控制注塑机合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;
所述模具监测模块用于对模具的工作状态进行监测,判断模具是否出现异常;所述模具管理模块用于接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具。
进一步地,所述图像采集单元用于采集若干异常模具的图像信息并进行分类标注,基于AI深度学习识别算法得到检测模型;并将检测模型传输到数据库进行存储。
进一步地,所述表面处理平台、初步检测平台和机器视觉检测平台依次顺序设置;所述表面处理平台上设置有通风管道和连接通风管道的若干喷嘴,用于吹去模具表面的杂物,所述初步检测平台设置有红外扫描探头,所述红外扫描探头用于初步检测模具表面是否存在较大破损。
进一步地,所述模具监测模块的具体监测步骤为:
接收模具上传的心跳信号;统计当前时间与上一次发送心跳信号的时间间隔;当模具对应的时间间隔达到极限阈值,则表明模具操作异常,生成模具异常信号;
采集模具生产的产品的处理信息;所述处理信息包括合格信号和不合格信号;将处理信息标记为Si,当处理信息为合格信号时,则Si=1,当处理信息为不合格信号时,则Si=0;
在Si=0的数量达到预设第一数量或者Si=0的数量达到预定比例或连续Si=0的数量达到预设第二数量时,确定对应模具存在生产不合格产品的趋势,生成模具异常信号;
所述模具监测模块用于将模具异常信号经控制器传输至报警模块,所述报警模块接收到模具异常信号后发出警报;同时控制器接收到模具异常信号后控制模具停止运行。
进一步地,所述模具管理模块的具体工作步骤为:
V1:当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;
V2:结合问题库获取次品原因对应的零部件;所述问题库用于存储产品出现的次品原因及次品原因对应的模具曾经出现问题的零部件;
统计同一次品原因出现的次数并标记为对应零部件的次因频次P1;
V3:设定每个零部件均有一个对应的预设损耗系数;将该零部件与所有的零部件相匹配,得到对应的预设损耗系数并标记为P2;
V4:将零部件维修、更换或安装时间与系统当前时间进行时间差计算,得到零部件的缓冲时长HT;利用公式JX=(P1×a1+HT×a2)/(P2×a3)计算得到对应零部件的检修值JX,其中a1、a2、a3均为系数因子;
V5:将对应零部件按照检修值JX由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测,并将检测到的故障零部件通过手机终端发送至控制器内;然后操作人员对故障的零部件进行维修更换。
进一步地,一种基于机器视觉的注塑机模具检测方法,包括如下步骤:
步骤一:在注塑机合模前,对模具进行合模前检查;具体为:
S11:通过通风管道和连接通风管道的若干喷嘴,吹去模具表面的杂物;
S12:通过红外扫描探头初步检测模具表面是否存在较大破损;
S13:通过光源对模具进行平行无影光照射,而后工业相机采集模具的图像信息;基于机器视觉方法,通过检测模型对采集的模具的图像信息进行识别分析;若均无异常,则合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;
步骤二:结合心跳信号和不合格产品对模具的工作状态进行监测;判断模具是否出现异常;
步骤三:接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具;具体包括:
S31:当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;
S32:结合问题库获取次品原因对应的零部件;对对应的零部件作检修值分析,将对应零部件按照检修值由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测。
与现有技术相比,本发明的有益效果是:
1、本发明中表面处理平台用于吹去模具表面的杂物;红外扫描探头用于初步检测模具表面是否存在较大破损;而后光源对模具进行平行无影光照射,工业相机采集模具的图像信息;同时采用AI(人工智能)深度学习识别算法,大量收集异常模具图像然后进行分类标注,得到检测模型;基于机器视觉方法,通过检测模型对采集的模具的图像信息进行识别分析;若均无异常,则合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;降低人工检测模具的成本,当模具损坏或出现不良状况时,及时进行异常处理,从而大幅度提高产品的合格率和模具寿命;
2、本发明中模具监测模块用于结合心跳信号和不合格产品对模具的工作状态进行监测;判断模具是否出现异常;模具管理模块在接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具;当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析;结合问题库获取次品原因对应的零部件;对对应的零部件作检修值分析,将对应零部件按照检修值由大到小进行排序并发送至操作人员的手机终端上;便于操作人员快速的找到出现故障的零部件并进行更换,避免操作人员维修经验较少,导致找到故障零部件的速率慢,影响维修效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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例,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为本发明的原理框图。
图2为本发明实施例1的原理框图。
图3为本发明实施例2的原理框图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
如图1-3所示,一种基于机器视觉的注塑机模具检测系统,在注塑机合模前,模具检测系统对模具进行合模前检查;该系统包括表面处理平台、初步检测平台、机器视觉检测平台、控制器、数据库、模具监测模块、报警模块、显示模块、模具管理模块以及问题库;
实施例1
如图2所示;表面处理平台、初步检测平台和机器视觉检测平台依次顺序设置;表面处理平台上设置有通风管道和连接通风管道的若干喷嘴,用于吹去模具表面的杂物,初步检测平台设置有红外扫描探头,红外扫描探头用于初步检测模具表面是否存在较大破损;机器视觉检测平台设置有光源、图像采集单元和图像处理单元,光源用于对模具进行平行无影光照射,图像采集单元为配备有抗干扰的百万像素的工业相机,用于采集模具的图像信息;并将模具的图像信息传输至图像处理单元;
本发明采用AI(人工智能)深度学习识别算法,所以前期需要大量收集异常模具图像然后进行分类标注;图像采集单元用于采集异常模具的图像信息,得到检测模型并将检测模型传输到数据库进行存储;异常模具表现为:模腔异常、脱模不良、嵌件错放、滑块移位、产品短射、产品飞边、粘附定模、顶针断留、顶退不良等各种异常问题;
图像处理单元用于接收采集的模具的图像信息并进行分析和处理,具体步骤为:
S1:获取图像采集单元采集的模具的图像信息,对采集的图像信息进行滤波、锐化、数学形态变换、二值化、边缘提取、轮廓提取;获取新的图像数据,并标记为待检测图像数据;
S2:从待检测图像中提取ROI区域;ROI区域即感兴趣区域,是从待检测图像中以方框、圆、椭圆、不规则多边形等方式勾勒出的所关注的重点区域,也即待处理区域;ROI区域可利用机器视觉软件工具自带的各种算子和函数来获取;对待检测图像提取ROI区域,可减少后续数据处理时间,从而提高效率,还可增加精度;具体提取方法为:
基于待检测图像的显著度图和相对位置指示图,以像素点的显著度、相对位置、颜色信息及纹理信息作为生长条件,采用区域生长法自动提取ROI区域;相对位置指示图通过检测监测图像中像素位置获得;显著度图采用Itti法获取;
S3:对ROI区域图像进行预检查操作:从数据库中调用检测模型,通过检测模型对ROI区域图像进行识别分析;识别分析基于机器视觉方法;具体包括:粘膜检查、色泽检查、嵌件检查、闭模检查、产品脱落检查、滑块检查、模腔异物检查以及再顶出功能检查;
其中,粘膜检查:检查产品是否粘定模、粘中板;防止不良产品连续出现;
色泽检查:检查产品色泽是否正确,减少混色或搭色错误;
嵌件检查:确认嵌件插入是否正确,嵌件是否装配到位;
闭模检查:模具闭模前进行模穴、模芯外产品残留的确认;
产品脱落检查和滑块检查:确认滑块、顶针等返回位置,检测抽入芯是否可靠;
模腔异物检查:检查模腔内是否有异物,对油污或过量的脱模剂进行检测;
再顶出功能检查:再顶出功能可减少多余的顶出动作,提高生产效率;
若均无异常,则控制器控制注塑机合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;本发明基于机器视觉和AI(人工智能)深度学习识别算法在注塑机合模前对模具进行检测分析,降低人工检测模具的成本,当模具损坏或出现不良状况时,及时进行异常处理,从而大幅度提高产品的合格率和模具寿命;
实施例2
如图3所示;模具监测模块用于对模具的工作状态进行监测,具体步骤为:
D1:接收模具上传的心跳信号;根据模具发送的心跳信号将模具标记为运行状态;在持续未接收到模具发送的心跳信号达到预设时长时,将对应模具标记为暂停状态;将模具的工作状态传输至显示模块实时显示,工作状态包括运行状态、暂停状态;
D2:对于被标记为运行状态的模具,统计当前时间与上一次发送心跳信号的时间间隔;当模具对应的时间间隔达到极限阈值,则表明模具操作异常,生成模具异常信号;
D3:采集模具生产的产品的处理信息;处理信息包括合格信号和不合格信号;图形化展示预设时间内多个产品的处理信息的变化趋势;包括:
将处理信息标记为Si,当处理信息为合格信号时,则Si=1,当处理信息为不合格信号时,则Si=0;其中i表示第i个产品;
获取多个产品的处理信息中Si=0的数量;在Si=0的数量达到预设第一数量或者Si=0的数量达到预定比例或连续Si=0的数量达到预设第二数量时,确定对应模具存在生产不合格产品的趋势,生成模具异常信号;
模具监测模块用于将模具异常信号经控制器传输至报警模块,报警模块接收到模具异常信号后发出警报;同时控制器接收到模具异常信号后控制模具停止运行;
模具管理模块用于接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具;具体步骤为:
V1:当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;次品原因包括:拉毛、油污、碰伤、缩痕、杂质、银丝、色差、飞边、浮纤等;
V2:结合问题库获取次品原因对应的零部件;问题库用于存储产品出现的次品原因及次品原因对应的模具曾经出现问题的零部件;
按照次品原因统计同一次品原因出现的次数并标记为对应零部件的次因频次P1;
V3:设定每个零部件均有一个对应的预设损耗系数;将该零部件与所有的零部件相匹配,得到对应的预设损耗系数并标记为P2;
V4:将零部件维修、更换或安装时间与系统当前时间进行时间差计算,得到零部件的缓冲时长HT;
利用公式JX=(P1×a1+HT×a2)/(P2×a3)计算得到对应零部件的检修值JX,其中a1、a2、a3均为系数因子;
V5:将对应零部件按照检修值JX由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测,并将检测到的故障零部件通过手机终端发送至控制器内;然后操作人员对故障的零部件进行维修更换;本发明结合不合格产品的次品原因,对模具对应的零部件进行检修值计算,便于操作人员快速的找到出现故障的零部件并进行更换,避免操作人员维修经验较少,导致找到故障零部件的速率慢,影响维修效率;
实施例3
一种基于机器视觉的注塑机模具检测方法,包括如下步骤:
步骤一:在注塑机合模前,对模具进行合模前检查;具体为:
S11:通过通风管道和连接通风管道的若干喷嘴,吹去模具表面的杂物;
S12:通过红外扫描探头初步检测模具表面是否存在较大破损;
S13:通过光源对模具进行平行无影光照射,而后工业相机采集模具的图像信息;采用AI(人工智能)深度学习识别算法,大量收集异常模具图像然后进行分类标注,得到检测模型;
S14:基于机器视觉方法,通过检测模型对采集的模具的图像信息进行识别分析;若均无异常,则合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;
步骤二:结合心跳信号和不合格产品对模具的工作状态进行监测;判断模具是否出现异常;具体为:
S21:接收模具上传的心跳信号;统计当前时间与上一次发送心跳信号的时间间隔;当模具对应的时间间隔达到极限阈值,则表明模具操作异常,生成模具异常信号;
S22:采集模具生产的产品的处理信息;将处理信息标记为Si,当处理信息为合格信号时,则Si=1,当处理信息为不合格信号时,则Si=0;
在Si=0的数量达到预设第一数量或者Si=0的数量达到预定比例或连续Si=0的数量达到预设第二数量时,生成模具异常信号;
步骤三:接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具;具体包括:
S31:当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;
S32:结合问题库获取次品原因对应的零部件;对对应的零部件作检修值分析,将对应零部件按照检修值由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
一种基于机器视觉的注塑机模具检测系统及方法,在工作时,首先通过表面处理平台吹去模具表面的杂物;再通过红外扫描探头初步检测模具表面是否存在较大破损;而后光源对模具进行平行无影光照射,工业相机采集模具的图像信息;同时采用AI(人工智能)深度学习识别算法,大量收集异常模具图像然后进行分类标注,得到检测模型;基于机器视觉方法,通过检测模型对采集的模具的图像信息进行识别分析;若均无异常,则合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;本发明基于机器视觉和AI(人工智能)深度学习识别算法在注塑机合模前对模具进行检测分析,降低人工检测模具的成本,当模具损坏或出现不良状况时,及时进行异常处理,从而大幅度提高产品的合格率和模具寿命;
模具监测模块用于结合心跳信号和不合格产品对模具的工作状态进行监测;判断模具是否出现异常;模具管理模块在接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具;当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;结合问题库获取次品原因对应的零部件;对对应的零部件作检修值分析,将对应零部件按照检修值由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测;便于操作人员快速的找到出现故障的零部件并进行更换,避免操作人员维修经验较少,导致找到故障零部件的速率慢,影响维修效率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于机器视觉的注塑机模具检测系统,其特征在于,包括表面处理平台、初步检测平台、机器视觉检测平台、控制器、数据库、模具监测模块、报警模块、显示模块、模具管理模块以及问题库;
所述机器视觉检测平台设置有光源、图像采集单元和图像处理单元,所述光源用于对模具进行平行无影光照射,所述图像采集单元用于采集模具的图像信息并将模具的图像信息传输至图像处理单元;所述图像处理单元用于接收采集的模具的图像信息并进行分析和处理,具体步骤为:
S1:获取图像采集单元采集的模具的图像信息,对采集的图像信息进行滤波、锐化、数学形态变换、二值化、边缘提取、轮廓提取;获取新的图像数据,并标记为待检测图像数据;
S2:从待检测图像中提取ROI区域;
S3:对ROI区域图像进行预检查操作,具体为:从数据库中调用检测模型,通过检测模型对ROI区域图像进行识别分析;所述识别分析基于机器视觉方法;具体包括:粘膜检查、色泽检查、嵌件检查、闭模检查、产品脱落检查、滑块检查、模腔异物检查以及再顶出功能检查;
若均无异常,则控制器控制注塑机合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;
所述模具监测模块用于对模具的工作状态进行监测,判断模具是否出现异常;所述模具管理模块用于接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具。
2.根据权利要求1所述的一种基于机器视觉的注塑机模具检测系统,其特征在于,所述图像采集单元用于采集若干异常模具的图像信息并进行分类标注,基于AI深度学习识别算法得到检测模型;并将检测模型传输到数据库进行存储。
3.根据权利要求1所述的一种基于机器视觉的注塑机模具检测系统,其特征在于,所述表面处理平台、初步检测平台和机器视觉检测平台依次顺序设置;所述表面处理平台上设置有通风管道和连接通风管道的若干喷嘴,用于吹去模具表面的杂物,所述初步检测平台设置有红外扫描探头,所述红外扫描探头用于初步检测模具表面是否存在较大破损。
4.根据权利要求1所述的一种基于机器视觉的注塑机模具检测系统,其特征在于,所述模具监测模块的具体监测步骤为:
接收模具上传的心跳信号;统计当前时间与上一次发送心跳信号的时间间隔;当模具对应的时间间隔达到极限阈值,则表明模具操作异常,生成模具异常信号;
采集模具生产的产品的处理信息;所述处理信息包括合格信号和不合格信号;将处理信息标记为Si,当处理信息为合格信号时,则Si=1,当处理信息为不合格信号时,则Si=0;
在Si=0的数量达到预设第一数量或者Si=0的数量达到预定比例或连续Si=0的数量达到预设第二数量时,确定对应模具存在生产不合格产品的趋势,生成模具异常信号;
所述模具监测模块用于将模具异常信号经控制器传输至报警模块,所述报警模块接收到模具异常信号后发出警报;同时控制器接收到模具异常信号后控制模具停止运行。
5.根据权利要求1所述的一种基于机器视觉的注塑机模具检测系统,其特征在于,所述模具管理模块的具体工作步骤为:
V1:当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;
V2:结合问题库获取次品原因对应的零部件;所述问题库用于存储产品出现的次品原因及次品原因对应的模具曾经出现问题的零部件;
统计同一次品原因出现的次数并标记为对应零部件的次因频次P1;
V3:设定每个零部件均有一个对应的预设损耗系数;将该零部件与所有的零部件相匹配,得到对应的预设损耗系数并标记为P2;
V4:将零部件维修、更换或安装时间与系统当前时间进行时间差计算,得到零部件的缓冲时长HT;利用公式JX=(P1×a1+HT×a2)/(P2×a3)计算得到对应零部件的检修值JX,其中a1、a2、a3均为系数因子;
V5:将对应零部件按照检修值JX由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测,并将检测到的故障零部件通过手机终端发送至控制器内;然后操作人员对故障的零部件进行维修更换。
6.一种基于机器视觉的注塑机模具检测方法,其特征在于,包括如下步骤:
步骤一:在注塑机合模前,对模具进行合模前检查;具体为:
S11:通过通风管道和连接通风管道的若干喷嘴,吹去模具表面的杂物;
S12:通过红外扫描探头初步检测模具表面是否存在较大破损;
S13:通过光源对模具进行平行无影光照射,而后工业相机采集模具的图像信息;基于机器视觉方法,通过检测模型对采集的模具的图像信息进行识别分析;若均无异常,则合模,注塑机开始下一周期产品的生产;若异常,则暂不合模,由操作人员进行异常处理;
步骤二:结合心跳信号和不合格产品对模具的工作状态进行监测;判断模具是否出现异常;
步骤三:接收到模具异常信号后分配对应的操作人员对模具进行检修或者更换模具;具体包括:
S31:当接收到模具异常信号后,采集对应模具生产的不合格产品;对不合格产品作次品原因分析,得到对应的次品原因;
S32:结合问题库获取次品原因对应的零部件;对对应的零部件作检修值分析,将对应零部件按照检修值由大到小进行排序并发送至操作人员的手机终端上;操作人员根据对应零部件的排序依次对零部件进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703547.8A CN113427731B (zh) | 2021-06-24 | 2021-06-24 | 一种基于机器视觉的注塑机模具检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110703547.8A CN113427731B (zh) | 2021-06-24 | 2021-06-24 | 一种基于机器视觉的注塑机模具检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113427731A true CN113427731A (zh) | 2021-09-24 |
CN113427731B CN113427731B (zh) | 2022-09-20 |
Family
ID=77753995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110703547.8A Active CN113427731B (zh) | 2021-06-24 | 2021-06-24 | 一种基于机器视觉的注塑机模具检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113427731B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
CN114596308A (zh) * | 2022-04-02 | 2022-06-07 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于5g网络的信息处理方法、装置、设备及介质 |
CN114701138A (zh) * | 2022-03-10 | 2022-07-05 | 浙江凯华模具有限公司 | 一种依据模具损耗的应用寿命判断方法 |
CN116051552A (zh) * | 2023-03-29 | 2023-05-02 | 苏州悦顺精密机械有限公司 | 模具监管方法及系统 |
CN116428984A (zh) * | 2023-05-24 | 2023-07-14 | 湖南涛淼实业有限公司 | 一种五金模具冲压加工智能检测系统 |
CN117710901A (zh) * | 2024-02-02 | 2024-03-15 | 鲁能泰山曲阜电缆有限公司 | 一种基于机器视觉的电缆制造异常检测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5350547A (en) * | 1990-05-31 | 1994-09-27 | Kabushiki Kaisha Komatsu Seisakusho | Method of retrieving conditions for molding using expert system |
JP2003186519A (ja) * | 2001-12-14 | 2003-07-04 | Toyota Motor Corp | 製品情報管理システム及び方法 |
CN107336417A (zh) * | 2017-06-13 | 2017-11-10 | 上海斐讯数据通信技术有限公司 | 一种基于机器视觉的模具保护方法及系统 |
CN208827046U (zh) * | 2018-08-30 | 2019-05-07 | 广东首熙智能装备有限公司 | 一种具备产品质量监测功能的模温控制机 |
CN112198161A (zh) * | 2020-10-10 | 2021-01-08 | 安徽和佳医疗用品科技有限公司 | 基于机器视觉的pvc手套实时检测系统 |
CN212400273U (zh) * | 2020-02-28 | 2021-01-26 | 青岛海尔模具有限公司 | 一种模具故障预警系统 |
-
2021
- 2021-06-24 CN CN202110703547.8A patent/CN113427731B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5350547A (en) * | 1990-05-31 | 1994-09-27 | Kabushiki Kaisha Komatsu Seisakusho | Method of retrieving conditions for molding using expert system |
JP2003186519A (ja) * | 2001-12-14 | 2003-07-04 | Toyota Motor Corp | 製品情報管理システム及び方法 |
CN107336417A (zh) * | 2017-06-13 | 2017-11-10 | 上海斐讯数据通信技术有限公司 | 一种基于机器视觉的模具保护方法及系统 |
CN208827046U (zh) * | 2018-08-30 | 2019-05-07 | 广东首熙智能装备有限公司 | 一种具备产品质量监测功能的模温控制机 |
CN212400273U (zh) * | 2020-02-28 | 2021-01-26 | 青岛海尔模具有限公司 | 一种模具故障预警系统 |
CN112198161A (zh) * | 2020-10-10 | 2021-01-08 | 安徽和佳医疗用品科技有限公司 | 基于机器视觉的pvc手套实时检测系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
CN114701138A (zh) * | 2022-03-10 | 2022-07-05 | 浙江凯华模具有限公司 | 一种依据模具损耗的应用寿命判断方法 |
CN114701138B (zh) * | 2022-03-10 | 2023-09-29 | 浙江凯华模具有限公司 | 一种依据模具损耗的应用寿命判断方法 |
CN114596308A (zh) * | 2022-04-02 | 2022-06-07 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于5g网络的信息处理方法、装置、设备及介质 |
CN116051552A (zh) * | 2023-03-29 | 2023-05-02 | 苏州悦顺精密机械有限公司 | 模具监管方法及系统 |
CN116428984A (zh) * | 2023-05-24 | 2023-07-14 | 湖南涛淼实业有限公司 | 一种五金模具冲压加工智能检测系统 |
CN117710901A (zh) * | 2024-02-02 | 2024-03-15 | 鲁能泰山曲阜电缆有限公司 | 一种基于机器视觉的电缆制造异常检测系统 |
CN117710901B (zh) * | 2024-02-02 | 2024-04-26 | 鲁能泰山曲阜电缆有限公司 | 一种基于机器视觉的电缆制造异常检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113427731B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113427731B (zh) | 一种基于机器视觉的注塑机模具检测系统及方法 | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
CN113112501B (zh) | 一种基于深度学习的车载轨道巡检装置及方法 | |
CN201717996U (zh) | 一种模具监视器 | |
CN114565845A (zh) | 一种地下隧道智能巡检系统 | |
CN116177146A (zh) | 一种基于ai与激光监测技术的输送皮带检测系统及方法 | |
CN110208028B (zh) | 基于粉尘浓度的混凝土生产设备在线故障检测方法及系统 | |
CN113470005A (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN111754737A (zh) | 一种计量装置安装验收在线识别评价装置及评价方法 | |
CN114895634A (zh) | 一种基于机器视觉的产品生产线自动控制系统 | |
CN116976865B (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN116051552B (zh) | 模具监管方法及系统 | |
CN106370673A (zh) | 一种镜片疵病自动检测方法 | |
CN117094609A (zh) | 一种基于机器视觉的铝型材生产质量智能管理系统 | |
CN115423799A (zh) | 一种连铸坯表面裂纹识别方法与装置 | |
CN114937015A (zh) | 一种锂电池极片制造中智能视觉识别方法和系统 | |
CN110196152A (zh) | 基于机器视觉的大型景观灯组的故障诊断方法与系统 | |
CN117911415B (zh) | 一种基于机器视觉的设备自动化监管系统及方法 | |
CN112837287A (zh) | 一种板面缺陷区域的提取方法及装置 | |
CN117409005B (zh) | 基于图像的收板机用不良品检测系统及方法 | |
CN113659709B (zh) | 一种基于声音识别的开关站运行监测系统及方法 | |
CN112528827B (zh) | 一种高铁接触网供电设备裂损自动检测方法 |
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 |